Optimization of Flip-Landing Trajectories for Starship based on a Deep Learned Simulator

📄 arXiv: 2508.06520v1 📥 PDF

作者: Liwei Chen, Tong Qin, Zhenhua Huangfu, Li Li, Wei Wei

分类: cs.RO, eess.SY

发布日期: 2025-07-31

💡 一句话要点

提出基于深度学习模拟器的星舰翻转着陆轨迹优化框架

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 星舰 翻转着陆 轨迹优化 深度学习 可微优化 气动建模 CFD

📋 核心要点

  1. 现有星舰轨迹优化方法依赖线性化或凸松弛，难以处理复杂非线性气动效应。
  2. 利用深度学习模拟器预测气动力，结合可微动力学求解器，实现端到端轨迹优化。
  3. 实验验证了该框架在复杂机动建模和优化中的有效性，为未来研究奠定基础。

📝 摘要（中文）

本文提出了一种可微优化框架，用于可重复使用航天器（以星舰为例）的翻转着陆轨迹设计。该框架使用一个深度神经网络代理模型，该模型基于高保真CFD数据进行训练，以预测气动力和力矩，并与可微刚体动力学求解器紧密耦合。这实现了端到端的基于梯度的轨迹优化，无需线性化或凸松弛。该框架能够处理执行器限制和终端着陆约束，生成物理上一致的优化控制序列。标准自动微分和神经ODE都被应用于支持长时程展开。结果表明，该框架在建模和优化具有高度非线性的复杂机动方面是有效的。这项工作为未来扩展到非定常气动、羽流相互作用和智能制导设计奠定了基础。

🔬 方法详解

问题定义：星舰的翻转着陆轨迹优化是一个复杂的问题，需要精确建模气动效应，并满足执行器限制和终端着陆约束。传统方法通常采用线性化或凸松弛来简化问题，但这些方法难以准确捕捉高度非线性的气动特性，导致优化结果的精度和可靠性降低。

核心思路：本文的核心思路是利用深度神经网络学习高保真CFD数据，构建一个可微的气动模型代理。该代理模型能够准确预测气动力和力矩，并与可微的刚体动力学求解器相结合，实现端到端的轨迹优化。通过这种方式，可以避免线性化或凸松弛带来的误差，并直接优化控制序列。

技术框架：该框架包含以下主要模块：1) 高保真CFD数据生成模块，用于生成训练深度神经网络所需的气动数据；2) 深度神经网络代理模型，用于预测气动力和力矩；3) 可微刚体动力学求解器，用于模拟星舰的运动；4) 轨迹优化器，用于优化控制序列，以满足执行器限制和终端着陆约束。整体流程是：首先，使用CFD数据训练深度神经网络代理模型。然后，将该代理模型与可微动力学求解器集成，构建一个可微的星舰动力学模型。最后，使用轨迹优化器优化控制序列，以实现翻转着陆。

关键创新：该论文最重要的技术创新点在于将深度学习与可微优化相结合，构建了一个端到端的可微轨迹优化框架。与传统方法相比，该框架无需线性化或凸松弛，能够更准确地建模气动效应，并直接优化控制序列。此外，该框架还支持使用标准自动微分和神经ODE来处理长时程展开。

关键设计：深度神经网络代理模型的结构和训练是关键设计之一。论文使用多层感知机（MLP）作为代理模型的结构，并使用均方误差（MSE）作为损失函数。为了提高模型的泛化能力，论文还采用了数据增强和正则化等技术。此外，轨迹优化器的选择和参数设置也至关重要。论文使用了ADAM优化器，并设置了合适的学习率和迭代次数。

📊 实验亮点

该框架通过深度学习模拟器准确预测气动特性，避免了传统方法的线性化误差。实验结果表明，该框架能够生成满足执行器限制和终端着陆约束的优化控制序列，实现了对星舰翻转着陆轨迹的有效优化。该方法为复杂航天器轨迹优化提供了一种新的解决方案。

🎯 应用场景

该研究成果可应用于可重复使用航天器的轨迹优化设计，例如星舰的翻转着陆。此外，该方法还可以扩展到其他具有复杂气动效应的飞行器，例如高超声速飞行器。该研究的实际价值在于提高航天器着陆的精度和可靠性，降低着陆过程中的风险，并为未来的智能制导设计奠定基础。

📄 摘要（原文）

We propose a differentiable optimization framework for flip-and-landing trajectory design of reusable spacecraft, exemplified by the Starship vehicle. A deep neural network surrogate, trained on high-fidelity CFD data, predicts aerodynamic forces and moments, and is tightly coupled with a differentiable rigid-body dynamics solver. This enables end-to-end gradient-based trajectory optimization without linearization or convex relaxation. The framework handles actuator limits and terminal landing constraints, producing physically consistent, optimized control sequences. Both standard automatic differentiation and Neural ODEs are applied to support long-horizon rollouts. Results demonstrate the framework's effectiveness in modeling and optimizing complex maneuvers with high nonlinearities. This work lays the groundwork for future extensions involving unsteady aerodynamics, plume interactions, and intelligent guidance design.