Optimization-Based Formation Flight on Libration Point Orbits

Este artículo presenta un marco de control predictivo basado en modelos (MPC) para el mantenimiento de formaciones de naves espaciales en órbitas de punto de libración, que utiliza programación convexa secuencial para resolver un problema de control óptimo no convexo bajo restricciones de trayectoria y demuestra, mediante simulaciones de alta fidelidad en una órbita halo casi rectilínea (NRHO), un consumo de combustible comparable a los métodos existentes mientras garantiza el cumplimiento de las restricciones de separación y fase solar.

Lo esencial

Imagina que tienes que organizar un baile de grupo en el espacio, pero con reglas muy estrictas y un escenario que está constantemente cambiando. Ese es el desafío que aborda este artículo: cómo mantener a un grupo de naves espaciales volando juntas de forma segura y eficiente cerca de un punto especial en el espacio llamado "Punto de Lagrange".

Aquí tienes la explicación, traducida a un lenguaje sencillo y con analogías creativas:

1. El Escenario: Un Baile en una Montaña Rusa Cósmica

Las naves no están orbitando la Tierra como satélites normales. Están cerca de la Luna, siguiendo una ruta muy extraña y alargada llamada Órbita de Halo Rectilínea (NRHO).

• La analogía: Imagina que la Luna y la Tierra son dos bailarines que se agarran de la mano y giran. Hay un punto en el espacio donde la gravedad de ambos se equilibra perfectamente. Las naves quieren bailar alrededor de ese punto.
• El problema: Este "baile" es inestable. Si te descuidas un segundo, la gravedad te empujará lejos. Además, las naves deben mantener una distancia específica entre ellas (no chocar, pero tampoco separarse demasiado) y deben poder verse entre sí sin que el Sol les tape la vista.

2. El Problema: ¿Cómo dirigir el baile sin gastar todo el combustible?

Anteriormente, los controladores de vuelo usaban reglas fijas o "mapas" predefinidos. Pero el espacio es caótico: hay errores en los sensores, el viento solar empuja las naves y los motores no son perfectos.

• El viejo método: Era como intentar conducir un coche por una carretera llena de baches mirando solo el espejo retrovisor y usando un mapa de papel que ya no es exacto. A veces, las naves se separaban demasiado o se acercaban peligrosamente entre los momentos en que el controlador las corregía.
• El nuevo método (MPC): Los autores crearon un "Cerebro Digital" que piensa constantemente. En lugar de seguir un mapa fijo, este cerebro simula el futuro varias veces antes de tomar una decisión.

3. La Solución: El "Cerebro" que Juega al Ajedrez

El sistema propuesto es un Control Predictivo Basado en Modelos (MPC). Funciona así:

• El Tablero de Ajedrez: Cada vez que una nave necesita corregir su rumbo (lo cual hacen solo dos veces por vuelta, para ahorrar combustible), el "Cerebro" calcula el mejor movimiento para todas las naves a la vez.
• La Regla de "No Chocar": Imagina que las naves tienen un campo de fuerza invisible a su alrededor. El sistema asegura que nunca entren en ese campo.
• El Truco del "Cinturón de Seguridad": Aquí está la parte más inteligente. Como el sistema sabe que los sensores fallan y el espacio es impredecible, aprieta el cinturón de seguridad.
  • Analogía: Si el límite de velocidad es 100 km/h, pero sabes que el camino es resbaladizo, decides conducir a 80 km/h. El sistema hace lo mismo: si las naves deben mantenerse a 10 km de distancia, el sistema les ordena mantenerse a 15 km "por si acaso". A medida que se acerca el momento de la corrección, el cinturón se afloja un poco, pero siempre mantiene un margen de seguridad. Esto evita que, entre una corrección y otra, las naves se choquen por error.

4. El Reto de la "Visibilidad Solar"

Hay otra regla difícil: las naves deben verse entre sí, pero el Sol no debe estar justo en medio de sus ojos (como cuando conduces de noche y los faros de un coche te ciegan).

• La analogía: Imagina que dos amigos caminan por un bosque. Quieren verse, pero no quieren que un árbol gigante (el Sol) se interpona entre ellos. El sistema calcula la ruta perfecta para que, incluso mientras giran alrededor de la Luna, nunca pierdan la vista del otro ni se ceguen con el Sol.

5. ¿Funciona? (Los Resultados)

Los autores probaron su sistema con una simulación muy realista (como un videojuego de altísima calidad) que incluye errores de navegación, fallos en los motores y empujes del viento solar.

