Pretrained Approximators for Low-Thrust Trajectory Cost and Reachability

Ce papier présente des substituts d'apprentissage automatique qui approximent avec précision et efficacité les coûts de trajectoire à faible poussée et l'accessibilité en exploitant une loi d'échelle et une transformation auto-similaire pour généraliser à divers environnements orbitaux sans réentraînement.

L'essentiel

Imaginez que vous êtes un planificateur de mission spatiale cherchant à déterminer la meilleure façon de faire voler un vaisseau spatial de la Terre vers un astéroïde en utilisant un moteur très faible, mais très efficace (comme un propulseur ionique à dérive lente).

Autrefois, déterminer la trajectoire parfaite pour chaque mission individuelle revenait à essayer de résoudre un puzzle mathématique massif et complexe à partir de zéro à chaque fois que l'on voulait se rendre quelque part de nouveau. Il fallait des supercalculateurs des jours pour calculer une seule trajectoire. Si vous vouliez vérifier mille astéroïdes différents, vous attendriez des années.

Ce papier présente un nouveau « assistant intelligent » (un modèle d'apprentissage automatique) qui agit comme un pilote spatial chevronné ayant mémorisé des millions de trajectoires. Au lieu de résoudre le puzzle mathématique à chaque fois, l'assistant prédit instantanément la quantité de carburant nécessaire et la durée du voyage.

Voici une décomposition de la manière dont ils ont construit cet assistant et pourquoi cela fonctionne si bien, en utilisant des analogies simples :

1. La découverte de la « loi d'échelle » : Plus c'est grand, mieux c'est

Les chercheurs ont remarqué quelque chose d'intéressant : plus ils donnaient de « problèmes d'entraînement » à l'ordinateur, et plus ils rendaient le « cerveau » de l'ordinateur « intelligent » (en ajoutant plus de couches de neurones), mieux il devenait dans la prédiction des trajectoires.

• L'analogie : Pensez-y comme apprendre à jouer aux échecs. Si vous jouez 10 parties, vous devenez correct. Si vous jouez 10 000 parties contre un maître, vous devenez très bon. Ils ont découvert qu'il n'y avait pas de « plafond » à la mesure dans laquelle l'ordinateur pouvait s'améliorer ; tant qu'ils lui donnaient plus de données et un cerveau plus grand, il continuait de s'améliorer de manière linéaire.

2. La méthode « Rayon d'homotopie » : S'entraîner sur le bord

Pour entraîner cet assistant, ils avaient besoin d'un ensemble de données massif de trajectoires spatiales. Mais si vous choisissez simplement au hasard des points de départ et d'arrivée dans l'espace, la plupart sont impossibles à atteindre avec un moteur à faible poussée. Cela reviendrait à demander à un étudiant de résoudre des problèmes mathématiques où 99 % des réponses sont « impossibles ».

• L'analogie : Au lieu de deviner au hasard, ils ont utilisé une méthode appelée « Rayon d'homotopie ». Imaginez que vous avez un élastique tendu entre deux points (une trajectoire valide et facile). Vous tirez lentement sur l'élastique de plus en plus fort jusqu'à ce qu'il soit sur le point de se rompre. Ce « point de rupture » est le bord de ce qui est possible.
• Ils ont généré des millions de trajectoires en commençant par des faciles et en les étirant lentement vers la limite. Cela a assuré que l'ordinateur apprenait les trajectoires les plus critiques, difficiles et utiles — celles juste au bord de la faisabilité — plutôt que de perdre du temps sur des trajectoires impossibles.

3. Le « Traducteur universel » : Voir le même motif partout

L'un des plus grands problèmes des modèles d'IA précédents était qu'ils ressemblaient à des spécialistes qui ne savaient voler que vers Mars. Si vous leur posiez des questions sur Jupiter, ils échouaient.

