Trajectory Optimization for Near-Earth Asteroid Flyby from Distant Retrograde Orbits based on Mixture Density Network
تقترح هذه الورقة طريقة سريعة لتصميم المسارات لمهام التحليق بالقرب من الكويكبات المنطلقة من المدارات الرجعية البعيدة، وذلك عبر الجمع بين شبكة كثافة مختلطة لتوليد المسار الانتقالي الأولي مع خوارزمية جينية لتحسين مناورة الحضيض، محققةً تحسناً بنسبة 55.11% في كفاءة الحوسبة مقارنة بطرق البحث الشبكي التقليدية.
لطالما تم تصور استكشاف الفضاء العميق كسلسلة من القفزات الجريئة من الأرض، حيث تطلق مركبة فضائية محركاتها وتتجه مباشرة نحو هدف بعيد. ومع ذلك، بينما يبني البشر وجودًا أكثر ديمومة حول القمر، فإن نقطة الانطلاق لهذه الرحلات بدأت تتغير. فبدلاً من الإطلاق مباشرة من كوكبنا الأم، قد تبدأ المهمات المستقبلية من نقطة توقف خاصة في الفضاء بين الأرض والقمر تُعرف باسم المدار الرجعي البعيد. هذا المسار عبارة عن حلقة كبيرة ومستقرة تدور حول القمر في الاتجاه المعاكس لدورانه. ولأن الحفاظ عليه يتطلب القليل جدًا من الوقود، فإنه يعمل كبوابة موثوقة، مما يسمح للمركبات الفضائية بالانتظار هناك، أو إعادة التزود بالوقود، أو الاستعداد قبل القيام بالرحلة الطويلة إلى بقية النظام الشمسي. ومن أكثر الأهداف إثارة لهذه المهمات المستقبلية هي الكويكبات القريبة من الأرض، وهي البقايا الصخرية من نشأة نظامنا الشمسي. إن دراستها عن كثب يمكن أن تكشف أسرارًا حول كيفية تشكل حينا الكوكبي وتساعدنا على فهم كيفية حماية الأرض من الاصطدامات المحتملة. ومع ذلك، فإن التخطيط لرحلة من هذه البوابة القمرية إلى كويكب محدد أمر صعب للغاية؛ إذ يجب على المركبة الفضاء التنقل عبر صراع الجاذبية المعقد بين الأرض والقمر، وتوقيت خروجها بشكل مثالي، ثم تعديل سرعتها لتتطابق مع مسار الكويكب نفسه حول الشمس.
يكمن التحدي في العدد الهائل من الاحتمالات. فلتحديد مسار جيد، يتعين على المهندسين تقليديًا اختبار ملايين التركيبات المختلفة من أوقات المغادرة، وحركات المحركات، وزوايا الطيران. هذه العملية تشبه محاولة العث de إبرة في كومة قش عن طريق فحص كل قطعة قش واحدة تلو الأخرى؛ فهي دقيقة ولكنها بطيئة بشكل مؤلم. وقد طور فريق من الباحثين في المركز الوطني لعلوم الفضاء في الصين طريقة جديدة لحل هذه المشكلة تكون أسرع وأكثر ذكاءً. لقد أنشأوا نظامًا حاسوبيًا يتعلم من بيانات الطيران السابقة للتنبؤ بالمسارات الجيدة فورًا، بدلاً من حسابها من الصفر في كل مرة. يستخدم هذا النظام نوعًا من الذكاء الاصطنال يسمى "شبكة كثافة الخليط" (mixture density network). وخلافًا للبرامج الحاسوبية القياسية التي قد تخمن إجابة واحدة، فقد صُممت هذه الشبكة لتفهم أن هناك غالبًا طرقًا مختلفة للوصول من النقطة (أ) إلى النقطة (ب). ويمكنها توليد مجموعة متنوعة من مسارات الطيران المحتملة في وقت واحد، مدركة أن بعض المسارات قد تدور حول القمر في اتجاه ما بينما تتخذ مسارات أخرى منعطفًا مختلفًا، كل ذلك مع الالتزام بالقواعد الصارمة للجاذبية وقيود الوقود.
