Инновации в адаптивном управлении для маневров траекторной коррекции космического корабля

Для космических аппаратов TCM адаптивное управление должно удовлетворять строгим ограничениям: ограниченная бортовая вычислительная мощность, работа в режиме реального времени и, прежде всего, гарантированная стабильность и надежность. Ранние работы в 1960-х и 1970-х годах по адаптивному управлению полетом для самолетов (например, программа X-15) заложили основу. Однако только в последние два десятилетия - с появлением более быстрых процессоров и более сложной теории управления - адаптивное управление стало возможным для миссий в глубоком космосе.

Ключевые архитектуры адаптивного управления для космических аппаратов

Модельный справочный адаптивный контроль (MRAC)

MRAC является одним из наиболее зрелых методов адаптивного управления. Он сравнивает фактическую реакцию космического аппарата на выход эталонной модели, которая воплощает желаемое поведение замкнутого цикла. Разница (погрешность отслеживания) приводит к закону адаптации, который обновляет выигрыши контроллера. Для ТКМ MRAC может компенсировать неопределенности, такие как неправильно идентифицированное выравнивание двигателя, изменения в центре массы и неожиданный крутящий момент от топливного слоша. Ключевое преимущество заключается в том, что MRAC не требует подробной модели системы - только разумная эталонная модель и механизм адаптации, который гарантирует конвергенцию ошибок.

Практические реализации были протестированы в программе летных испытаний NASA AirSTAR и в моделировании для космического корабля Orion. Для ТКМ MRAC может быть интегрирован в цикл наведения: эталонная траектория определяет желаемое увеличение скорости, а контроллер MRAC регулирует рабочий цикл двигателя, чтобы соответствовать этой траектории, несмотря на неизвестные нарушения. Одной из заметных проблем является потенциал высокочастотных колебаний (адаптивная «неуклюжесть»), если адаптационный прирост установлен слишком агрессивно. В последних работах используются операторы проекции и мертвые зоны для смягчения таких эффектов, что делает MRAC более безопасным для полета.

L1 Адаптивный контроль

Адаптивное управление L1 было разработано специально для решения проблемы надежности по сравнению с компромиссом производительности, который ограничивает MRAC. Он использует фильтр низкого пропуска в цикле управления, чтобы отделить адаптацию от надежности, позволяя быстро адаптироваться без захватывающей высокочастотной динамики. Контроллер состоит из предиктора состояния, закона адаптации и закона управления с фильтром. Для космических аппаратов TCM адаптивное управление L1, как было показано, восстанавливает номинальную производительность, даже когда система подвержена большим изменениям параметров и задержкам времени от связи.

NASA протестировало адаптивное управление L1 на субмасштабных самолетах и считает его сильным кандидатом на будущие космические миссии. Его способность обрабатывать насыщение привода и шум датчиков делает его особенно привлекательным для небольших спутников и CubeSats, где аппаратные ограничения являются серьезными. В исследованиях моделирования для низкоточных ТКМ адаптивное управление L1 снизило расход топлива на 15-20% по сравнению с ПИД с фиксированной прибылью при сохранении точности отслеживания в пределах угловых секунд.

Усиление обучения-базированный контроль

Усиление обучения (RL) предлагает принципиально другой подход: вместо ручной адаптации закон, контроллер (политика) учится оптимальные действия через пробно-ошибочное взаимодействие с окружающей средой. Для космических ТКМ, RL может обнаружить экономичные последовательности стрельб подруливающего устройства, которые учитывают сложные нелинейности и возмущения, которые трудно моделировать аналитически. Ранняя работа использовала глубокие Q-сети для управления отношением смоделированного спутника; более поздние исследования расширяет это до коррекции траектории, формулируя проблему как процесс решения Маркова с функцией вознаграждения, которая наказывает как погрешность положения, так и расход топлива.

