HELIOS: An LLM-Driven Autonomous Indirect Trajectory Optimization Agent

📄 arXiv: 2607.24051v1 📥 PDF

作者: An-yi Huang

分类: astro-ph.IM, cs.AI, cs.RO

发布日期: 2026-07-27

💡 一句话要点

提出HELIOS以解决低推力轨迹优化中的多重挑战

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 低推力轨迹优化 庞特里亚金最小值原理 大型语言模型 自动化推导 航天任务设计

📋 核心要点

  1. 现有低推力轨迹优化方法在应用中面临横向条件推导、代码重写和初始猜测敏感性等挑战。
  2. HELIOS通过大型语言模型自动化处理PMP推导、代码生成和求解，显著提高了效率。
  3. 实验结果表明，HELIOS在11个测试场景中实现了100%的编译成功率，验证了其有效性。

📝 摘要（中文）

低推力轨迹优化是深空任务设计中的核心技术。基于庞特里亚金最小值原理的间接方法提供了严格的最优性保证，但在实际应用中面临三个瓶颈：必须逐个推导横向条件、不同动力学模型需要重复代码重写，以及射击方程对初始猜测高度敏感。本文提出HELIOS（低推力星际优化系统的启发式引擎），该轨迹优化代理围绕大型语言模型（LLM）构建。系统能够自动执行PMP符号推导、SymPy验证、C++射击代码生成和数值求解，无需人工干预。

🔬 方法详解

问题定义：本文旨在解决低推力轨迹优化中基于庞特里亚金最小值原理的间接方法在实际应用中的瓶颈，包括横向条件推导、代码重写和初始猜测敏感性等问题。

核心思路：HELIOS利用大型语言模型的能力，自动化执行符号推导和代码生成，减少人工干预，提高轨迹优化的效率和准确性。

技术框架：HELIOS的整体架构包括四个主要模块：符号推导模块、验证模块、代码生成模块和数值求解模块。系统接收自然语言描述的物理问题，自动完成从推导到求解的全过程。

关键创新：HELIOS的主要创新在于其约束自适应推导框架，能够将任意约束统一为psi(x,p)=0形式，并自动生成自由参数的驻点条件。此外，支持非标准动力学的动态自适应代码生成模块也是其重要创新之一。

关键设计：HELIOS设计了一套通用推导规则集，覆盖了PMP推导中的关键易错点，确保了推导的准确性和可靠性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在11个渐进测试场景中，HELIOS实现了100%的编译成功率，涵盖从简单的会合任务到复杂的多段转移和重力助推轨迹，展现出其强大的推导和求解能力。与8个开源LLM后端的多模型比较验证了其模型无关的架构，并显示出模型规模与推导能力之间的正相关性。

🎯 应用场景

HELIOS的研究成果在深空任务设计、航天器轨迹优化等领域具有广泛的应用潜力。通过自动化的轨迹优化过程，能够显著提高任务设计的效率，降低人力成本，并为复杂的深空任务提供更为精确的解决方案。

📄 摘要（原文）

Low-thrust trajectory optimization is a core technology in deep-space mission design. Indirect methods based on Pontryagin's Minimum Principle (PMP) offer rigorous optimality guarantees, yet their practical application faces three bottlenecks: (1) transversality conditions must be derived case by case for each constraint type; (2) different dynamics models require repeated code rewrites; and (3) shooting equations are highly sensitive to initial guesses. This paper presents HELIOS (Heuristic Engine for Low-thrust Interplanetary Optimization System), a trajectory optimization agent built around a large language model (LLM). Given a physical problem described in natural language, the system autonomously performs PMP symbolic derivation, SymPy verification, C++ shooting-code generation, and numerical solution without human intervention. Key innovations include: (1) a constraint-adaptive derivation framework that unifies arbitrary constraints into psi(x,p)=0 form and automatically generates stationarity conditions for free parameters (e.g., gravity-assist turning angle); (2) dynamics-adaptive four-module code generation supporting non-standard dynamics (solar sail, J2 perturbation) without modifying the underlying template; and (3) a general derivation rule set covering critical error-prone points in PMP derivation. Experiments on 11 progressive test scenarios show that HELIOS correctly derives and solves problems from simple rendezvous (8 variables) to multi-leg stay transfers (48 variables), gravity-assist trajectories (17 variables), and solar-sail minimum-time transfers (8 variables). The best compilation success rate reaches 100% (11/11). A multi-model comparison (8 open-source LLM backends, total scores 250-905) verifies the model-agnostic architecture and reveals a positive correlation between model scale and derivation capability.