ولجعل هذا النظام يعمل، قام الباحثون أولاً برسم خرائط لمختلف "عائلات" المسارات التي يمكن للمركبة الفضاء اتخاذها عند مغادرة المدار الرجعي البعيد. واكتشفوا أن هذه المسارات تندرج تحت فئات متميزة بناءً على كيفية تفاعلها مع القمر والأرض. فبعض المسارات تطير مباشرة نحو الأرض، بينما تدور أخرى حول القمر أولاً. ومن خلال تعليم الكمبيوتر التعرف على هذه الفئات المحددة، يتجنب النظام الارتباك بسبب الرياضيات المعقدة التي تبطئ الحسابات عادةً. وبدلاً من اختبار كل احتمال بشكل أعمى، تستخدم الشبكة هذه الفئات المعروفة لتوليد قائمة مختصرة من نقاط البداية عالية الجودة للرحلة بسرعة. وبمجرد أن يقترح الكمبيوتر بضعة مسارات واعدة، تقوم عملية تحسين منفصلة بتنقيحها لضمان مثالية المسار للكويكب المستهدف تحديدًا. يسمح هذا النهج المكون من خطوتين للفريق بفحص مئات الكويكبات في جزء ضئيل من الوقت الذي يستغرقه استخدام الطرق التقليدية.
اختبر الباحثون طريقتهم الجديدة من خلال محاكاة مهمات إلى 326 كويكباً مختلفاً، بحثاً عن فرص للطيران بجانبها بين عامي 2029 و2031. وقارنوا نتائجهم بالطريقة القياسية القديمة المتمثلة في فحص كل مسار ممكن على شبكة. كانت الطريقة الجديدة أسرع بكثير، حيث أكملت التحليل لكل كويكب في حوالي 3.5 ثانية، مقارنة بنحو 8 ثوانٍ للطريقة التقليدية. والأهم من ذلك، أنها وجدت المزيد من مسارات الطيران القابلة للتطبيق، خاصة تلك التي تتطلب وقودًا أقل لتصحيحات المسار في منتصف الطريق. وأظهرت عمليات المحاكاة أنه من خلال البدء من المدار الرجعي البعيد بحركة محرك محددة تبلغ 1.5 كيلومتر في الثانية، يمكن للمركبة الفضاء الوصول إلى مجموعة واسعة من الكويكبات بكفاءة عالية. وعندما أخذ الفريق أحد هذه المسارات التي أنشأها الكمبيوتر واختبرها مقابل نموذج واقعي عالي التفصيل لجاذبية الفضاء يتضمن الشمس والأرض والقمر، صمد المسار بشكل مثالي. لقد تطلب الأمر فقط تعديلات طفيفة للوصول إلى الهدف، مما أثبت أن التصميم السريع المدعوم بالذكاء الاصطناعي كان دقيقًا بما يكفي للاستخدام في العالم الحقيقي.
يوضح هذا العمل أننا لسنا بحاجة إلى الاعتماد فقط على حسابات القوة الغاشمة لتخطيط مهمات الفضاء العميقة. فمن خلال الجمع بين استقرار المدارات القمرية والتعلم الحاسوبي الذكي، يمكننا تحديد أفضل الفرص لزيارة الكويكبات التي تشاركنا حينا. وتشير الدراسة إلى أنه بينما نبني البنية التحتية حول القمر، ستكون أدوات التصميم الذكية هذه ضرورية لتحويل المدار الرجعي البعيد إلى منصة إطلاق حقيقية لاستكشاف النظام الشمسي. إن القدرة على إيجال مسارات فعالة بسرعة تعني أنه يمكن التخطيط للمهمات المستقبلية بمرونة أكبر، مما قد يسمح بزيارات أكثر تكراراً لهذه الصخور القديمة وفهم أعمق لأصولنا الكونية.
ملخص تقني: تحسين المسار لرحلة تحليق بالقرب من كويكب قريب من الأرض من مدارات تراجعية بعيدة بناءً على شبكة كثافة الخليط
بيان المشكلة تتناول الورقة البحثية تحدي التصميم السريع لمسارات مهام التحليق بالقرب من الكويكبات القريبة من الأرض (NEA) المنطلقة من المدارات التراجعية البعيدة (DROs). تُعد المدارات التراجعية البعيدة (DROs) مراكز نقل مستقرة لاستكشاف الفضاء القريب من القمر والعميق، حيث توفر وفراً كبيراً في السرعة المتجهة (Δv) مقارنة بالانطلاق من المدار الأرضي المنخفض (LEO). ومع ذلك، ينطوي تصميم المسار من مدار DRO على اقتران غير خطي معقد بين ديناميكيات الأجسام الثلاثة (الأرض-القمر)، وتعديل طاقة الحضيض، والتحويلات الشمسية المركز.
