Robust Sampling-Based Covariance Steering for Aerocapture Guidance

기술 요약: 에어로캡처 가이드를 위한 강건한 샘플링 기반 공분산 스티어링

문제 정의
에어로캡처(Aerocapture)는 화성 샘플 귀환(Mars Sample Return) 및 제안된 천왕성 궤도선 및 탐사선(Uranus Orbiter and Probe)과 같이 무거운 페이로드를 실은 장기 미션을 가능하게 하는 핵심 기동입니다. 대기 항력을 이용해 속도를 줄임으로써, 에어로캡처는 순수 추진 삽입(propulsive insertion)이나 에어로브레이킹(aerobraking)에 비해 상당한 연료 절감과 왕복 시간 단축을 제공합니다. 그러나 이 기동은 초기 진입 상태와 대기 밀도의 불확실성에 매우 민감합니다.

기존의 결정론적 가이던스 알고리즘(예측-수정 구조)은 대기 프로파일의 불일치에 취약하며, 실제 밀도가 예측과 다를 경우 종종 실패합니다. 가우시안 랜덤 필드(Gaussian random field)로 대기 불확실성을 모델링하기 위해 확률 제약 공분산 스티어링(chance-constrained covariance steering) 방법들이 개발되었으나, 기존 방식들은 다음과 같은 두 가지 주요 한계점을 가집니다:

1. 동역학을 선형화하는 경우가 많아, 대기 불확실성의 상태 의존성(state-dependence) 및 본질적인 비선형 에어로캡처 동역학으로 인한 비선형성을 반영하지 못합니다.
2. 목적 함수(필요한 $\Delta V$)가 가우시안 분포로 잘 근사될 것이라고 가정하지만, 이는 고도로 비선형적인 시스템에서는 성립하지 않을 수 있습니다.

저자들은 확률적 뱅크 각도 제약, 가우시안 초기 상태 분산, 그리고 가우시안 랜덤 필드로 모델링된 상태 의존적 대기 교란 조건 하에서, 필요한 $\Delta V$의 $X$번째 백분위수(통상 99 또는 99.7)를 최소화하는 확률적 최적화 문제를 다룹니다.

방법론
본 논문은 연속적 볼록화(successive convexification)와 샘플링 기반 목적 함수 평가를 통합한 강건한 샘플링 기반 공분산 스티어링(Robust Sampling-Based Covariance Steering) 알고리즘을 제안합니다. 핵심 접근 방식은 다음과 같습니다:

1. 반복적 선형화 및 볼록화:
   알고리즘은 연속적 볼록화 방식을 채택합니다. 명목 제어 궤적(nominal control trajectory)을 생성하고, 이를 기준으로 비선형 에어로캡처 동역학을 선형화하며, 이때 평균 대기 교란을 고려합니다. 이를 통해 확률적 문제를 상용 솔버로 해결 가능한 볼록 공분산 스티어링 문제로 변환합니다. 상태 공분산 진화는 결정 변수 $L$로 매개변수화된 피드백 제어 법칙을 사용하여 모델링되며, 이를 통해 공분산 전파의 최적화가 가능해집니다.

2. 강건한 샘플링 기반 목적 함수:
   $\Delta V$ 목적 함수의 비선형성과 교란의 상태 의존성을 해결하기 위해, 저자들은 샘플링 기반 비용 함수를 도입합니다:

• 시그마 포인트 전파(Sigma Point Propagation): 초기 상태 분포의 공분산 윤곽(covariance contour) 상에 대칭적으로 $2n$개의 시그마 포인트를 샘플링합니다.
• 비선형 궤적 롤아웃(Nonlinear Trajectory Rollout): 이 시그마 포인트들을 실제 비선형 시스템 동역학(상태 의존적 대기 교란 포함)을 통해 전파하여 일련의 궤적들을 생성합니다.
• 최악의 경우 근사(Worst-Case Approximation): 비용 함수는 이 샘플링된 궤적들의 탈출 상태에서 평가됩니다. 비용 함수는 가우시안 궤적 집합에 대해 최악의 경우 $X$번째 백분위수 $\Delta V$를 최소화하도록 구성됩니다. 이는 선형화만으로는 놓칠 수 있는 목적 함수의 변화를 반영하고, 높은 $\Delta V$를 유발하는 시그마 포인트 궤적에 패널티를 부여하는 효과를 가집니다.

