論文の概要: Optimizing Mission Planning for Multi-Debris Rendezvous Using Reinforcement Learning with Refueling and Adaptive Collision Avoidance

• arxiv url: http://arxiv.org/abs/2602.05075v1
• Date: Wed, 04 Feb 2026 21:49:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.634119
• Title: Optimizing Mission Planning for Multi-Debris Rendezvous Using Reinforcement Learning with Refueling and Adaptive Collision Avoidance
• Title（参考訳）: 再給油・適応衝突回避による強化学習による多層レンデブーの計画最適化
• Authors: Agni Bandyopadhyay, Gunther Waxenegger-Wilfing,
• Abstract要約: 本研究では, アクティブデブリ除去ミッションにおける適応衝突回避のための強化学習に基づく枠組みを提案する。 小型衛星は、柔軟性、コスト効率、操縦性から採用され、ADRのようなダイナミックなミッションに適している。 このフレームワークは、補給戦略、効率的なミッション計画、適応衝突回避を統合し、宇宙船のランデブー操作を最適化する。
• 参考スコア（独自算出の注目度）: 22.261628532402067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the orbital environment around Earth becomes increasingly crowded with debris, active debris removal (ADR) missions face significant challenges in ensuring safe operations while minimizing the risk of in-orbit collisions. This study presents a reinforcement learning (RL) based framework to enhance adaptive collision avoidance in ADR missions, specifically for multi-debris removal using small satellites. Small satellites are increasingly adopted due to their flexibility, cost effectiveness, and maneuverability, making them well suited for dynamic missions such as ADR. Building on existing work in multi-debris rendezvous, the framework integrates refueling strategies, efficient mission planning, and adaptive collision avoidance to optimize spacecraft rendezvous operations. The proposed approach employs a masked Proximal Policy Optimization (PPO) algorithm, enabling the RL agent to dynamically adjust maneuvers in response to real-time orbital conditions. Key considerations include fuel efficiency, avoidance of active collision zones, and optimization of dynamic orbital parameters. The RL agent learns to determine efficient sequences for rendezvousing with multiple debris targets, optimizing fuel usage and mission time while incorporating necessary refueling stops. Simulated ADR scenarios derived from the Iridium 33 debris dataset are used for evaluation, covering diverse orbital configurations and debris distributions to demonstrate robustness and adaptability. Results show that the proposed RL framework reduces collision risk while improving mission efficiency compared to traditional heuristic approaches. This work provides a scalable solution for planning complex multi-debris ADR missions and is applicable to other multi-target rendezvous problems in autonomous space mission planning.
• Abstract（参考訳）: 地球周辺の軌道環境が破片で混雑するにつれて、アクティブデブリ除去(ADR)ミッションは、軌道内衝突のリスクを最小限に抑えつつ、安全な運用を確保する上で重大な課題に直面している。 本研究では,ADRミッションにおける適応衝突回避のための強化学習(RL)に基づくフレームワークを提案する。 小型衛星は、柔軟性、コスト効率、操縦性から採用され、ADRのようなダイナミックなミッションに適している。 マルチデブリランデブーにおける既存の作業に基づいて、このフレームワークは再給油戦略、効率的なミッション計画、適応衝突回避を統合して宇宙船ランデブーの運用を最適化する。 提案手法ではPPOアルゴリズムを用いて,実時間軌道条件に応じてRLエージェントが動的に操作を調整できる。 主な考慮事項は、燃料効率、アクティブ衝突帯の回避、動的軌道パラメータの最適化である。 RLエージェントは、必要な燃料補給停止を組み込んだ状態で、複数のデブリ目標と待ち合わせし、燃料使用量とミッション時間を最適化する効率的なシーケンスを決定することを学習する。 Iridium 33のデブリデータセットから得られたシミュレーションされたADRシナリオは、さまざまな軌道配置とデブリ分布をカバーし、堅牢性と適応性を示す。 提案したRLフレームワークは,従来のヒューリスティックアプローチと比較してミッション効率を向上しながら,衝突リスクを低減する。 この研究は、複雑なマルチデブリADRミッションを計画するためのスケーラブルなソリューションを提供し、自律的な宇宙ミッション計画における他のマルチターゲットランデブー問題に適用できる。

関連論文リスト

• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• Agile Tradespace Exploration for Space Rendezvous Mission Design via Transformers [22.891825351056823]
  宇宙船のランデブーは軌道上でのサービスとデブリの除去を可能にし、スケーラブルな宇宙経済の基礎を形成している。 本稿では,幅広い飛行時間のミッションを設計するための枠組みを提案する。 このフレームワークは、より少ないイテレーションでソリューションに一般化する高品質な初期推定を提供する。
  論文  参考訳（メタデータ） (2025-10-03T22:28:46Z)
• TLE-Based A2C Agent for Terrestrial Coverage Orbital Path Planning [0.0]
  低地球軌道(LEO)の混雑は、地球観測衛星の効率的な展開と安全な運用に永続的な課題をもたらす。 本研究では,Advantage Actor-Critic (A2C) アルゴリズムを用いて衛星軌道パラメータを精密な地上被覆のために最適化する強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-14T17:44:51Z)
• Low-altitude UAV Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.23178920029957]
  本稿では,低高度無人航空機(UAV)による衛星海上通信システムを提案する。 安全衛星・海上通信多目的最適化問題(SSMCMOP)を定式化する。 動的かつ長期の最適化問題を解くため、マルコフ決定過程に再構成する。 次に,トランスサック (TransSAC) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-26T10:13:51Z)
• On-orbit Servicing for Spacecraft Collision Avoidance With Autonomous Decision Making [0.0]
  本研究は、宇宙船衝突回避演習(CAM)を支援するために、AIによるOOSミッションの実装を開発する。 本稿では、RL(Reinforcement Learning)を用いて訓練された自律型サーベイラを提案し、ターゲット衛星と宇宙デブリの衝突を自律的に検出し、絶滅危惧衛星とのランデブーとドッキングを行い、最適なCAMを実行する。
  論文  参考訳（メタデータ） (2024-09-25T17:40:37Z)
• AI-Driven Risk-Aware Scheduling for Active Debris Removal Missions [0.0]
  低地球軌道でのデブリは、宇宙の持続可能性と宇宙船の安全性に対する重大な脅威である。 装甲輸送車両(OTV)は破片の軌道離脱を促進し、将来の衝突リスクを減らす。 深部補強学習(DRL)に基づく装甲決定計画モデルを構築し,OTVを最適デブリ除去シークエンシングを計画する。 提案手法を用いることで、最適なミッションプランを見つけ、衝突リスクの高い破片のリスクハンドリングを含む自律的に計画の更新を学べることが示されている。
  論文  参考訳（メタデータ） (2024-09-25T15:16:07Z)
• GEO satellites on-orbit repairing mission planning with mission deadline constraint using a large neighborhood search-genetic algorithm [2.106508530625051]
  本稿では,多対多の軌道修正ミッション計画のための大規模近傍探索適応型遺伝的アルゴリズム(LNS-AGA)を提案する。 多くの軌道上の修理シナリオでは、いくつかのサーベイリング宇宙船とターゲット衛星がGEO軌道にあり、RAANと真の異常がある。 ミッションの目的は、すべての衛星が修理された全ての衛星の総コストを最小化するために、すべての衛星の最適なサービスシーケンスと軌道ランデブー時間を見つけることである。
  論文  参考訳（メタデータ） (2021-10-08T03:33:37Z)
• 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)

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。