تواجه الأساليب التقليدية عقبتين رئيسيتين:
التحسين العددي: تتطلب طرق مثل الخوارزميات الجينية أو التطور التفاضلي عمليات انتشار مسار مكثفة وعمليات تحسين متكررة، مما يؤدي إلى تكاليف حوسبة عالية.
الشبكات العصبية أو الطرق المعتمدة على الجداول المسبقة: تعتمد أساليب الشبكات العصبية الموجودة غالباً على خرائط حتمية، والتي تفشل في استيعاب طبيعة "واحد إلى كثير" لعمليات النقل من DRO (حيث يمكن لحالة انطلاق واحدة أن تؤدي إلى عائلات مسارات متميزة ومتعددة، مثل المسارات المتقدمة مقابل التراجعية، أو المسارات بوجود أو بدون تحليق قمري). علاوة على ذلك، تفتقر الشبكات العصبية القياسية إلى الأولويات الديناميكية، مما يؤدي إلى مشكلات مثل خلط الأنماط (modal mixing) وفقدان تكوينات المسار المحلية.
المنهجية يقترح المؤلفون إطار عمل هجين يجمع بين شبكة كثافة الخليط (MDN) وأولويات نوع المسار والتحسين العالمي. تنقسم المنهجية إلى ثلاث مراحل رئيسية:
النمذجة الديناميكية وتحليل التكوين:
تم تقسيم المهمة: تستخدم مرحلة الانتقال من DRO إلى الحضيض الأرضي نموذج المسألة المقيدة لثلاثة أجسام (CR3BP) للأرض والقمر، بينما تستخدم مرحلة الحضيض إلى الكويكب نموذج جسمين شمس مركزي (تحويل لامبرت).
يكشف تحليل البحث الشبكي أن عمليات النقل من DRO إلى الحضيض تظهر نطاق وصول غير منتظم وتكوينات مسار متميزة. وقد صنفها المؤلفون إلى ستة أنواع محددة بناءً على التفاعلات عند الحضيض القمري (لا يوجد، عكس عقارب الساعة، أو مع عقارب الساعة) ودوران الحضيض (متقدم أو تراجعي).
شبكة كثافة الخليط (MDN) مع أولويات نوع المسار:
لمعالجة طبيعة الحلول المتعددة، استخدم المؤلفون MDN، الذي ينمذج المخرجات كطبيعة توزيع خليط غاوسي بدلاً من قيمة حتمية.
الابتكار الرئيسي: على عكس شبكات MDN القياسية التي تعامل نوع المسار كمتغير كامن، أدخلت هذه الطريقة أنواع المسارات الستة كسمات مدخلة صريحة (أولويات). وهذا يحول المشكلة من نمذجة توزيع متعدد الأنماط ومعقد إلى نمذجة توزيعات شرطية أبسط لكل نوع مسار محدد.
تتضمن بنية الشبكة طبقة تضمين لنوع المسار، وهيكل أساسي مشترك مع طبقات متبقية (residual layers)، وفروع خاصة بكل مهمة للتنبؤ بأوزان اتجاه المناورة، ومعلمات التوزيع (المتوسط/التباين)، ونوع المسار نفسه.
تُستخدم استراتيجية خسارة مشتركة تجمع بين السلب اللوغاريتمي للاحتمالية (negative log-likelihood)، وتنظيم الإنتروبيا (لمنع انهيار التوزيع)، والقيود الزاوية، وخسارة تصنيف النوع.
التحسين العالمي والتصحيح:
تقوم شبكة MDN المدربة بتوليد حالات الحضيض المرشحة (الموقع، السرعة، واتجاه المناورة) بسرعة، والتي تلبي قيود المهمة. ចំនួន هذه الحالات تعمل كبدايات تخمينية لعملية تحسين عالمية باستخدام خوارزمية جينية. تشمل متغيرات التحسين زمن الحضيض، ومناورة الحضيض (Δv0)، وزمن التحويل، ومناورة تصحيح المسار المتوسط (Δv1).
