[논문 리뷰] Neural-Rendezvous: Provably Robust Guidance and Control to Encounter Interstellar Objects

Hiroyasu Tsukamoto, Soon‐Jo Chung외 4명|arXiv (Cornell University)|2022. 08. 09.

Space Satellite Systems and Control인용 수 5

한 줄 요약

Neural-Rendezvous는 스펙트르 정규화된 딥 뉴럴 네트워크와 최소 노름 제어, 확률적 점진 안정성 분석을 조합하여 고속 이주성 천체(ISO)의 자율적 실시간 추적을 위한 딥 러닝 기반 가이던스 및 제어 프레임워크를 제안한다. 이는 상태 추정의 높은 불확실성에도 불구하고 증명 가능하고 강건한 오차 경계를 보장하며, 100개의 ISO 후보자와 UAV 스웜 시뮬레이션을 통해 검증되었다.

ABSTRACT

Interstellar objects (ISOs) are likely representatives of primitive materials invaluable in understanding exoplanetary star systems. Due to their poorly constrained orbits with generally high inclinations and relative velocities, however, exploring ISOs with conventional human-in-the-loop approaches is significantly challenging. This paper presents Neural-Rendezvous -- a deep learning-based guidance and control framework for encountering fast-moving objects, including ISOs, robustly, accurately, and autonomously in real time. It uses pointwise minimum norm tracking control on top of a guidance policy modeled by a spectrally-normalized deep neural network, where its hyperparameters are tuned with a loss function directly penalizing the MPC state trajectory tracking error. We show that Neural-Rendezvous provides a high probability exponential bound on the expected spacecraft delivery error, the proof of which leverages stochastic incremental stability analysis. In particular, it is used to construct a non-negative function with a supermartingale property, explicitly accounting for the ISO state uncertainty and the local nature of nonlinear state estimation guarantees. In numerical simulations, Neural-Rendezvous is demonstrated to satisfy the expected error bound for 100 ISO candidates. This performance is also empirically validated using our spacecraft simulator and in high-conflict and distributed UAV swarm reconfiguration with up to 20 UAVs.

연구 동기 및 목표

• 고상대 속도와 잘 제약되지 않은 궤도를 가진 이주성 천체(ISO)를 자율적으로 추적하는 과제를 해결한다.
• 빠르고 불확실한 ISO 만남에서 인간이 개입하는 가이던스의 한계를 극복하여 완전히 자율적인 최종 단계 가이던스를 가능하게 한다.
• 상태 추정 불확실성과 비선형 역학성에도 불구하고 고정밀 도착을 보장하는 실시간으로 증명 가능한 강건한 제어 정책을 개발한다.
• ISO 궤도 요소와 우주선 상태의 확률적 불확실성 하에서 우주선 도착 정확도에 대한 이론적 오차 경계를 수립한다.
• 수치 시뮬레이션과 UAV 스웜을 이용한 고정밀 하드웨어 인 더 루프 테스트를 통해 실용적 타당성을 입증한다.

제안 방법

• 모델 예측 제어(MPC)를 근사하는 비선형 가이던스 정책을 학습하기 위해 스펙트르 정규화된 딥 뉴럴 네트워크(SN-DNN)를 활용한다.
• 상태 추정 오차가 존재하는 상황에서도 최적의 에너지 사용과 안정성을 확보하기 위해 점별 최소 노름 제어를 통합한다.
• MPC 상태 궤적의 추적 오차를 직접 페널티로 삼는 손실 함수를 제안하여 엔드 투 엔드 학습을 가능하게 한다.
• 확률적 점진 안정성 분석을 적용하여 비음수 함수 $ W(x,t) $ 에 대해 슈퍼마틴게일 성질을 도출하며, ISO 상태 불확실성을 명시적으로 고려한다.
• 딘킨의 공식과 빌레의 최대부등식을 사용하여 기대 도착 오차에 대한 고확률 지수 경계를 유도한다.
• 라플라스 기반 분석을 통해 상태 추정 및 제어 집합의 전방 불변성을 확보하여 오차 전파가 유한하게 유지됨을 보장한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 가이던스 정책이 고도의 불확실성과 높은 속도 하에서 이주성 천체 만남에 대해 증명 가능한 경계를 가진 도착 오차를 달성할 수 있는가?
• RQ2 확률적 점진 안정성을 어떻게 활용하여 실시간 제어에서 상태 추정 불확실성을 반영하는 음이 아닌 슈퍼마틴게일을 도출할 수 있는가?
• RQ3 스펙트르 정규화된 DNN는 최적의 MPC 행동을 얼마나 잘 근사할 수 있으며, 동시에 강건성과 실시간 성능을 보장할 수 있는가?
• RQ4 불확실한 궤도 요소와 비선형 역학성 하에서 이주성 천체에 대한 우주선 도착에 대해 어떤 이론적 오차 경계를 설정할 수 있는가?
• RQ5 이 프레임워크는 UAV 스웜 재구성과 같은 복잡하고 높은 갈등 요소를 가진 시나리오에서 경험적으로 검증될 수 있는가?

주요 결과

• Neural-Rendezvous는 확률적 점진 안정성과 슈퍼마틴게일 분석을 통해 기대 우주선 도착 오차에 대한 고확률 지수 경계를 달성한다.
• 이 프레임워크는 기대 오차가 시간이 지남에 따라 지수적으로 감소함을 보장하며, 이 경계는 최종 우주선 질량의 역제곱근에 비례한다.
• 수치 시뮬레이션에서 고상대 속도와 불확실한 궤도 요소를 가진 100개의 다양한 ISO 후보자에 대해 오차 경계가 충족됨을 확인하였다.
• 경험적 검증을 통해 고정밀 우주선 시뮬레이터와 최대 20대의 차량을 가진 분산 UAV 스웜 재구성 작업에서 뛰어난 성능을 입증하였다.
• 이 방법은 추정 및 제어 집합의 전방 불변성을 유지하여, 종료 단계 전반에 걸쳐 불확실성이 유한하게 유지됨을 보장한다.
• 이론적 프레임워크는 초기 상태 추정치가 지정된 신뢰 집합 내에 있을 경우, 우주선이 목표 궤도 주변의 유한 오차 코너 내에 머무름을 보장한다.