Decentralized Bi-Level Optimization for Cooperative Orbital Transportation of a Rigid Payload
作者: Sidhdharth D. Sikka, Revathy Ravuri, Hei Yin Jowett Chan, Tim Echtermeyer, Shaoshuai Mou
分类: eess.SY, cs.MA, cs.RO
发布日期: 2026-10-22
备注: 10 pages, 6 figures, 4 tables
💡 一句话要点
提出去中心化双层优化框架以解决轨道运输问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 去中心化优化 轨道运输 航天器群体 非凸优化 蒙特卡洛仿真 燃料效率 闭环恢复
📋 核心要点
- 现有方法在处理非凸轨迹优化时存在约束执行不足和单点故障的问题，限制了其在复杂轨道运输中的应用。
- 本文提出的去中心化双层框架通过精确梯度驱动，将问题分解为内层的推力分配和外层的扭矩轨迹搜索，从而提高了效率。
- 通过广泛的蒙特卡洛仿真，验证了该方法在短时间内的性能提升，尤其是在处理飞行故障时的闭环恢复能力。
📝 摘要（中文）
随着太空经济的快速发展，轨道拥堵和碎片问题日益严重，迫切需要可靠的轨道运输方案。本文提出了一种去中心化的双层优化框架，旨在通过小型航天器群体高效运输大型非合作物体。该框架将问题分解为内层的凸推力分配和外层的载荷扭矩轨迹搜索，快速获得燃料高效的解决方案。理论收敛性得到了保障，并通过广泛的蒙特卡洛仿真验证了方法的有效性，包括从飞行故障中的闭环恢复。这些特性使得该框架非常适合航天器群体应用。
🔬 方法详解
问题定义：本文旨在解决大型非合作物体的轨道运输问题，现有方法在约束执行和单点故障方面存在不足，限制了其在复杂环境中的应用。
核心思路：提出的去中心化双层优化框架通过将问题分解为内层的凸推力分配和外层的载荷扭矩轨迹搜索，能够快速获得燃料高效的解决方案，避免了全局非线性规划的收敛需求。
技术框架：整体架构包括两个主要模块：内层模块负责推力的分配，确保每个航天器的推力满足约束；外层模块则进行载荷扭矩轨迹的搜索，以优化整体运输效果。
关键创新：该框架的核心创新在于去中心化的双层优化结构，能够有效避免单点故障，同时通过精确梯度提升了优化效率，与现有集中式方法形成鲜明对比。
关键设计：在设计中，采用了精确的梯度计算方法，确保了推力分配的准确性和效率，同时在损失函数中考虑了燃料消耗和轨迹优化的平衡。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在短时间内能够有效处理复杂的轨迹优化问题，尤其是在面对飞行故障时的闭环恢复能力表现优异。与传统方法相比，性能提升显著，验证了其在航天器群体应用中的有效性。
🎯 应用场景
该研究的潜在应用领域包括航天器群体的轨道运输、空间碎片清理和大型卫星的部署等。通过提高轨道运输的可靠性和效率，该框架可为未来的太空任务提供重要支持，推动太空经济的发展。
📄 摘要（原文）
The rapid growth of the space economy, alongside increasing orbital congestion and debris, is driving demand for reliable on-orbit transportation of large and non-cooperative objects. Performing such transportation with a swarm of small spacecraft distributes risk and removes the single point of failure inherent to monolithic architectures, but requires solving a non-convex trajectory optimization coupling every agent's cone-constrained thrust to the payload's rotational dynamics. Existing approaches span decentralized control laws with asymptotic guarantees but limited constraint enforcement, and centralized and partially centralized planners that reintroduce a single point of failure. In this work, we present a decentralized bi-level framework driven by exact gradients: the problem is split into an inner convex thrust allocation and an outer search over payload torque trajectories. This decomposition yields fuel-efficient solutions quickly, without requiring full NLP convergence, and at short timescales its performance scales with the number of agents. Theoretical convergence guarantees are established, and the method is validated through extensive Monte Carlo simulation, including closed-loop recovery from in-flight faults. These properties make the framework well suited to spacecraft swarm applications.