論文の概要: From Orbit Matching to Docking: A Hierarchical Reinforcement-Learning Approach to Multiphase Rendezvous Trajectory Design
- arxiv url: http://arxiv.org/abs/2610.17468v1
- Date: Mon, 12 Oct 2026 22:30:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 18:46:51.552603
- Title: From Orbit Matching to Docking: A Hierarchical Reinforcement-Learning Approach to Multiphase Rendezvous Trajectory Design
- Title（参考訳）: 軌道マッチングからドッキングへ:多相レンデブー軌道設計への階層的強化学習アプローチ
- Abstract要約: 本研究では,自律型3自由度RPOのための階層的強化学習フレームワークを提案する。
学習された高レベルのマネージャポリシーは、進化する宇宙船の状態に基づいて、これらのフェーズ固有のコントローラの中から選択される。
トレーニングと推論のメトリクスは、個々のフェーズポリシーと完全な階層システムについても分析される。
- 参考スコア（独自算出の注目度）: 0.44221341725397895
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the complexity of space missions increases, autonomous spacecraft guidance must accommodate transitions between mission phases with distinct dynamics, objectives, and constraints. Rendezvous and proximity operations (RPO) are particularly challenging because they span multiple operating regimes, from orbital-scale matching and far-range approach to close-range maneuvering and terminal docking. Existing reinforcement-learning approaches generally address only a subset of this sequence or rely on manually defined switching conditions between controllers. This study presents a hierarchical reinforcement-learning framework for autonomous, three-degree-of-freedom RPO that spans the complete trajectory from orbit matching to docking. Five specialized policies are trained for orbit matching, far-range approach, mid-range approach, close-range approach, and docking. A learned high-level manager policy then selects among these phase-specific controllers based on the evolving spacecraft state. The hierarchical approach is evaluated over the full end-to-end rendezvous sequence and compared with a fixed sequential-invocation heuristic to assess trajectory performance and transition behavior. Training and inference metrics are also analyzed for the individual phase policies and the complete hierarchical system.
- Abstract（参考訳）: 宇宙ミッションの複雑さが増大するにつれて、自律的な宇宙船誘導は、異なるダイナミクス、目的、制約を持ったミッションフェーズ間の遷移を許容しなければならない。
レンデブーと近接操作(RPO)は、軌道規模のマッチングや遠距離アプローチから近距離操作や終端ドッキングまで、複数の運用体制にまたがるため、特に困難である。
既存の強化学習アプローチは一般的に、このシーケンスのサブセットだけに対処するか、コントローラ間で手動で定義された切替条件に依存している。
本研究では、軌道整合からドッキングまでの全軌道にまたがる自律3自由度RPOのための階層的強化学習フレームワークを提案する。
5つの特別なポリシーは、軌道整合、遠距離アプローチ、中距離アプローチ、近距離アプローチ、ドッキングのために訓練されている。
学習された高レベルのマネージャポリシーは、進化する宇宙船の状態に基づいて、これらのフェーズ固有のコントローラの中から選択される。
階層的なアプローチは、完全なエンドツーエンドのランデブーシーケンスに対して評価され、軌道性能と遷移挙動を評価するための固定されたシーケンシャル呼び出しヒューリスティックと比較される。
トレーニングと推論のメトリクスは、個々のフェーズポリシーと完全な階層システムに対しても分析される。
関連論文リスト
- Trajectory Planning without Trajectory Data: A Manifold-Guided Approach [57.305915458910725]
軌道計画の一般的な方法は、専門家軌道の大規模なコレクションで訓練された生成モデルを活用することである。
本稿では,基礎となる状態空間多様体を学習し,軌道計画に多様体の幾何学を用いる方法を提案する。
Maze2Dとロボットモーションプランニングのベンチマークの実験では、アリアドンは州のみの監督から実現可能な経路を構築している。
論文 参考訳（メタデータ） (2026-10-05T20:51:54Z) - Reachability-Informed Reinforcement Learning for Multi-Impulse Interplanetary Transfers [0.0]
本稿では,惑星間移動決定のための到達可能性解析インフォームド強化学習について述べる。
学習された意思決定プロセスの中心に中間的な経路選択を配置する。
平均演算コストは10.23 km/sで、検証済みの局所凸プログラミング基準より1.72%高い。
論文 参考訳（メタデータ） (2026-10-01T09:16:52Z) - Reinforcement Learning-Guided Evolutionary Policy Optimization for Preference-Adjustable Heterogeneous Agile Earth Observation Satellite Scheduling [50.176885352114674]
異質なアジャイル地球観測衛星(AEOS)のスケジューリングには、タスクの選択、衛星の割り当て、および観測シークエンシングが必要である。
本稿では、優先調整可能な重み付け目的を用いた異種AEOSスケジューリングのための進化的ポリシー最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-25T12:16:28Z) - Genetic Fuzzy System-based Control for Final Approach of Spacecraft Rendezvous and Proximity Operations [3.268970214362015]
宇宙でのサービス提供は、欠陥のあるコンポーネントを持つ宇宙船の運用を拡張するために大きな注目を集めている。
この研究は、追従者が円軌道上で協調目標に到達するためのファジィ推論システムに基づく制御装置を構築する。
論文 参考訳（メタデータ） (2026-08-13T03:11:51Z) - Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。
提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。
我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
論文 参考訳（メタデータ） (2026-05-05T04:49:38Z) - HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。
我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-04T04:12:47Z) - QoS-Aware Hierarchical Reinforcement Learning for Joint Link Selection and Trajectory Optimization in SAGIN-Supported UAV Mobility Management [52.15690855486153]
宇宙空間統合ネットワーク (SAGIN) がユビキタスUAV接続を実現するための重要なアーキテクチャとして登場した。
本稿では,SAGINにおけるUAVモビリティ管理を制約付き多目的関節最適化問題として定式化する。
論文 参考訳（メタデータ） (2025-12-17T06:22:46Z) - Semantic Trajectory Generation for Goal-Oriented Spacecraft Rendezvous [19.17542750072344]
SAGESは、自然言語コマンドを高安全性の意図を反映した宇宙船軌道に変換する。
セマンティック・ガイダンス・フォー・スペース・エンジン(Semantic Guidance for Space Engine)は、人間の指令と確実に一致した軌道を生成する。
最終的に、この論文は言語対応の宇宙船生成に向けた最初の一歩となる。
論文 参考訳（メタデータ） (2025-12-09T20:53:16Z) - Multi-Phase Spacecraft Trajectory Optimization via Transformer-Based Reinforcement Learning [2.034091340570242]
本研究では,単一ポリシアーキテクチャを通じて多相軌道最適化を統一するトランスフォーマーベースのRLフレームワークを提案する。
その結果, トランスフォーマーをベースとしたフレームワークは, 単純な場合だけでなく, 動的に異なる状況下で協調的な制御ポリシーを効果的に学習することを示した。
論文 参考訳（メタデータ） (2025-11-14T15:29:46Z) - End-to-End Steering for Autonomous Vehicles via Conditional Imitation Co-Learning [1.5020330976600735]
この課題に対処するために、条件付き模倣コラーニング(CIC)アプローチを導入する。
そこで我々は, 回帰と分類のギャップを埋めるために, 分類-回帰ハイブリッド損失を用いて, 操舵回帰問題を分類として提案する。
本モデルは,CIL法と比較して,見えない環境下での自律走行の成功率を平均62%向上させることを実証した。
論文 参考訳（メタデータ） (2024-11-25T06:37:48Z) - 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。