Autonomy in the Real-World: Autonomous Trajectory Planning for Asteroid Reconnaissance via Stochastic Optimization
作者: Kazuya Echigo, Abhishek Cauligi, Saptarshi Bandyopadhyay, Dan Scharf, Gregory Lantoine, Behçet Açıkmeşe, Issa Nesnas
分类: physics.space-ph, eess.SY, math.OC, math.ST
发布日期: 2024-12-03
备注: accepted for 2025 AIAA SciTech Forum (also selected a finalist for the 2025 GNC Graduate Student Paper Competition)
💡 一句话要点
提出基于随机优化的自主轨迹规划算法，用于小行星探测任务的侦察阶段。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自主轨迹规划 随机优化 深空探测 小行星侦察 最优控制
📋 核心要点
- 现有深空探测轨迹设计依赖地面人工干预，耗时且难以应对航天器知识和驱动的不确定性。
- 提出基于随机轨迹优化的自主规划方法，在满足任务和安全约束下，最小化地面干预。
- 通过数值实验验证算法有效性，结果表明该方法优于现有技术基准。
📝 摘要（中文）
本文提出了一种基于优化的自主轨迹规划算法，用于深空探测任务中小行星侦察阶段的开发与评估。侦察阶段是指在潜在着陆点附近进行低空飞越，以收集详细信息。尽管这种自主深空探测任务最近引起了相当大的兴趣，但目前轨迹设计方面的技术水平仍然依赖于耗时的地面开放循环过程，该过程通过前向传播具有一系列初始条件和参数的多个轨迹，来解决航天器知识和驱动方面的不确定性。在这项工作中，我们介绍了一种基于随机轨迹优化的方法，用于生成满足深空自主机器人探测器（DARE）任务概念侦察阶段的任务和航天器安全约束的轨迹，该任务旨在以最少的地面干预自主地前往和探索近地天体。我们首先使用多航天器概念和自主工具（MuSCAT）仿真框架来严格验证轨迹规划器底层建模假设，然后提出一种将随机最优控制问题转换为确定性问题的方法，以便与现成的非线性求解器一起使用。最后，我们通过大量的数值实验证明了我们提出的算法方法的有效性，并表明它优于用于代表性任务的现有技术基准。
🔬 方法详解
问题定义：论文旨在解决深空探测任务中，小行星侦察阶段的自主轨迹规划问题。现有方法依赖于地面人员进行耗时的开环轨迹设计，难以有效处理航天器状态和执行机构的不确定性，导致任务风险增加，效率降低。
核心思路：论文的核心思路是将轨迹规划问题建模为随机最优控制问题，并将其转化为确定性问题进行求解。通过考虑航天器状态和执行机构的不确定性，优化轨迹以满足任务目标和安全约束，从而实现自主、鲁棒的轨迹规划。
技术框架：整体框架包括以下几个阶段：1) 使用MuSCAT仿真框架验证轨迹规划器的建模假设；2) 将随机最优控制问题转化为确定性问题；3) 使用现成的非线性求解器求解确定性问题；4) 通过数值实验验证算法的有效性。MuSCAT框架用于验证建模的准确性，随机优化方法用于处理不确定性，非线性求解器用于高效求解轨迹。
关键创新：论文的关键创新在于提出了一种将随机最优控制问题转化为确定性问题的方法，从而可以使用现成的非线性求解器进行高效求解。这种转化方法能够有效处理航天器状态和执行机构的不确定性，并保证轨迹满足任务目标和安全约束。
关键设计：论文的关键设计包括：1) 针对小行星侦察阶段的任务目标和安全约束，设计合适的优化目标函数和约束条件；2) 选择合适的随机优化方法，将随机最优控制问题转化为确定性问题；3) 选择合适的非线性求解器，并调整其参数以获得高效的求解性能；4) 使用MuSCAT仿真框架验证建模假设的有效性。
🖼️ 关键图片
📊 实验亮点
论文通过数值实验验证了所提出算法的有效性。实验结果表明，该算法能够生成满足任务目标和安全约束的轨迹，并且优于用于代表性任务的现有技术基准。具体的性能数据和提升幅度在论文中进行了详细的展示。
🎯 应用场景
该研究成果可应用于深空探测任务，特别是小行星和彗星的自主探测与着陆。通过自主轨迹规划，可以减少地面人员的干预，提高任务效率和安全性，降低任务成本。此外，该方法还可以推广到其他需要考虑不确定性的机器人运动规划问题中。
📄 摘要（原文）
This paper presents the development and evaluation of an optimization-based autonomous trajectory planning algorithm for the asteroid reconnaissance phase of a deep-space exploration mission. The reconnaissance phase is a low-altitude flyby to collect detailed information around a potential landing site. Although such autonomous deep-space exploration missions have garnered considerable interest recently, state-of-the-practice in trajectory design involves a time-intensive ground-based open-loop process that forward propagates multiple trajectories with a range of initial conditions and parameters to account for uncertainties in spacecraft knowledge and actuation. In this work, we introduce a stochastic trajectory optimization-based approach to generate trajectories that satisfy both the mission and spacecraft safety constraints during the reconnaissance phase of the Deep-space Autonomous Robotic Explorer (DARE) mission concept, which seeks to travel to and explore a near-Earth object autonomously, with minimal ground intervention. We first use the Multi-Spacecraft Concept and Autonomy Tool (MuSCAT) simulation framework to rigorously validate the underlying modeling assumptions for our trajectory planner and then propose a method to transform this stochastic optimal control problem into a deterministic one tailored for use with an off-the-shelf nonlinear solver. Finally, we demonstrate the efficacy of our proposed algorithmic approach through extensive numerical experiments and show that it outperforms the state-of-the-practice benchmark used for representative missions.