يتم التحقق من المسار النهائي وتصحيحه باستخدام نموذج رباعي الأجسام (الشمس-الأرض-القمر) عالي الدقة.
المساهمات الرئيسية
دمج الأولويات الديناميكية: قدمت الورقة نهجاً مبتكراً لدمج أنواع المسارات المحددة فيزيائياً (المستمدة من تحليل CR3BP) مباشرة في مدخلات الشبكة العصبية. هذا يقلل من خلط الأنماط ويحسن استقرار ودقة التنبؤ متعدد الأنماط مقارنة بشبكات MDN القياسية أو المشفرات التلقائية التباينية الشرطية (CVAEs).
التوليد السريع للحل الأولي: تستبدل هذه الطريقة عمليات البحث الشبكي عالية الكثافة لقطاع الانتقال من DRO إلى الحضيض بشبكة مدربة، مما يسرع بشكل كبير توليد المسارات الأولية الممكنة.
إطار تحسين هجين: تظهر الدراسة سير عمل يستفيد من سرعة النماذج الديناميكية المبسطة (CR3BP + Lambert) للتصميم الأولي والبحث العالمي، مع التأكد من جدوى هذه الحلول من خلال التصحيح التفاضلي عالي الدقة.
النتائج
الدقة والاستعادة: في حالة اختبار بمناورة انطلاق قدرها 1.5 كم/ثانية وطور بزاوية 180 درجة (منطقة معقدة ونادرة محلياً)، نجحت شبكة MDN المقترحة في استعادة جميع تكوينات المسارات الأربعة الممثلة التي حددها البحث الشبكي. في المقابل، استعادت MDN القياسية اثنين فقط، بينما استعادت CVAE واحداً فقط.
الكفاءة الحسابية:
بالنسبة لحالة معقدة واحدة، استغرقت الطريقة القائمة على MDN (بما في ذلك التصحيح) 22.31 ثانية، مقارنة بـ 1369.75 ثانية للبحث الشبكي التقليدي.
في محاكاة متعددة الأهداف تشمل 326 كويكباً مرشحاً، حققت الطريقة المقترحة متوسط وقت معالجة قدره 3.53 ثانية لكل كويكب، مقارنة بـ 7.87 ثانية للبحث الشبكي. يمثل هذا تحسناً في الكفاءة الحسابية بنسبة 55.11%.
جودة الحل: ولدت الطريقة مسارات تحليق أكثر قابلية للتنفيذ تلبي قيود التصحيح المتوسط المنخفض (<0.2 كم/ثانية) مقارنة بطريقة البحث الشبكي، مما يدل على استكشاف أفضل لمساحة الحلول.
التحقق عالي الدقة: أظهرت حالة هدف واحد (الكويكب 163348) أن المسارات التي تم تحسينها تحت النموذج المبسط يمكن تصحيحها بنجاح في نموذج رباعي الأجسام عالي الدقة، مما يؤكد جدوى النهج المستخدم في تصميم المهمات العملية.
الأهمية والادعاءات تدعي الورقة أن إطار العمل المقترح القائم على MDN يوفر أداة فعالة لـ التصميم السريع للمسارات وتحليل الفرص لمهام التحليق بالقرب من الكويكبات المنطلقة من DROs. ومن خلال دمج الأولويات الديناميكية، تتغلب الطريقة على قيود الخرائط الحتمية والنماذج الاحتمالية القياسية في التعامل مع الطبيعة متعددة الأنماط المعقدة لعمليات النقل في الفضاء القريب من القمر.
يؤكد المؤلفون أنه بينما تترتب عملية تدريب الشبكة العصبية على تكلفة "خارج الخط" (offline)، فإن النموذج الناتج يسمح بالتوليد السريع للحلول الأولية لتحليلات المهمات واسعة النطاق ومتعددة السيناريوهات. هذه القدرة أمر بالغ الأهمية لفحص العديد من الكويكبات المرشحة وتحديد فرص التحويل منخفضة التكلفة، مما يدعم تطوير البنية التحتية للفضاء القريب من القمر وهياكل استكشاف الفضاء العميق القابلة لإعادة الاستخدام. لا تدعي الدراسة استبدال التحسين عالي الدقة، بل تهدف لتوفير تخمينات أولية عالية الجودة تقلل بشكل كبير من العبء الحسابي لعملية التصميم الإجمالية.