論文の概要: Tight Constraint Prediction of Six-Degree-of-Freedom Transformer-based Powered Descent Guidance

• arxiv url: http://arxiv.org/abs/2501.00930v1
• Date: Wed, 01 Jan 2025 19:07:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:11:44.270653
• Title: Tight Constraint Prediction of Six-Degree-of-Freedom Transformer-based Powered Descent Guidance
• Title（参考訳）: 6自由度変圧器を用いたパワードライス誘導のタイト制約予測
• Authors: Julia Briden, Trey Gurga, Breanna Johnson, Abhishek Cauligi, Richard Linares,
• Abstract要約: 本研究は変圧器をベースとした逐次凸化(T-SCSCx)を導入し,6倍の発散時間を実現する。 最適問題の解における制約の集合を予測することを学ぶことにより、T-SCSCx は制約の厳密さだけで最小限の大きさの問題を発生させる。
• 参考スコア（独自算出の注目度）: 1.1254693939127909
• License:
• Abstract: This work introduces Transformer-based Successive Convexification (T-SCvx), an extension of Transformer-based Powered Descent Guidance (T-PDG), generalizable for efficient six-degree-of-freedom (DoF) fuel-optimal powered descent trajectory generation. Our approach significantly enhances the sample efficiency and solution quality for nonconvex-powered descent guidance by employing a rotation invariant transformation of the sampled dataset. T-PDG was previously applied to the 3-DoF minimum fuel powered descent guidance problem, improving solution times by up to an order of magnitude compared to lossless convexification (LCvx). By learning to predict the set of tight or active constraints at the optimal control problem's solution, Transformer-based Successive Convexification (T-SCvx) creates the minimal reduced-size problem initialized with only the tight constraints, then uses the solution of this reduced problem to warm-start the direct optimization solver. 6-DoF powered descent guidance is known to be challenging to solve quickly and reliably due to the nonlinear and non-convex nature of the problem, the discretization scheme heavily influencing solution validity, and reference trajectory initialization determining algorithm convergence or divergence. Our contributions in this work address these challenges by extending T-PDG to learn the set of tight constraints for the successive convexification (SCvx) formulation of the 6-DoF powered descent guidance problem. In addition to reducing the problem size, feasible and locally optimal reference trajectories are also learned to facilitate convergence from the initial guess. T-SCvx enables onboard computation of real-time guidance trajectories, demonstrated by a 6-DoF Mars powered landing application problem.
• Abstract（参考訳）: 本研究はトランスフォーマーをベースとした推力誘導誘導(T-PDG)の拡張である逐次凸化(T-SCvx)を導入し,効率の良い6自由度(DoF)燃料最適降下軌道生成を実現する。 提案手法は,サンプルデータセットの回転不変変換を用いることにより,非凸型降下誘導における試料効率と解の質を著しく向上する。 T-PDG は3-DoF の最小燃料動力降下誘導問題に適用され、損失のない凸化 (LCvx) と比較して解時間を最大で最大で改善した。 最適制御問題の解における厳密なあるいは活発な制約のセットを予測することを学ぶことで、トランスフォーマーベースの逐次凸化(T-SCvx)は、厳密な制約のみを初期化して最小限の縮小サイズの問題を発生させ、この縮小された問題の解を用いて直接最適化解法を温め始める。 6-DoFによる降下誘導は, 非線形・非凸性, 解の有効性に大きく影響を及ぼす離散化スキーム, 基準軌道初期化決定アルゴリズムの収束や偏差などにより, 迅速かつ確実な解法であることが知られている。 本研究における貢献は, 連続凸化(SCvx)の厳密な制約を学習するために T-PDG を拡張することで, これらの課題に対処するものである。 問題サイズの削減に加えて、初期推定から収束を促進するために、実現可能かつ局所最適基準軌道も学習される。 T-SCvxは6-DoF火星搭載着陸アプリケーション問題で実証されたリアルタイム誘導軌道の計算を可能にする。

