面向最优小行星接近操作的端到端模仿学习
End-to-End Imitation Learning for Optimal Asteroid Proximity Operations
AI总结：
本文针对深空小行星附近航天器控制中计算与燃料效率低、状态确定困难的问题，提出基于神经网络的端到端算法和MPC引导的模仿学习控制器，从原始传感器数据生成近最优控制指令并提升计算效率。
摘要：
在深空中控制小行星附近的航天器面临诸多挑战。通信延迟使得必须大量使用有限的星载计算资源，而燃料效率仍然是优先考虑的因素，以支持采集数据所需的长时间驻留。此外，由于缺乏传统参考系统，状态确定的困难要求制导、导航与控制（GNC）流程在理想情况下既具有计算效率又具有燃料效率，并且包含鲁棒的状态确定系统。本文提出一种端到端算法，利用神经网络从原始传感器数据生成近最优控制指令，以及一种混合模型预测控制（MPC）引导的模仿学习控制器，相比传统MPC控制器在计算效率上有所提升。
英文摘要：
Controlling spacecraft near asteroids in deep space comes with many challenges. The delays involved necessitate heavy usage of limited onboard computation resources while fuel efficiency remains a priority to support the long loiter times needed for gathering data. Additionally, the difficulty of state determination due to the lack of traditional reference systems requires a guidance, navigation, and control (GNC) pipeline that ideally is both computationally and fuel-efficient, and that incorporates a robust state determination system. In this paper, we propose an end-to-end algorithm utilizing neural networks to generate near-optimal control commands from raw sensor data, as well as a hybrid model predictive control (MPC) guided imitation learning controller delivering improvements in computational efficiency over a traditional MPC controller.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
