Learning-Based Adaptive MPC for Magnetorquer-Only Satellite Attitude Control

📄 arXiv: 2610.20280v1 📥 PDF

作者: Patrick Schwartz, Abhishek Cauligi

分类: cs.RO

发布日期: 2026-10-14

备注: 8 pages, 8 figures, 1 table, Accepted for publication at the International Conference on Space Robotics (iSpaRo) 2026

💡 一句话要点

提出基于学习的自适应MPC以解决卫星姿态控制问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 卫星姿态控制 模型预测控制 磁力器 自适应控制 深空探测 学习算法 动态环境

📋 核心要点

  1. 现有的磁力器在小型卫星姿态控制中面临控制能力不足和对磁场知识依赖的问题。
  2. 本文提出了一种基于学习的自适应MPC算法，通过学习磁场模型来提高姿态控制的适应性和有效性。
  3. 实验结果显示，该算法在不同轨道条件下显著提升了控制成功率，分别提高了5%和61%。

📝 摘要（中文）

小型卫星（如立方卫星）在外太阳系探索中具有重要潜力，但其小尺寸导致姿态控制与科学能力之间的权衡。磁力器作为紧凑的执行器，能够实现三轴姿态控制，但控制能力有限且需要对行星磁场有充分了解。本文提出了一种基于学习的自适应模型预测控制（MPC）算法，能够在考虑控制能力损失的情况下规划卫星的旋转轨迹。该方法的关键在于引入一个在低保真磁场数据上训练的学习磁场模型，并通过在线测量进行适应性更新，从而使MPC控制器能够快速适应真实的行星磁场模型，更有效地规划姿态轨迹。实验结果表明，该算法在地球轨道和天王星轨道的系统仿真中，控制成功率分别提高了5%和61%。

🔬 方法详解

问题定义：本文旨在解决小型卫星在姿态控制中由于磁力器控制能力不足和对行星磁场知识依赖而导致的挑战。现有方法在动态环境中难以适应，限制了卫星的科学探索能力。

核心思路：论文提出的学习基于自适应MPC算法通过引入一个学习的磁场模型，能够在控制过程中实时更新，以适应真实的磁场环境，从而提高姿态控制的精确性和灵活性。

技术框架：整体架构包括三个主要模块：首先是低保真磁场数据的模拟训练；其次是基于学习的磁场模型的在线适应；最后是MPC控制器的轨迹规划与执行。

关键创新：最重要的创新在于将学习模型与MPC控制相结合，使得控制器能够在动态环境中快速适应，显著提高了控制成功率。这一方法与传统的基于模型的控制方法相比，具有更强的适应性和灵活性。

关键设计：在设计中，采用了简单的最后一层更新方案来调整学习的磁场模型，确保控制器能够快速响应真实环境的变化。此外，算法的参数设置和损失函数设计也经过精心调整，以优化控制性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，提出的学习基于自适应MPC算法在地球轨道和天王星轨道的系统仿真中，控制成功率分别提高了5%和61%。这一显著提升展示了算法在不同环境下的有效性和适应性，具有重要的应用前景。

🎯 应用场景

该研究的潜在应用领域包括小型卫星的姿态控制、深空探测任务以及其他需要高效姿态调整的航天任务。通过提高卫星在复杂磁场环境中的控制能力，能够显著增强其科学探索能力和任务成功率，具有重要的实际价值和未来影响。

📄 摘要（原文）

Nanosatellites (e.g., CubeSats) have the potential to carry out useful science and exploration activities for outer solar system exploration, but their small size leads to tradeoffs between attitude control and science capabilities. Magnetorquers offer a unique compromise as compact actuators that enable three-axis attitude control, but suffer from a loss of control authority and require full knowledge of the planetary magnetic field. In this work, we present a learning-based adaptive model predictive control (MPC) algorithm that plans rotational trajectories for the satellite while accounting for this loss of control authority. Key to our approach is the inclusion of a learned magnetic field model that is trained in simulation using low-fidelity magnetic field data. Using measurements collected online, our proposed algorithm adapts this learned magnetic field model using a simple last-layer update scheme, allowing the MPC controller to quickly adapt to the true planetary magnetic field model and more effectively plan attitude trajectories. We demonstrate the results of our proposed approach for two use cases, (1) Earth-orbit and (2) Uranus-orbit, and show that our learning-based adaptive MPC algorithm improves controller success for these system simulations by 5% and 61%, respectively.