• L'analogie : Les chercheurs ont réalisé que la physique du voyage spatial est « auto-similaire ». Un voyage de la Terre vers un astéroïde proche ressemble mathématiquement à un voyage de Jupiter vers une lune, simplement mis à l'échelle en taille et en temps.
• Ils ont créé un « Traducteur universel » pour les données. Avant de fournir les nombres à l'IA, ils ont éliminé les détails spécifiques (comme « c'est à 1 million de kilomètres ») et converti tout en rapports relatifs (comme « c'est 10 fois la distance de départ »).
• Le résultat : L'IA a appris la forme du problème, et pas seulement les nombres spécifiques. Cela signifie que le même modèle d'IA entraîné sur des données Terre-Mars peut prédire instantanément des trajectoires pour Terre-Jupiter ou même autour de différentes planètes sans avoir besoin d'être réentraîné. C'est comme enseigner à quelqu'un de conduire une voiture ; une fois qu'il connaît les règles de la route, il peut conduire une Ford ou une Toyota sans nouvelle leçon.

4. Ce que l'IA fait réellement

L'équipe a construit deux « cerveaux » spécifiques :

• Le Calculateur de carburant : Étant donné un point de départ, un point d'arrivée et une limite de temps, il prédit exactement la quantité de carburant que vous brûlerez.
• Le Calculateur de temps : Étant donné un point de départ, un point d'arrivée et un budget de carburant, il prédit le temps le plus rapide possible pour y arriver.

5. Preuve que cela fonctionne

Ils n'ont pas simplement affirmé que cela fonctionnait ; ils l'ont testé de trois manières :

• Défi public : Ils l'ont testé sur un ensemble de données créé par d'autres scientifiques. Leur IA était nettement plus précise que les méthodes précédentes, en particulier pour les trajectoires à faible carburant et délicates.
• Le jeu « Saut d'astéroïdes » : Ils l'ont utilisé pour une célèbre compétition de missions spatiales (GTOC4) où l'objectif est de visiter le plus d'astéroïdes possible dans un temps donné. L'IA a aidé à concevoir une trajectoire très efficace.
• La carte « Porkchop » : Dans la planification de missions, les ingénieurs dessinent des « graphiques porkchop » (des cartes montrant les meilleures dates de lancement et les temps de voyage). Traditionnellement, dessiner l'une de ces cartes prend des jours de temps de supercalculateur. L'IA a généré ces cartes en une fraction de seconde, permettant aux planificateurs de voir instantanément les « points doux » pour le lancement des missions.

Résumé

Ce papier présente un outil d'IA « préentraîné » qui agit comme un raccourci universel pour la planification des voyages spatiaux. En s'entraînant sur un ensemble de données massif et intelligemment généré et en utilisant un système de « traduction » pour ignorer les détails non pertinents, l'IA peut indiquer instantanément aux planificateurs de missions la quantité de carburant et le temps qu'un voyage à faible poussée prendra, indépendamment de la destination ou de la planète. Cela transforme un processus qui prenait auparavant des jours de calculs lourds en une prédiction en une fraction de seconde, rendant beaucoup plus facile la conception de futures missions spatiales ambitieuses.

Résumé technique

Résumé Technique : Approximateurs Préentraînés pour le Coût et la Faisabilité des Trajectoires à Faible Poussée

Énoncé du Problème

La propulsion électrique à faible poussée est une technologie critique pour les missions spatiales modernes, offrant une impulsion spécifique élevée et une grande flexibilité. Cependant, son application modifie fondamentalement la conception des trajectoires, passant de manœuvres impulsives à des lois de contrôle continues dérivées de la résolution de problèmes de contrôle optimal non linéaires. Bien que des méthodes de contrôle optimal haute fidélité existent, leur coût computationnel est prohibitif pour la conception de missions en phase précoce et l'optimisation globale, où les concepteurs doivent évaluer des millions de transferts candidats sous des conditions aux limites variables.

