[论文解读] Neural-Rendezvous: Provably Robust Guidance and Control to Encounter Interstellar Objects

Hiroyasu Tsukamoto, Soon‐Jo Chung+4 more|arXiv (Cornell University)|Aug 9, 2022

Space Satellite Systems and Control被引用 5

一句话总结

Neural-Rendezvous 提出了一种基于深度学习的制导与控制框架，用于对高速移动的星际天体（ISOs）实现自主、实时拦截，并具备可证明的鲁棒误差边界。该方法结合了谱归一化的深度神经网络与最小范数控制，并采用随机增量稳定性分析，确保在 ISO 状态估计高度不确定的情况下仍能实现指数级误差衰减，已在 100 个 ISO 候选对象及无人机蜂群模拟中得到验证。

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.

研究动机与目标

• 解决在高相对速度和轨道约束不足的情况下，自主拦截星际天体（ISOs）的挑战。
• 通过实现完全自主的末段制导，克服人工干预制导在快速、不确定的 ISO 交会中的局限性。
• 开发一种实时、可证明鲁棒的控制策略，确保在状态估计不确定性与非线性动力学下仍能实现高精度交付。
• 在 ISO 轨道要素与航天器状态存在随机不确定性的情况下，建立航天器交付精度的理论误差边界。
• 通过数值模拟与高保真的硬件在回路测试（无人机蜂群）验证其实际可行性。

提出的方法

• 采用谱归一化的深度神经网络（SN-DNN）学习非线性制导策略，近似模型预测控制（MPC）。
• 集成逐点最小范数控制，以确保在状态估计误差存在时仍能实现最优能耗与稳定性。
• 制定损失函数，直接对 MPC 状态轨迹的跟踪误差进行惩罚，支持端到端训练。
• 应用随机增量稳定性分析，推导出非负函数 $ W(x,t) $ 的超鞅性质，明确考虑 ISO 状态不确定性。
• 利用 Dynkin 公式与 Ville 最大不等式，推导出期望交付误差的高概率指数边界。
• 通过李雅普诺夫分析确保状态估计集与控制集的正不变性，保证误差传播始终有界。

实验结果

研究问题

• RQ1 基于深度学习的制导策略是否能在高不确定性与高速度下，对星际天体交会实现可证明的有界交付误差？
• RQ2 如何利用随机增量稳定性推导出一个非负超鞅，以实时捕捉状态估计不确定性？
• RQ3 谱归一化的 DNN 在确保鲁棒性与实时性能的前提下，能在多大程度上近似最优 MPC 行为？
• RQ4 在轨道要素不确定与非线性动力学条件下，航天器对 ISO 的交付可建立何种理论误差边界？
• RQ5 该框架是否可在复杂、高冲突场景（如分布式无人机蜂群重构）中实现经验验证？

主要发现

• Neural-Rendezvous 实现了期望航天器交付误差的高概率指数边界，其证明基于随机增量稳定性与超鞅分析。
• 该框架确保期望误差随时间指数衰减，其边界与最终航天器质量的平方根成反比。
• 在数值模拟中，该误差边界在 100 个具有高相对速度与不确定轨道要素的多样化 ISO 候选对象中均得到满足。
• 经验验证表明，该方法在高保真航天器模拟器及最多 20 架无人机的分布式蜂群重构任务中均表现出鲁棒性能。
• 该方法保持了估计集与控制集的正不变性，确保在整个末段过程中不确定性始终有界。
• 理论框架保证：若初始状态估计位于指定置信集内，则航天器将始终处于期望轨迹附近的有界误差走廊内。