• El resultado: ¡Funcionó! Las naves lograron mantener su formación durante meses sin chocar y sin perderse.
• El combustible: Lo más impresionante es que, a pesar de todas estas reglas estrictas y la incertidumbre, gastaron casi la misma cantidad de combustible que los métodos antiguos. Es como si lograran conducir de forma más segura sin tener que pisar más el freno.

En Resumen

Este papel presenta un nuevo "piloto automático" para grupos de naves espaciales. En lugar de seguir reglas rígidas, este piloto:

1. Piensa en el futuro (simula el camino).
2. Ajusta las reglas dinámicamente (aprieta los márgenes de seguridad cuando hay riesgo).
3. Coordina a todo el grupo a la vez para ahorrar combustible.

Es como tener un director de orquesta que no solo sabe la partitura, sino que escucha a cada músico, anticipa si alguien va a fallar una nota y ajusta la música en tiempo real para que el concierto sea perfecto, seguro y sin gastar energía extra.

Resumen técnico

Resumen Técnico: Control Predictivo Basado en Modelos para Vuelo en Formación en Órbitas de Puntos de Lagrange

1. Planteamiento del Problema

El artículo aborda el desafío de mantener formaciones de naves espaciales en órbitas alrededor de puntos de Lagrange (LPO), específicamente en la Órbita de Halo Rectilínea Cerca (NRHO) utilizada por la misión Gateway.

• Desafíos Dinámicos: Las dinámicas en el entorno de alta fidelidad (HFEM) son aperiódicas y variables en el tiempo, lo que dificulta la definición de superficies de centro exactas (como los toroides cuasi-periódicos o QPT) que se utilizan en modelos simplificados (CR3BP). Esto complica garantizar la "seguridad pasiva" (evitar colisiones sin control activo constante).
• Limitaciones de Enfoques Previos: Los métodos existentes a menudo desacoplan el control de posición absoluta (mantenerse cerca de la órbita de referencia) y el relativo (mantener la geometría de la formación). Esta separación es subóptima en consumo de combustible y requiere verificaciones adicionales de seguridad.
• Restricciones Operativas: Las maniobras son escasas (generalmente una o dos por revolución) debido a la sensibilidad dinámica cerca del perilune y a las limitaciones operativas. Además, es crucial mantener restricciones de tiempo continuo, como la separación mínima entre naves (seguridad) y el ángulo de fase solar relativo (para evitar que el Sol interfiera con las comunicaciones ópticas/radio).

2. Metodología Propuesta

Los autores desarrollan un marco de Control Predictivo Basado en Modelos (MPC) centralizado que resuelve un Problema de Control Óptimo Multi-Vehículo (MVOCP).

• Formulación del Problema:

  • El objetivo es minimizar el consumo total de combustible (impulsos) mientras se rastrea una trayectoria de referencia y se cumplen restricciones de camino en tiempo continuo.
  • Horizonte de Predicción: Se utiliza un horizonte de $N_{rev}$ revoluciones con dos nodos de control por revolución (ubicados en $\theta = 160^\circ$ y $200^\circ$, en la fase de apolune donde la dinámica es menos sensible).
  • Restricciones de Camino (Path Constraints):
    1. Separación Acotada: Límites inferior (evitar colisiones) y superior (comunicación) entre naves.
    2. Ángulo de Fase Solar Relativo: Limitado para garantizar la visibilidad óptica entre naves sin interferencia solar.

• Estrategias Clave para la Viabilidad y Seguridad:

  1. Reformulación Isoperimétrica (CTCS): Para evitar violaciones de restricciones entre los nodos de control (violaciones inter-muestreo), las restricciones de tiempo continuo se reformulan como restricciones isoperimétricas. Esto introduce variables de estado de holgura ($y$) cuya dinámica integra el cuadrado de la violación de la restricción, asegurando que la integral sea cero (cumplimiento estricto en tiempo continuo) dentro del problema de optimización finito-dimensional.
  2. Ajuste Progresivo de Restricciones (Constraint Tightening): Para garantizar la viabilidad recursiva en presencia de incertidumbres (errores de navegación, ejecución de control, modelado), las restricciones se "aprietan" progresivamente a lo largo del horizonte de predicción mediante una función heurística. Esto crea un margen de seguridad que permite que el problema siga siendo factible en el siguiente paso de tiempo, incluso si el estado real se desvía.
  3. Programación Convexa Secuencial (SCP): Dado que el MVOCP es no convexo, se resuelve utilizando un algoritmo de Programación Convexa Secuencial basado en el Lagrangiano Aumentado. Este método linealiza las dinámicas y las restricciones no convexas alrededor de una solución de referencia, resolviendo subproblemas convexos iterativamente hasta converger a un mínimo local.