Les techniques d'approximation existantes, telles que les méthodes analytiques (de type Edelbaum) ou semi-analytiques (basées sur Lambert), sont efficaces sur le plan computationnel mais souvent limitées à des régimes dynamiques spécifiques. Les approches basées sur les bases de données offrent une précision supérieure mais se dégradent en dehors de leurs domaines d'entraînement. Les récents modèles de substitution par apprentissage automatique (réseaux de valeur) montrent des promesses mais font face à des limitations : ils sont généralement entraînés sur des scénarios étroitement définis, manquent de généralisation à travers différents régimes orbitaux ou corps centraux, et souffrent d'une pénurie de jeux de données publics et de modèles préentraînés, entravant la validation indépendante.

Méthodologie

1. Génération de Données : La Méthode du Rayon d'Homotopie

Pour remédier à la pénurie de données et au biais de distribution, les auteurs proposent une Méthode du Rayon d'Homotopie pour générer des jeux de données à grande échelle orientés vers les missions.

• Stratégie : Au lieu d'un échantillonnage aléatoire uniforme, qui produit de nombreux transferts non réalisables, la méthode démarre avec des solutions orbitales képlériennes réalisables. Elle déforme ensuite progressivement ces solutions le long d'un « rayon » aléatoire dans l'espace des conditions aux limites (perturbant les vitesses initiales et terminales) vers la frontière de faisabilité.
• Continuation : Un paramètre d'homotopie contrôle la déformation. Les variables costates de la solution précédente servent de guesses initiaux pour la méthode de tir à chaque étape, assurant une convergence rapide.
• Ciblage : Cette stratégie peuple densément la région réalisable et la frontière critique de faisabilité (où les transferts deviennent irréalisables ou nécessitent un carburant maximal), des régions les plus pertinentes pour l'optimisation mais souvent sous-représentées dans les jeux de données aléatoires.
• Échelle : La méthode a généré un jeu de données d'environ 100 millions d'échantillons de trajectoires, couvrant des transferts à un tour et multi-tours, une large gamme d'éléments orbitaux (excentricité 0–1, inclinaison 0–180°), et des paramètres de propulsion diversifiés.

2. Formulation du Problème et Méthodes Indirectes

Le jeu de données est construit en résolvant deux problèmes de contrôle optimal utilisant une méthode indirecte (Principe du Minimum de Pontryagin) transformée en Problèmes aux Limites à Deux Points (TPBVP) :

• Optimalité en Carburant : Minimise la consommation de propergol.
• Optimalité en Temps : Minimise le temps de transfert.
• Techniques : Les auteurs emploient des éléments équinoxiaux modifiés (MEE) pour éviter les singularités, une homotopie logarithmique pour lisser les commandes bang-bang, et une normalisation des vecteurs costates pour améliorer la convergence. Pour les transferts multi-tours optimaux en temps, une contrainte « orbite-à-orbite » (assouplissant la longitude vraie finale) est utilisée pour éviter les bifurcations et assurer une convergence robuste.

3. Réduction de Dimensionnalité et Transformation Auto-Similaire

Pour permettre à un modèle unique de se généraliser à travers différents scénarios de mission sans réentraînement, les auteurs introduisent une transformation auto-similaire qui exploite les invariances physiques :

• Invariance Rotationnelle : Le système de coordonnées est tourné de sorte que la position de départ s'aligne sur l'axe x et que la position d'arrivée se trouve dans le plan xy, éliminant trois degrés de liberté redondants.
• Invariance Dimensionnelle : Les variables sont adimensionnalisées en utilisant une longueur de référence ($L_0 = \|r_0\|$) et un temps ($T_0 = \sqrt{L_0^3/\mu}$). Cela élimine la dépendance explicite aux échelles absolues et au paramètre gravitationnel $\mu$.
• Caractéristiques d'Entrée : Le vecteur d'entrée est réduit de 17 variables à 11 caractéristiques indépendantes et sans dimension. Crucialement, les solutions du solveur de Lambert (caractéristiques de transferts à deux impulsions) sont intégrées comme caractéristiques d'entrée pour fournir de fortes priors physiques.