3. 신뢰 영역 제약(Trust Region Constraints):
   선형화된 볼록 근사의 타당성을 보장하기 위해, 알고리즘은 제어 입력 및 상태 변수(특히 동압 및 탈출 근점 근점/apoapsis)에 대한 신뢰 영역 제약을 부과합니다. 프로세스는 수렴할 때까지 재선형화 및 재해결 과정을 반복합니다(알고리즘 1).

주요 기여

• 알고리즘 개발: 상태 의존적 환경 교란 하에서의 에어로캡처 가이던스를 위해 특별히 설계된 새로운 강건한 샘플링 기반 공분산 스티어링 알고리즘을 개발했습니다.
• 비선형성 처리: 목적 함수 평가 시 단순히 선형 근사에 의존하는 대신 시그마 포인트를 비선형 시스템을 통해 전파함으로써, 에어로캡처 동역학과 대기 불확실성의 상태 의존성에서 발생하는 비선형성을 명시적으로 다룹니다.
• 목적 함수 재구성: 샘플링된 궤적 집합에 대해 최악의 경우 백분위수 $\Delta V$를 근사하는 비용 함수를 구성하여, 초기 상태 오차와 동적 비선형성에 대한 강건성을 향상시켰습니다.

결과
저자들은 세 가지 시나리오에 대해 몬테카를로 시뮬레이션을 사용하여 제안된 알고리즘을 최신 반복 비선형 공분산 스티어링 베이스라인(Ridderhof & Tsiotras)과 비교 평가했습니다:

1. 화성 (작은 분산): 초기 상태 분산이 작은 시나리오.
2. 화성 (큰 분산): 초기 속도 분산이 큰 더 까다로운 시나리오.
3. 천왕성: 분산된 초기 상태, 고도로 타원형인 목표 궤도, 높은 대기 불확실성(UranusGRAM 사용)을 가진 현실적인 시나리오.

성능 지표:

• 화성 (작은 분산): 제안된 방법은 베이스라인 대비 99.7번째 백분위수 및 최악의 경우 $\Delta V$를 15%, 9 9번째 백분위수 $\Delta V$를 5% 감소시켰습니다.
• 화성 (큰 분산): 제안된 방법은 최악의 경우 $\Delta V$를 6.5%, 99.7번째 백분위수 $\Delta V$를 14%, 99번째 백분위수 $\Delta V$를 15% 감소시켰습니다.
• 천왕성: 제안된 방법은 최악의 경우 $\Delta V$ 및 99.7번째 백분위수 $\Delta V$를 약 12%, 99번째 백분위수 $\Delta V$를 13.5% 감소시켰습니다.

모든 시나리오에서 이 알고리즘은 평균 $\Delta V$를 증가시키지 않으면서 $\Delta V$ 분포의 꼬리 부분(가장 중요한 케이스들)을 유의미하게 감소시켰습니다. 개선 효과는 가장 어려운 5%의 몬테카를로 케이스에서 가장 두드러졌습니다.

의의 및 주장
본 논문은 제안된 강건한 샘플링 기반 공분산 스티어링 알고리즘이 기존의 최첨단 방법들과 비교하여 에어로캡처에 필요한 99번째, 99.7번째 백분위수 및 최악의 경우 $\Delta V$를 5~15% 감소시킨다고 주장합니다. 저자들은 이러한 개선이 시스템의 내재된 비선형성과 대기 교란의 상태 의전성을 더 잘 모델링함으로써 달성되었으며, 이를 통해 초기 상태 오차와 대기 불확실성에 대한 가이던스 솔루션의 강건성을 높였다고 강조합니다. 이 연구는 해당 접근 방식이 화성 샘플 귀환 및 천왕성 탐사와 같은 고순위 미션을 위한 더 안전하고 효율적인 에어로캡처를 가능하게 함을 시사합니다.

향후 과제
저자들은 향-후 과제로 추정된 대기와 불확실성을 온라인으로 업데이트하여 알고리즘을 다시 실행함으로써, 매우 불확실한 초기 조건에서 성능을 더욱 향상시킬 수 있다고 언급했습니다. 또한, 이 방법은 비가우시안(non-Gaussian) 초기 상태 분산을 처리하도록 확장될 수 있습니다.