OrbitTAMP: Grounding Language Models for Task and Motion Planning in Spacecraft Rendezvous

📄 arXiv: 2610.01093v1 📥 PDF

作者: Yuji Takubo, Daniele Gammelli, Marco Pavone, Simone D'Amico

分类: cs.RO, cs.AI, math.OC

发布日期: 2026-10-01

备注: 20 pages, 8 figures

💡 一句话要点

提出OrbitTAMP以解决航天器会合任务与运动规划问题

🎯 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: 航天器会合 任务规划 运动规划 大型语言模型 轨道动力学 自动化操作 深空探测

📋 核心要点

  1. 现有的航天器会合规划方法依赖于工程师的专业知识，导致操作效率低下和可扩展性不足。
  2. 本文提出的OrbitTAMP框架结合了大型语言模型的语义推理能力与轨道动力学约束，提升了任务与运动规划的有效性。
  3. 实验结果显示，使用该框架的意图恢复率达98%，并且在计算效率上也有显著提升，验证了其可扩展性和审计能力。

📝 摘要（中文）

航天器会合与近距离操作（RPO）通常依赖于工程师将高层次操作意图转化为安全且动态可行的轨迹，这一过程复杂且耗时。本文提出了一种基于大型语言模型（LLM）的分层框架，旨在将语言推理与轨道动力学和操作约束相结合。该框架通过可重用行为图和领域特定规划模块，使得预训练的LLM能够将自然语言命令映射为部分任务规范。随后，相关规划器在可接受的操作空间内解决未指定的决策，最终通过轨迹优化将完成的任务规范转化为动态可行的轨迹。实验结果表明，该架构在意图恢复方面显著优于直接生成LLM，达到了98%的部分任务规范精确恢复率。

🔬 方法详解

问题定义：本文旨在解决航天器会合任务与运动规划中的高层次意图转化为可行轨迹的复杂性，现有方法缺乏对轨道动力学和操作约束的有效整合，导致效率低下。

核心思路：提出的OrbitTAMP框架通过将大型语言模型的推理能力与领域特定的规划模块结合，确保生成的计划在物理上有效，同时提升了任务规范的准确性。

技术框架：该框架包括三个主要模块：首先，预训练的LLM将自然语言命令映射为部分任务规范；其次，规划器在可接受的操作空间内解决未指定的决策；最后，轨迹优化模块将完成的任务规范转化为动态可行的轨迹。

关键创新：最重要的创新在于将LLM推理与可重用行为图相结合，确保生成的计划符合轨道动力学约束，这一设计与传统方法的直接生成方式有本质区别。

关键设计：在设计中，采用了前沿的LLM作为基础模型，并通过验证器引导修正过程，提升了任务规范的精确恢复率。实验中，针对紧凑的9B模型，验证引导修正将精确恢复率从75%提升至88%。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，OrbitTAMP框架在意图恢复方面达到了98%的精确恢复率，相较于直接生成的LLM方法有显著提升。此外，针对紧凑的9B模型，验证引导修正将精确恢复率从75%提升至88%，展示了该方法的有效性和实用性。

🎯 应用场景

该研究的潜在应用领域包括航天器自动化操作、深空探测任务以及卫星群体协同作业等。通过提供一种可扩展且高效的规划框架，OrbitTAMP能够显著提升航天器任务的执行效率与安全性，未来可能在商业航天和科学探索中发挥重要作用。

📄 摘要（原文）

Spacecraft rendezvous and proximity operations (RPO) are currently planned through an expertise-intensive process in which engineers translate high-level operational intent into safe, dynamically feasible trajectories, creating a bottleneck to scalable operations. Large language model (LLM)-based agents could offer an intuitive interface for this process, although their outputs are not inherently grounded in orbital dynamics, operational constraints, or the structure of admissible spacecraft maneuvers. To exploit their semantic reasoning while ensuring the generated plan's physical validity, this paper presents a hierarchical framework for spacecraft task-and-motion planning (TAMP) that grounds LLM reasoning in a graph of reusable behaviors and domain-specific planning modules. Within this framework, a pretrained LLM maps a natural-language command to a partial mission specification. The associated planners then resolve unspecified decisions within the admissible operational space. Finally, trajectory optimization converts the completed mission specification into a dynamically feasible trajectory. Numerical experiments demonstrate that this architecture substantially improves intent recovery over direct LLM generation, achieving 98% exact recovery of partial mission specifications across all evaluated splits when backed by frontier LLMs. Additional test-time-compute experiments show that, for a compact 9B model, verifier-guided revision increases exact recovery from 75% to 88%, while broader behavior-plan search independently improves selection among admissible trajectory realizations. Overall, these results establish a scalable and auditable foundation for language-driven agentic planning of spacecraft RPO.