関連論文リスト

• Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
  将来の多機のミッションでは、安全かつ効率的なランデブー操作を確保するために、堅牢な自律的な最適化機能が必要である。 この負担を軽減するため、生成トランスフォーマーモデルを導入し、ロバストな最適初期推定を提供する。 この研究はARTの機能を拡張し、堅牢な制約付き最適制御問題に対処する。
  論文  参考訳（メタデータ） (2024-10-08T00:58:42Z)
• Improving Computational Efficiency for Powered Descent Guidance via Transformer-based Tight Constraint Prediction [1.2074552857379275]
  Transformer-based Powered Descent Guidance (T-PDG) は、宇宙船による降下誘導問題の直接最適化の計算量を削減するスケーラブルなアルゴリズムである。 T-PDGは、従来の軌道最適化アルゴリズムからのデータを使用して、トランスフォーマーニューラルネットワークをトレーニングし、問題パラメータ間の関係を正確に予測する。 最終軌道を返す前に、T−PDGに実現可能性チェックを組み込むことにより、安全で最適な解が保証される。
  論文  参考訳（メタデータ） (2023-11-09T04:26:25Z)
• Revisiting Implicit Differentiation for Learning Problems in Optimal Control [31.622109513774635]
  本稿では,非離散的制約付き離散最適制御(COC)問題から生じる最適軌道を微分する新しい手法を提案する。 軌道導関数は時間ステップ数で線形にスケールし,モデルサイズで拡張性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-10-23T00:51:24Z)
• Constrained Optimization via Exact Augmented Lagrangian and Randomized Iterative Sketching [55.28394191394675]
  等式制約付き非線形非IBS最適化問題に対する適応的不正確なニュートン法を開発した。 ベンチマーク非線形問題,LVMのデータによる制約付きロジスティック回帰,PDE制約問題において,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-28T06:33:37Z)
• Unsupervised Optimal Power Flow Using Graph Neural Networks [172.33624307594158]
  グラフニューラルネットワークを用いて、要求された電力と対応するアロケーションとの間の非線形パラメトリゼーションを学習する。 シミュレーションを通して、この教師なし学習コンテキストにおけるGNNの使用は、標準解法に匹敵するソリューションにつながることを示す。
  論文  参考訳（メタデータ） (2022-10-17T17:30:09Z)
• A Variance-Reduced Stochastic Gradient Tracking Algorithm for Decentralized Optimization with Orthogonality Constraints [7.028225540638832]
  直交制約付き分散最適化のための新しいアルゴリズムを提案する。 VRSGTは、サンプリングと通信の複雑さを同時に低減する直交制約付き分散最適化のための最初のアルゴリズムである。 数値実験では、VRGTSは現実の自律的なサンプルにおいて有望な性能を持つ。
  論文  参考訳（メタデータ） (2022-08-29T14:46:44Z)
• Deep $\mathcal{L}^1$ Stochastic Optimal Control Policies for Planetary Soft-landing [9.714390258486569]
  本稿では,PDG(Powered-Descent Guidance)問題に対する新たなディープラーニングベースのソリューションを提案する。 我々のSOCは、最小限の燃料消費のために予め規定された$mathcalL1制約を実質的に扱える。 制御器は燃料消費を最小限に抑えつつ、逆円錐の底部に全軌道を安全に着陸させることができることを実証した。
  論文  参考訳（メタデータ） (2021-09-01T04:28:38Z)
• Boosting Data Reduction for the Maximum Weight Independent Set Problem Using Increasing Transformations [59.84561168501493]
  最大重み独立集合問題に対する新しい一般化データ削減および変換規則を導入する。 驚くべきことに、これらのいわゆる増進変換は問題を単純化し、還元空間を開き、アルゴリズムの後にさらに小さな既約グラフが得られる。 提案アルゴリズムは, 1つのインスタンスを除くすべての既約グラフを計算し, 従来よりも多くのインスタンスを最適に解き, 最高の最先端解法よりも最大2桁高速に解き, 解法DynWVCやHILSよりも高品質な解を求める。
  論文  参考訳（メタデータ） (2020-08-12T08:52:50Z)
• 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)
• Balancing Rates and Variance via Adaptive Batch-Size for Stochastic Optimization Problems [120.21685755278509]
  本研究は,ステップサイズの減衰が正確な収束に必要であるという事実と,一定のステップサイズがエラーまでの時間でより速く学習するという事実のバランスをとることを目的とする。 ステップサイズのミニバッチを最初から修正するのではなく,パラメータを適応的に進化させることを提案する。
  論文  参考訳（メタデータ） (2020-07-02T16:02:02Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)

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。