[论文解读] Random Finite Set Theory and Optimal Control for Large Spacecraft Swarms.

Bryce Doerr, Richard Linares+2 more|arXiv (Cornell University)|Oct 1, 2018

Distributed Control Multi-Agent Systems被引用 3

一句话总结

本文提出了一种基于随机有限集（RFS）理论的大型航天器编队最优控制框架，采用模型预测控制（MPC）和迭代线性二次调节器（ILQR）来管理不确定性与计算复杂性。该方法通过ILQR成功实现对编队强度向目标位置的高效引导，并在航天器相对运动仿真中得到验证。

ABSTRACT

Controlling large swarms of robotic agents has many challenges including, but not limited to, computational complexity due to the number of agents, uncertainty in the functionality of each agent in the swarm, and uncertainty in the swarm's configuration. This work generalizes the swarm state using Random Finite Set (RFS) theory and solves the control problem using model predictive control (MPC) which naturally handles the challenges. To determine more computationally efficient solutions, iterative linear quadratic regulator (ILQR) is also explored. This work uses information divergence to define the distance between swarm RFS and a desired distribution. A stochastic optimal control problem is formulated using a modified L2^2 distance. Simulation results using MPC and ILQR show that swarm intensities converge to a target destination, and the RFS control formulation can vary in the number of target destinations. ILQR also provides a more computationally efficient solution to the RFS swarm problem when compared to the MPC solution. Lastly, the RFS control solution is applied to the spacecraft relative motion problem showing the viability for this real-world scenario.

研究动机与目标

• 解决大型机器人航天器编队控制中的计算与不确定性挑战。
• 利用RFS理论对编队状态进行随机最优控制问题建模，以表示不确定的个体数量与构型。
• 通过MPC与ILQR开发计算高效的控制解决方案，以实现实时适用性。
• 在真实的航天器相对运动场景中验证RFS控制框架。
• 量化ILQR相较于MPC在计算效率方面的性能提升。

提出的方法

• 将编队状态表示为随机有限集（RFS），以建模不确定的个体数量与空间构型。
• 使用信息散度与改进的L2^2距离定义控制代价，以度量实际与期望RFS分布之间的偏差。
• 实施模型预测控制（MPC），通过滚动时域优化求解随机最优控制问题。
• 探索迭代线性二次调节器（ILQR）作为RFS控制中MPC的计算高效替代方案。
• 在连续空间中建立控制问题，对相对航天器运动进行动力学建模。
• 通过仿真评估在MPC与ILQR下编队强度向目标位置收敛的表现。

实验结果

研究问题

• RQ1 RFS理论如何被有效应用于建模与控制具有不确定成员与构型的大型航天器编队？
• RQ2 MPC在不确定性条件下对基于RFS的编队系统是否能提供鲁棒的控制性能？
• RQ3 ILQR能否在显著降低计算成本的前提下，实现与MPC相当的控制性能？
• RQ4 RFS控制公式如何处理编队控制问题中目标数量变化的情况？
• RQ5 所提出的RFS控制框架在真实世界航天器相对运动场景中的可行性如何？

主要发现

• 基于RFS的控制公式能够成功引导编队强度向目标位置移动，即使目标数量发生变化。
• 模型预测控制（MPC）实现了编队强度向期望分布的稳定收敛。
• 迭代线性二次调节器（ILQR）相较于MPC为同一RFS控制问题提供了更具计算效率的解决方案。
• 使用信息散度与改进的L2^2距离可有效度量实际与期望编队分布之间的偏差。
• RFS控制框架已在航天器相对运动场景中得到验证，证明其在真实空间任务中的实际适用性。
• 仿真结果确认，MPC与ILQR均能实现收敛，且ILQR在性能与计算负载之间提供了更优的权衡。