• Modelo de Dinámica: Se utiliza un modelo de efemérides de alta fidelidad (HFEM) que incluye gravedad lunar (armónicos esféricos hasta grado 4), presión de radiación solar (SRP), y efectos de terceros cuerpos (Tierra y Sol). Se consideran incertidumbres en la inserción orbital, navegación, ejecución de control y modelado de SRP.

3. Contribuciones Principales

1. Formulación Unificada: Se presenta un MVOCP que regula simultáneamente el movimiento absoluto y relativo, integrando restricciones operativas y de seguridad directamente en la formulación de optimización, eliminando la necesidad de estructuras dinámicas aproximadas (como QPT) para la seguridad.
2. Cumplimiento de Restricciones en Tiempo Continuo: La aplicación de la reformulación isoperimétrica dentro de un esquema MPC para vuelo en formación asegura que las restricciones de separación y ángulo solar se cumplan en todo momento, no solo en los instantes de control.
3. Robustez ante Incertidumbres: La combinación de ajuste progresivo de restricciones y SCP permite mantener la viabilidad recursiva del controlador bajo condiciones de incertidumbre realistas (errores de navegación y ejecución).
4. Eficiencia de Combustible: El enfoque demuestra un consumo de combustible comparable o mejor que los métodos basados en coordenadas toroidales locales (LTC), a pesar de las restricciones adicionales.

4. Resultados Experimentales

Los autores evaluaron el método mediante simulaciones de Monte Carlo (100 muestras, 10 revoluciones, ~65.5 días) en un entorno HFEM. Se compararon cuatro escenarios:

• Experimento I: Restricciones de separación continuas (reformulación isoperimétrica).
• Experimento II: Restricciones de separación discretas (solo en nodos).
• Experimento III: Restricciones de separación + ángulo solar (continuas).
• Experimento IV: Restricciones de separación + ángulo solar (discretas).

Hallazgos Clave:

• Violaciones Inter-muestreo: Los enfoques discretos (II y IV) sufrieron frecuentes violaciones de las restricciones de seguridad entre los nodos de control, especialmente en la fase de perilune. El enfoque continuo (I y III) eliminó estas violaciones.
• Costo de Combustible:
  • El enfoque continuo (III) con restricciones de ángulo solar tuvo un costo promedio ~30% mayor que el enfoque solo con separación (I), pero un costo de 3-$\sigma$ solo ~2.4% mayor.
  • Comparado con el enfoque discreto (IV), el continuo (III) redujo el costo total en un ~53%, demostrando que la optimización global y el cumplimiento continuo son más eficientes que simplemente satisfacer restricciones en puntos aislados.
• Viabilidad: Con el ajuste progresivo de restricciones, el 100% de las simulaciones (100/100) lograron completar las 10 revoluciones sin violar restricciones ni perder viabilidad. Sin ajuste, solo el 50% tuvo éxito.
• Costo Anualizado: El costo proyectado es del orden de unos pocos cientos de cm/s por nave al año, comparable a métodos existentes pero con garantías de seguridad superiores.

5. Significado e Impacto

Este trabajo es significativo para las futuras misiones de constelaciones en el espacio cislunar y operaciones de proximidad (como las de la Gateway).

• Superioridad sobre Métodos Modulares: Demuestra que un enfoque de optimización unificada es superior a los esquemas modulares desacoplados, tanto en eficiencia de combustible como en capacidad de manejar restricciones complejas.
• Seguridad Garantizada: La capacidad de garantizar restricciones en tiempo continuo es crucial para misiones donde la colisión o la pérdida de comunicación son inaceptables.
• Aplicabilidad Operativa: El método es viable para naves con capacidades de control limitadas (maniobras impulsivas escasas) y funciona robustamente bajo las incertidumbres reales de navegación y modelado.

En conclusión, el marco propuesto ofrece una solución robusta, eficiente y segura para el control de formaciones en entornos dinámicos complejos, estableciendo un nuevo estándar para la guía y navegación de misiones en puntos de Lagrange.