Одной из перспективных архитектур является иерархическая RL, где политика высокого уровня решает, когда планировать TCM, а политика низкого уровня выполняет точный профиль тяги. Это уменьшает пространство поиска и повышает эффективность выборки. Знаковой демонстрацией была автономная навигация космического корабля НАСА Deep Space 1, который использовал форму обучения подкреплению на основе модели (хотя и не глубокого RL) для идентификации целей астероидов. Сегодня управление TCM на основе RL было проверено в высокоточных симуляциях Европейским космическим агентством (ESA) и, как ожидается, будет летать на демонстрационных миссиях технологии в течение следующего десятилетия.

Модель предиктивного контроля с адаптацией

Модели предиктивного управления (MPC) решает онлайн-задачу оптимизации на каждом шаге для вычисления управляющих входов, которые минимизируют функцию затрат на конечном горизонте. Включая адаптацию - либо путем обновления внутренней модели от данных датчиков (косвенных), либо путем адаптации весов затрат (прямых) - MPC становится адаптивным контроллером. Для ТКМ с двигателями с низкой тягой адаптивный MPC может планировать оптимальный профиль тяги в течение следующих нескольких секунд, а затем перепланировать по мере поступления новых измерений. Это особенно ценно для операций вблизи планеты, где гравитационные возмущения быстро меняются.

Недавняя работа в Лаборатории реактивного движения НАСА объединила MPC с рекурсивным оценщиком наименьших квадратов для идентификации коэффициента массы и тяги космического корабля в реальном времени. Обновленная модель затем повышает точность будущих прогнозов. Было показано, что адаптивный MPC для TCMs достигает почти теоретических траекторий минимального топлива в симуляции переносов Земли на Луну. Его основным недостатком является вычислительная стоимость, но по мере того, как бортовые процессоры становятся более мощными, он становится практичным для выполнения в реальном времени.

Реальные приложения и тематические исследования

Хотя полный адаптивный контроль для ТКМ еще не стал стандартом для всех космических миссий, несколько вех отмечают путь вперед. Миссия Deep Space 1, запущенная в 1998 году, успешно продемонстрировала автономную навигацию с использованием моделирования на основе обучения - предшественника современных методов на основе RL. Его бортовая система Autonav автономно исправляла ошибки траектории с использованием изображений известных астероидов, экономя недели ручного планирования наземного управления. Хотя сам закон управления не был адаптивным, способность системы обновлять свое навигационное состояние в режиме реального времени проложила путь для интегрированных адаптивных подходов, разрабатываемых сегодня.

Совсем недавно лунная миссия Европейского космического агентства использовала ионную тягу низкой тяги для достижения Луны, требуя сотни ТКМ. Система управления использовала простую технику планирования усиления, которая регулировала параметры контроллера в зависимости от радиуса орбиты — элементарная форма адаптации. Данные полета показали экономию топлива около 10% по сравнению с исходным уровнем фиксированной прибыли. С исследовательской стороны предложение NASA [FLT: 2] Space Technology 9 [FLT: 3] (ST9) планировало протестировать адаптивный контроль L1 на миссии по формированию-лета, хотя в конечном итоге он не был запущен. Тем не менее, лабораторные эксперименты и моделирование высокой точности последовательно продемонстрировали преимущества адаптивного управления для ТКМ.

В области CubeSat миссия Lunar IceCube и другие протестировали адаптивные навигационные алгоритмы, и в университетах, таких как Стэнфорд и Массачусетский технологический институт, активно проводятся исследования по использованию адаптивного MPC для обслуживания малых спутниковых станций.OSIRIS-REx миссия использовала обычный, наземный подход к планированию TCM, но ее успех подчеркнул ограничения: команда провела недели перепланировки после каждого маневра. Ожидается, что будущие миссии в глубоком космосе, такие как Europa Clipper и Dragonfly, будут включать больше бортовой автономии, вероятно, включая адаптивные элементы управления.