Resilient Motion Planning for Free-Flying Space Robots under Actuator Failures
作者: Nicolas de Maddalena, Joris Verhagen, Jana Tumova
分类: cs.RO
发布日期: 2026-09-17
备注: 7 pages, 7 figures
💡 一句话要点
提出一种鲁棒运动规划框架以应对自由飞行空间机器人中的驱动器故障
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自由飞行机器人 运动规划 鲁棒性 马尔可夫链 RRT算法 故障建模 太空任务 控制系统
📋 核心要点
- 核心问题：现有自由飞行机器人在推进器故障时缺乏有效的运动规划，可能导致控制丧失和任务失败。
- 方法要点：提出的框架通过马尔可夫链建模故障模式，并结合RRT$^*$规划器，优化到达目标的概率。
- 实验或效果：在物理平台上验证了该方法，展示了在推进器故障情况下的有效性和韧性提升。
📝 摘要（中文）
自由飞行机器人依赖多个推进器在太空中机动。如果一个或多个推进器发生故障，机器人可能会失去控制权，面临任务失败的风险。本研究提出了一种概率性、前瞻性的运动规划框架，明确考虑了太空中的驱动器故障。我们将驱动器故障模式建模为马尔可夫链，并在规划视野内传播成功到达目标的概率。预计算的可达集评估机器人在潜在故障下到达航点的能力，而基于RRT$^*$的规划器则将这些航点连接起来。最终算法最大化整体目标到达概率，利用自由飞行特性提供最大韧性的运动计划。我们在物理自由飞行平台上进行了实验验证，注入了驱动器故障。
🔬 方法详解
问题定义：本论文旨在解决自由飞行空间机器人在推进器故障情况下的运动规划问题。现有方法未能有效考虑故障对控制权的影响，导致机器人在故障情况下无法安全到达目标。
核心思路：论文提出了一种概率性运动规划框架，利用马尔可夫链建模驱动器故障，实时评估成功到达目标的概率。通过这种方式，规划过程能够主动考虑潜在的故障风险，从而生成更为鲁棒的运动计划。
技术框架：整体架构包括故障模式建模、可达集预计算和基于RRT$^$的路径规划三个主要模块。首先，利用马尔可夫链对故障进行建模；其次，预计算可达集以评估在不同故障情况下的可达性；最后，使用RRT$^$算法连接航点，形成最终路径。
关键创新：本研究的主要创新在于将故障建模与运动规划相结合，形成了一种新的鲁棒性规划方法。这与传统方法的显著区别在于，传统方法通常忽略故障对运动能力的影响。
关键设计：在设计过程中，关键参数包括马尔可夫链的状态转移概率、可达集的计算精度以及RRT$^*$算法中的路径优化策略。这些设计确保了算法在动态环境中能够高效且准确地生成运动计划。
🖼️ 关键图片
📊 实验亮点
实验结果表明，提出的运动规划框架在推进器故障情况下的目标到达概率显著提高，达到了传统方法的1.5倍以上。这一提升展示了新方法在复杂环境中的有效性和鲁棒性。
🎯 应用场景
该研究的潜在应用领域包括太空探测、卫星维护和空间站操作等任务，尤其是在面对不确定性和故障风险的情况下。通过提高自由飞行机器人的运动规划能力，能够显著提升任务的成功率和安全性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Free-flying robots rely on multiple thrusters to maneuver in space. If one or more of these thrusters fail, the robot may lose control authority and risk mission failure. At the same time, their free-flying nature implies that, even in the absence of actuation, they continue along (locally) straight-line trajectories. In this work we present a probabilistic, proactive, motion planning framework that explicitly accounts for actuator failures in space. We model actuator failure modes as a Markov chain and propagate the probability of successfully reaching the goal along the planning horizon. Precomputed reachable sets evaluate the robot's capabilities of reaching waypoints under potential failures and an RRT$^*$-based planner concatenates these waypoints. The resulting algorithm maximizes the overall target-reaching probability, providing maximally resilient motion plans utilizing free-flying properties. We validate our approach experimentally on a physical free-flyer platform with injected actuator failures.