4. Architecture du Réseau de Neurones

• Un Tour : Réseaux de neurones profonds standards avec 9 couches cachées et 128 neurones par couche.
• Multi-Tours : Pour gérer la non-linéarité accrue et la commutation de contrôle, des Perceptrons Multicouches Résiduels (ResMLP) avec connexions de saut sont employés.
• Loi d'Échelle : Les auteurs observent que l'erreur d'approximation diminue linéairement avec le logarithme de la taille du jeu de données et du nombre de paramètres du modèle, sans preuve de saturation dans le régime exploré. Cela a guidé la décision d'augmenter la taille du jeu de données plutôt que d'augmenter indéfiniment la complexité du modèle.

Contributions Clés

1. Observation de la Loi d'Échelle : L'article fournit des preuves empiriques que l'approximation des trajectoires à faible poussée suit une loi d'échelle, où la performance s'améliore systématiquement avec l'augmentation des données et de la capacité du modèle, justifiant la construction de jeux de données massifs.
2. Génération de Données par Rayon d'Homotopie : Une stratégie novatrice pour générer des jeux de données de haute qualité, centrés sur les frontières, qui capturent efficacement les régions critiques de l'espace de conception (faible carburant et frontières de faisabilité).
3. Généralisation Auto-Similaire : L'introduction d'une transformation permettant à un modèle préentraîné unique de se généraliser à travers différents demi-grands axes, inclinaisons, corps centraux et paramètres de propulsion, éliminant le besoin de réentraînement spécifique au scénario.
4. Publication Open-Source : Les auteurs mettent à disposition de la communauté les modèles entraînés, le jeu de données à grande échelle et le code d'implémentation (C++, Python, MATLAB).

Résultats et Performance

Les modèles ont été validés sur trois fronts :

1. Référence sur Jeu de Données Public : Testé sur le jeu de données d'Acciarini et al. [34]. Le modèle proposé a atteint une Erreur Absolue Moyenne (MAE) de 9,73 m/s (1,21 % d'erreur relative) pour la prédiction du carburant, surpassant significativement le modèle de référence (65,49 m/s, 8,26 %), en particulier dans le régime de faible poussée ($\Delta v < 1000$ m/s).
2. Mission Multi-Volants GTOC4 : Appliqué à une mission de survol de 49 astéroïdes sur 10 ans. Le modèle a prédit avec précision les besoins en $\Delta v$ par segment (MAE ~10 m/s), permettant une évaluation de trajectoire quasi-optimale et démontrant son utilité dans la planification de missions séquentielles complexes.
3. Génération de Cartes Porkchop : Utilisé pour le criblage rapide des missions de rendez-vous Terre-astéroïde. Le modèle de substitution a généré des paysages de coûts (cartes porkchop) en un temps négligeable par rapport aux jours requis par les solveurs haute fidélité, identifiant avec précision les fenêtres de faible coût réalisables et gérant des cas où les solveurs traditionnels échouaient à converger en raison d'optima locaux.

Métriques de Précision :

• Un Tour : Erreur Relative Moyenne (MRE) de 0,014 % pour le carburant ($\Delta v$) et 0,63 % pour le temps ($\Delta t$).
• Multi-Tours : MRE de 0,003 % pour le carburant et 0,54 % pour le temps.

Signification et Revendications

L'article revendique que ce travail modifie le paradigme de l'évaluation des trajectoires à faible poussée, passant d'un flux de travail « résolvez et réentraînez » par scénario à un modèle préentraîné réutilisable pour la tâche. En tirant parti des lois d'échelle et des symétries physiques, le cadre comble le fossé entre le contrôle optimal coûteux en calcul et l'exploration rapide de la conception de missions.

Les auteurs soulignent que leur approche abaisse la barrière à l'entrée pour les non-spécialistes (par exemple, les planétologues), leur permettant d'effectuer rapidement des évaluations de faisabilité et de coûts pour les missions interplanétaires de nouvelle génération sans nécessiter une expertise approfondie en théorie du contrôle optimal. Les modèles sont présentés comme des substituts polyvalents et haute fidélité capables de gérer une grande variété de paramètres de conception de missions et d'environnements orbitaux sans réentraînement.