[논문 리뷰] A Survey on Artificial Intelligence Trends in Spacecraft Guidance Dynamics and Control

Dario Izzo, Marcus Märtens외 1명|arXiv (Cornell University)|2018. 12. 07.

Guidance and Control Systems참고 문헌 34인용 수 8

한 줄 요약

이 종합 검토는 인공지능, 특히 진화 최적화, 트리 탐색, 기계 학습(딥 강화 학습 포함)의 최근 발전을 인용하여 우주선 유도, 항법 및 제어에 대해 다룹니다. 화성 간 궤도 설계, 자율적인 소행성 착륙, 저추력 궤도 조율 등 성공적인 적용 사례를 제시하며, 복잡하고 불확실한 우주 임무에서 AI 기반 방법이 전통적 접근 방식을 능가함을 보여줍니다.

ABSTRACT

The rapid developments of Artificial Intelligence in the last decade are influencing Aerospace Engineering to a great extent and research in this context is proliferating. We share our observations on the recent developments in the area of Spacecraft Guidance Dynamics and Control, giving selected examples on success stories that have been motivated by mission designs. Our focus is on evolutionary optimisation, tree searches and machine learning, including deep learning and reinforcement learning as the key technologies and drivers for current and future research in the field. From a high-level perspective, we survey various scenarios for which these approaches have been successfully applied or are under strong scientific investigation. Whenever possible, we highlight the relations and synergies that can be obtained by combining different techniques and projects towards future domains for which newly emerging artificial intelligence techniques are expected to become game changers.

연구 동기 및 목표

• 현대 AI 기법이 우주선 유도, 운동역학 및 제어 시스템에 어떻게 통합되어 있는지 분석하기.
• 자율적인 우주 임무 설계 및 운영에서의 핵심 AI 기반 기술 발전을 규명하기.
• 진화 최적화, 트리 탐색, 기계 학습이 실제 임무 시나리오에서 성능 및 적용 가능성 측면에서 어떻게 평가되는지 평가하기.
• 딥 강화 학습과 신경진화학 등 AI 기법 간의 상호보완적 관계가 복잡한 우주 제어 문제 해결에 어떻게 기여하는지 강조하기.
• 임무 기반의 비공식적 결과에 중점을 두어 항공우주 분야에서의 AI 응용에 대한 실용자 중심의 개요 제공하기.

제안 방법

• 전역 궤도 최적화 및 제어 파rameter 조정을 위해 진화 최적화(예: CMA-ES, Differential Evolution, PSO)에 중점을 둡니다.
• 불확실성 하에서 지도 및 제어의 구조적 의사결정을 위해 트리 탐색 알고리즘을 적용합니다.
• 원격 감지 데이터 처리 및 천체 천체의 분류를 위해 딥 러닝(CNNs, DNNs)을 사용합니다.
• 고차원 상태-행동 공간에서 자율 제어를 위해 경험 재생 및 정책 기반 강화 학습 방법을 활용한 딥 강화 학습(DRL)을 적용합니다.
• 행 星 착륙 및 소행성 착륙의 제어 정책에서 DNN 가중치를 최적화하기 위해 신경진화학(예: PSO 기반 학습)을 통합합니다.
• GTOC 및 CTOC 경연 대회에서의 벤치마크를 활용하여 AI 기반 유도 알고리즘의 유효성과 비교 분석을 수행합니다.

실험 결과

연구 질문

• RQ1 진화 최적화 및 트리 탐색 방법은 복잡한 제약 조건 하에서 어떻게 우주선 궤도 설계를 향상시킬 수 있는가?
• RQ2 딥 강화 학습과 딥 신경망은 불확실한 우주 환경에서 어떻게 자율적이고 견고한 제어를 가능하게 하는가?
• RQ3 행 星 착륙 및 궤도 조율 임무에서 AI 기반 제어기의 성능은 전통적 유도 법칙 대비 얼마나 향상되는가?
• RQ4 딥 강화 학습과 신경진화학 등 AI 기법의 융합적 조합은 어떤 방식으로 우주 임무에서 시스템의 견고성과 수렴 속도를 향상시키는가?
• RQ5 보상 형상화와 경험 재생은 어떤 역할을 하여 우주 제어 작업을 위한 DRL 학습의 안정성과 가속도를 높이는가?

주요 결과

• DQN 및 정책 기반 강화 학습 방법을 활용한 딥 강화 학습은 전체 6-DOF 닫힘 루프 제어를 통해 연료 최적화된 정밀 착륙을 가능하게 하였습니다.
• PSO 기반 신경진화학을 통해 DNN 가중치를 성공적으로 학습시켜, 비정형 천체에서의 자율적 소행성 착륙과 견고한 정지 제어를 달성하였습니다.
• 경험 재생은 고차원 공간에서 DQN 학습을 크게 안정화시켜 위성 궤도 조율 시 장애물 회피 기능을 포함한 발산을 방지하였습니다.
• GTOC 및 CTOC 경연에서 검증된 결과에 따르면, AI 기반 방법이 행성 간 궤도 최적화에서 전통적 접근 방식을 능가하였습니다.
• DRL과 진화 알고리즘의 융합적 사용은 저추력 이동 및 편대 비행 시나리오에서 견고성과 수렴 속도를 향상시켰습니다.
• 보상 형상화는 정밀 착륙 및 연료 효율성과 같은 임무 기반 목표로 DRL 에이전트를 유도하는 데 핵심적인 역할을 하였습니다.