基于深度学习的小行星探测器运动智能控制

Asteroid exploration will be the spotlight of the research in aerospace science in upcoming decade. Various missions, such as close flyby, orbiting, landing, driving and sampling were proposed by major space agencies. The difficulty of the orbit design and motion control in the vicinity of asteroids at least comes from the following four aspects. First, the complex nature of this type of problems. Asteroids are diverse in shapes, chemical composition and interior structures, and accordingly the gravitational field around them could be irregular and very different for each object. The orbital behavior around asteroids may differ significantly from that around the planets. Second, due to the limitation of measurements, spacecraft cannot obtain the complex information before approaching the target asteroid, e.g., the surface properties, the shape model. It has to repeat measurements and corrections simultaneously during the approaching, which increases the risk of near-field flight. Third, the low-gravity conditions of asteroids make traditional landing, anchoring and driving all the more hazardous. Finally, in deep space, it is hard to navigate, guide and control a spacecraft on a real-time basis remotely from the earth mainly due to the communication delay. Therefore, the intelligent control of a lander with high adaptability, high autonomy, high reliability and high extendibility is required for asteroid exploration. Artificial intelligence, especially deep learning which has profoundly change human social life and the world, is a possible solution to this crucial issue and deserves further study.

国际小行星探测任务从初期的近距飞越探测，发展到环绕着陆探测，再到采样与巡视探测。小行星附近轨道设计和运动控制存在如下难点：首先，小行星附近引力场复杂而不规则，同时受到太阳光压等多种摄动力影响，动力学环境十分复杂，因此，针对规则形状天体的开普勒轨道设计理论以及摄动理论不适用于小行星附近的轨道精确设计；其次，小行星物理参数缺乏先验信息，不同小行星表面性质差异巨大，或为坚硬地表，或为松散砂砾，具有很大的不确定性，给着陆与巡视探测提出了巨大挑战；第三，小行星引力十分微弱，探测器着陆、锚定、巡视等控制更加困难；第四，小行星与地球距离遥远存在通信延时，地面无法对探测器进行实时监视与操控。因此，高适应性、高自主性、高可靠性、高拓展性的轨道设计与运动控制成为小行星探测迫切需要解决的关键问题。借助近年来飞速发展的人工智能，特别是深度学习，是解决这个关键问题的一种可能方法，值得深入研究。

项目在小行星复杂引力场建模、小行星探测器训练环境构建、复杂场景适应与自主认知决策及其在典型航天任务中应用等方面，取得如下研究成果：. 利用深度神经网络拟合小行星复杂引力场，通过对深度神经网络的训练和测试，引力场拟合精度达到了99.5%以上，计算效率相比同等精度的多面体模型提高了三个数量级。采用神经网络拟合小行星着陆问题的协态，小行星着陆轨迹快速规划的求解收敛率接近100%. 针对小行星着陆燃料最优控制，提出了模型-性能指标双同伦快速求解小行星着陆燃料最优控制问题的方法。针对实际天体的复杂形状与内部密度结构，给出了一种将这两个因素对引力场的贡献进行拆分并分别计算的数学方法，对于引力建模问题具有自然的灵活性。. 为实现探测器的控制策略训练所依赖的大量数据生成，并保证复杂场景中训练数据的收敛性，提出轨迹优化的协态变量初始化方法。将切换系统优化模型与小推力优化模型相结合，实现不同系统之间的切换和联系。提出小行星表面任意外形探测器六自由度动力学仿真方法，并开发出对应C和fortran混合语言程序包。兼具计算精度与速度双重优势，可以对小行星表面探测器进行大规模高精度动力学仿真，并构建智能小行星探测器训练环境。. 针对连续推力多小行星探测任务，使用深度神经网络对连续推力最优转移时间进行快速准确估计，重点关注转移时间短的轨迹的预测精度，并结合集束搜索寻找最优的小行星探测序列。在多航天器多目标轨迹优化中，提出启发式多搜索树优化方法。