科学家通过强化学习研究了最佳多脉冲线性交会

多脉冲轨道交会是一个经典的航天器轨迹优化问题，长期以来得到了广泛的研究。数值优化方法、深度学习(DL)方法、强化学习(RL)方法已经被提出。然而，对于数值优化方法来说，它们需要较长的计算时间，并且通常对于具有幅度约束的多脉冲交会情况无效。对于机器学习(ML)方法来说，DL方法需要大量数据，而RL方法存在效率低下的弱点。尽管如此，机器学习对短期范围的预测更为准确，而强化学习则对长期范围的预测更准确。结合两者的优点，可以对策略进行不同的预训练。在最近发表在《太空：科学与技术》上的一篇研究论文中，

首先，作者提供了描述多脉冲线性交会问题的数学模型和所使用的 RL 算法，并提出了基于 RL 的交会设计方法。对于多脉冲线性交会问题，交会的相对运动通常由二体线性相对运动方程表示。基于线性方程组，采用约束优化来求解多脉冲交会问题，其中优化变量为脉冲矢量和脉冲时间。对于燃料最优轨道交会问题，目标函数是总速度增量;对于时间最优轨道交会问题，目标函数是交会时间。此外，脉冲幅度限制、时间限制、并制定了终端距离约束。对于 RL，目标是训练策略π ( a | s ) 学习如何映射状态s 和动作a 以便最大化奖励信号 ℛ( s , a)用于与其环境交互的代理。为此，多脉冲交会问题被认为是完全可观察的马尔可夫决策过程(MDP)。在这个强化学习中，采用了行动批评家(AC)架构，因为它在各种复杂的控制问题上具有最先进的性能。此外，优势加权AC(AWAC)算法通过使用较小的专家数据集来加速强化学习。对于所有测试的数据集大小，AWAC 始终可以比 SAC 更快地达到专家性能，并且与 IL 相比，AWAC 可以使用较小的专家数据集达到更好的性能。综上所述，假设航天器可以根据其当前状态进行机动，具有马尔可夫特性，交会设计被表述为 RL 问题。状态向量 s 的公式化反映了航天器的状态和相关问题变量。政策网络π ( a | s ) 输出基于状态的动作。动作向量a 包含脉冲和滑行周期。定义了 ℛ，燃料最佳轨道交会问题的单个时间步长的奖励或 MDP 的瞬时奖励。此外，为了获得更近的终端距离，结合RL方法使用半解析方法。整体算法方案如图2所示。

然后，作者在四种情况下研究了所提出的交会任务方法。对于随机初始状态下的燃料最优轨道交会，目标轨道随机偏心率满足[0.65，0.75]均匀分布，目标近地点高度设定为500 km。最大操纵次数设置为6，脉冲幅度限制设置为5 m/s。使用 DE 生成的 1000 条轨迹的专家数据集来加速 RL 的训练，结果表明使用专家数据集的算法可以在更少的时间步内收敛。在具有不同最大距离的随机初始状态下进行了一百次实验，以评估基于强化学习的方法的性能。与DE算法相比，基于RL的方法的燃料消耗增加了约10%;然而，计算时间不到DE算法的0.1%。对于固定初始状态下的燃料最佳轨道交会点，使用一种特殊情况，即目标和追踪器都在地球静止转移轨道附近移动。考虑两种情况：(1) 6 脉冲交会，其中 RL 策略的解与 DE 的解进行比较;(2) 20 脉冲交会，其中 RL 策略生成的控制变量用作用于进一步优化的 SQP 初始值。图 8 说明了 2 个解决方案中每个脉冲的幅度。SQP解的最后3个脉冲几乎为零，即用16个脉冲实现了燃料最佳轨道交会。相比之下，基于强化学习的解决方案具有更均匀的脉冲幅度变化。对于随机初始状态下的时间最优轨道交会点，实验场景参数与燃料最优轨道交会点场景参数相同。基于 RL 的方法仅需要 0.02% 的计算时间即可获得可行的解决方案，且奖励仅比数值优化少 15%。对于固定初始状态下的最佳时间轨道交会问题，也采用6脉冲和20脉冲轨道交会问题进行评估。表 5 显示了两种进近的滑行时间和每次机动的速度增量。由于策略网络倾向于学习一般规律，因此基于强化学习的解决方案具有更均匀的控制变量变化。基于 RL 的方法仅需要 0.02% 的计算时间即可获得可行的解决方案，且奖励仅比数值优化少 15%。对于固定初始状态下的最佳时间轨道交会问题，也采用6脉冲和20脉冲轨道交会问题进行评估。表 5 显示了两种进近的滑行时间和每次机动的速度增量。由于策略网络倾向于学习一般规律，因此基于强化学习的解决方案具有更均匀的控制变量变化。基于强化学习的方法仅需要 0.02% 的计算时间即可获得可行的解决方案，且奖励仅比数值优化少 15%。对于固定初始状态下的最佳时间轨道交会问题，也采用6脉冲和20脉冲轨道交会问题进行评估。表 5 显示了两种进近的滑行时间和每次机动的速度增量。由于策略网络倾向于学习一般规律，因此基于强化学习的解决方案具有更均匀的控制变量变化。表 5 显示了两种进近的滑行时间和每次机动的速度增量。由于策略网络倾向于学习一般规律，因此基于强化学习的解决方案具有更均匀的控制变量变化。表 5 显示了两种进近的滑行时间和每次机动的速度增量。由于策略网络倾向于学习一般规律，因此基于强化学习的解决方案具有更均匀的控制变量变化。

最后，作者得出结论。结论包括一些结论性意见。在本研究中，针对燃料最优和时间最优目标设计了单独的奖励函数。数值结果表明，经过训练的智能体可以在随机初始状态下设计具有不同目标的最佳多脉冲交会机动。该方法对于椭圆轨道附近的任意多脉冲交会是有效的，特别是在大量脉冲的情况下。所提出的方法可以快速产生比全局优化方法稍差的可行解决方案，使其成为时间敏感情况下的有吸引力的选择。训练好的智能体生成的交汇轨迹也可以作为进一步优化的初始值。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！