論文の概要: Towards Robust Spacecraft Trajectory Optimization via Transformers

• arxiv url: http://arxiv.org/abs/2410.05585v2
• Date: Sat, 25 Jan 2025 03:16:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:50:26.275210
• Title: Towards Robust Spacecraft Trajectory Optimization via Transformers
• Title（参考訳）: 変圧器によるロバスト宇宙機軌道最適化に向けて
• Authors: Yuji Takubo, Tommaso Guffanti, Daniele Gammelli, Marco Pavone, Simone D'Amico,
• Abstract要約: 我々は,非最適制御問題をリアルタイムに解くための自律生成モデルを開発した。 我々はARTの能力を拡張し、確率制約のある最適制御問題に対処する。 この作業は、宇宙船のような安全クリティカルな自律システムにAI駆動のソリューションを確実に展開するための最初のステップである。
• 参考スコア（独自算出の注目度）: 17.073280827888226
• License:
• Abstract: Future multi-spacecraft missions require robust autonomous trajectory optimization capabilities to ensure safe and efficient rendezvous operations. This capability hinges on solving non-convex optimal control problems in real-time, although traditional iterative methods such as sequential convex programming impose significant computational challenges. To mitigate this burden, the Autonomous Rendezvous Transformer (ART) introduced a generative model trained to provide near-optimal initial guesses. This approach provides convergence to better local optima (e.g., fuel optimality), improves feasibility rates, and results in faster convergence speed of optimization algorithms through warm-starting. This work extends the capabilities of ART to address robust chance-constrained optimal control problems. Specifically, ART is applied to challenging rendezvous scenarios in Low Earth Orbit (LEO), ensuring fault-tolerant behavior under uncertainty. Through extensive experimentation, the proposed warm-starting strategy is shown to consistently produce high-quality reference trajectories, achieving up to 30\% cost improvement and 50\% reduction in infeasible cases compared to conventional methods, demonstrating robust performance across multiple state representations. Additionally, a post hoc evaluation framework is proposed to assess the quality of generated trajectories and mitigate runtime failures, marking an initial step toward the reliable deployment of AI-driven solutions in safety-critical autonomous systems such as spacecraft.
• Abstract（参考訳）: 将来の多機のミッションは、安全かつ効率的なランデブー操作を保証するために、堅牢な自律軌道最適化機能を必要とする。 この能力は、非凸最適制御問題をリアルタイムに解くことに焦点を当てるが、シーケンシャル凸プログラミングのような伝統的な反復的手法は、重要な計算課題を課している。 この負担を軽減するために、Autonomous Rendezvous Transformer (ART)は、ほぼ最適な初期推定を提供するために訓練された生成モデルを導入した。 このアプローチは、より良い局所最適性(例えば、燃料の最適性)への収束を提供し、実現可能性の向上と、温暖化開始による最適化アルゴリズムの収束速度の向上をもたらす。 この研究はARTの能力を拡張し、確率制約のある最適制御問題に対処する。 具体的には、ARTは低地球軌道(LEO)のランデブーシナリオに適応し、不確実性の下での耐故障性を確保する。 提案手法は, 従来手法と比較して, コスト改善と50倍の削減を実現し, 複数状態表現にまたがる堅牢な性能を実証する。 さらに、生成されたトラジェクトリの品質を評価し、ランタイム障害を軽減するために、ポストホック評価フレームワークが提案されている。

関連論文リスト

• Transformer-based Model Predictive Control: Trajectory Optimization via Sequence Modeling [16.112708478263745]
  本稿では,最適化に基づく学習手法の主な強みを組み合わせた統合フレームワークを提案する。 我々のアプローチでは、最適化プロセス内に高容量、トランスフォーマーベースのニューラルネットワークモデルを組み込む必要がある。 純粋に最適化に基づくアプローチと比較すると,提案手法では最大75%の性能向上が期待できる。
  論文  参考訳（メタデータ） (2024-10-31T13:23:10Z)
• Generalizable Spacecraft Trajectory Generation via Multimodal Learning with Transformers [14.176630393074149]
  本稿では,様々な問題構成にまたがって一般化する新しいトラジェクトリ生成フレームワークを提案する。 我々は、データソースから学習できる高容量トランスフォーマーニューラルネットワークを活用している。 このフレームワークはフリーフライアプラットフォームでのシミュレーションと実験を通じて検証されている。
  論文  参考訳（メタデータ） (2024-10-15T15:55:42Z)
• OTClean: Data Cleaning for Conditional Independence Violations using Optimal Transport [51.6416022358349]
  sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。 我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
  論文  参考訳（メタデータ） (2024-03-04T18:23:55Z)
• Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach [58.57026686186709]
  本稿では, Convolutional Transformer Layer (ConvFormer) を導入し, ConvFormer-based Super-Resolution Network (CFSR) を提案する。 CFSRは畳み込みベースのアプローチとトランスフォーマーベースのアプローチの両方の利点を継承する。 CFSRは計算コストと性能のバランスが最適であることを示す実験である。
  論文  参考訳（メタデータ） (2024-01-11T03:08:00Z)
• Integrating Higher-Order Dynamics and Roadway-Compliance into Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
  軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。 既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。 このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
  論文  参考訳（メタデータ） (2023-09-25T22:30:18Z)
• Learning-Initialized Trajectory Planning in Unknown Environments [4.2960463890487555]
  未知の環境での自律飛行の計画には、空間軌道と時間軌道の両方を正確に計画する必要がある。 本稿ではニューラルdトラジェクトリ・プランナーを用いて最適化を導く新しい手法を提案する。 遅延計画に対する耐性を持って、堅牢なオンラインリプランニングをサポートするフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-19T15:07:26Z)
• Multi-Agent Deep Reinforcement Learning in Vehicular OCC [14.685237010856953]
  我々は車載OCCにおけるスペクトル効率最適化手法を提案する。 我々は最適化問題をマルコフ決定プロセス(MDP)としてモデル化し、オンラインで適用可能なソリューションの利用を可能にする。 提案手法の性能を広範囲なシミュレーションにより検証し,提案手法の様々な変種とランダムな手法との比較を行った。
  論文  参考訳（メタデータ） (2022-05-05T14:25:54Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)
• Reinforcement Learning for Low-Thrust Trajectory Design of Interplanetary Missions [77.34726150561087]
  本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。 最先端アルゴリズムのオープンソース実装が採用されている。 その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
  論文  参考訳（メタデータ） (2020-08-19T15:22:15Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)
• Guided Constrained Policy Optimization for Dynamic Quadrupedal Robot Locomotion [78.46388769788405]
  我々は,制約付きポリシー最適化(CPPO)の実装に基づくRLフレームワークであるGCPOを紹介する。 誘導制約付きRLは所望の最適値に近い高速収束を実現し,正確な報酬関数チューニングを必要とせず,最適かつ物理的に実現可能なロボット制御動作を実現することを示す。
  論文  参考訳（メタデータ） (2020-02-22T10:15:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。