Autonomous Satellite Rendezvous via Hybrid Feedback Optimization

1. Problema e Motivação

O artigo aborda o desafio crítico do Encontro, Proximidade e Acoplamento Autônomos (ARPOD) de satélites no espaço. Existem duas principais limitações que dificultam a execução dessas tarefas:

1. Incertezas e Perturbações: Erros de medição, modelos dinâmicos imprecisos e perturbações externas tornam a previsão de estados futuros difícil e pouco confiável.
2. Limitações Computacionais: Os processadores a bordo de satélites são significativamente mais lentos que seus equivalentes terrestres, o que restringe a velocidade e a complexidade dos cálculos necessários para tarefas em tempo real.

Abordagens tradicionais, como o Controle Preditivo por Modelo (MPC), dependem da previsão de estados futuros e de resolver problemas de otimização complexos offline ou em tempo real, o que pode ser inviável sob essas restrições. O objetivo deste trabalho é desenvolver uma abordagem de ARPOD que:

• Não preveja estados futuros.
• Rejeite perturbações à medida que surgem.
• Possua baixa complexidade computacional, adaptando-se a processadores lentos.

2. Metodologia

Os autores propõem o uso de Otimização de Feedback (Feedback Optimization) dentro de um Sistema Híbrido.

A. Modelagem Dinâmica (Equações de Clohessy-Wiltshire)

O movimento relativo entre o satélite "caçador" (controlado) e o "alvo" (não controlado) é modelado pelas equações de Clohessy-Wiltshire (CW).

• Desafio: As equações CW padrão descrevem um sistema marginalmente estável, o que é inadequado para otimização de feedback direta.
• Solução: Os autores projetam primeiro um controlador de realimentação de estado que estabiliza assintoticamente as equações CW. Eles derivam formas fechadas para os ganhos do controlador necessários para posicionar os autovalores do sistema em valores desejados, utilizando apenas um subconjunto dos ganhos disponíveis.

B. Otimização de Feedback em Tempo Real

Em vez de calcular a entrada ótima exata antes de aplicá-la, o sistema executa um algoritmo de descida de gradiente em tempo real dentro do loop de controle:

1. O sistema mede a saída atual (posição/velocidade relativa).
2. Essa saída é alimentada em um algoritmo de otimização que calcula iterativamente uma nova entrada de controle.
3. O algoritmo não precisa convergir para o ótimo global antes de aplicar a entrada; uma iteração intermediária (sub-ótima) é suficiente e aplicada ao sistema. Isso reduz drasticamente a carga computacional.

C. Modelagem Híbrida

O sistema é modelado como um Sistema Híbrido (combinando dinâmica contínua e eventos discretos):

• Fluxo Contínuo: A dinâmica do satélite evolui continuamente; temporizadores ($\tau_c$ e $\tau_g$) contam regressivamente.
• Saltos Discretos:
  • Quando $\tau_g = 0$: Uma iteração de descida de gradiente é realizada (atualização da variável de otimização $z$).
  • Quando $\tau_c = 0$: A entrada de controle $u$ é atualizada com o valor mais recente da iteração, e uma nova amostra de saída é tomada.
• Isso permite modelar a computação discreta a bordo atuando sobre a dinâmica contínua do satélite.

3. Contribuições Principais

1. Projeto de Controlador Estabilizante: Derivação de formas fechadas para os ganhos de realimentação que estabilizam as equações CW, permitindo o uso subsequente da otimização de feedback.
2. Modelo Híbrido Formal: Desenvolvimento de um modelo de sistema híbrido rigoroso para a otimização de feedback com descida de gradiente em loop.
3. Garantias Teóricas de Existência e Comportamento:
   • Prova de que o sistema é bem-posto (satisfaz condições básicas de sistemas híbridos).
   • Demonstração de que todas as soluções máximas são completas (existem para todo o tempo) e não-Zeno (não ocorrem infinitos saltos em tempo finito).
4. Análise de Convergência e Robustez:
   • Prova de que as soluções convergem exponencialmente para uma bola (esfera) ao redor do ponto de encontro desejado.
   • Derivação de limites superiores para o raio dessa bola em função de parâmetros do sistema (perturbações, velocidade do processador, autovalores desejados).
   • Demonstração de robustez: perturbações limitadas no modelo híbrido (erros de temporização, taxas de contagem) resultam em perturbações limitadas nas trajetórias do satélite.
5. Primeira Aplicação em ARPOD: Este trabalho é apresentado como a primeira aplicação de otimização de feedback a problemas de encontro de satélites.

4. Resultados de Simulação

Os autores realizaram simulações numéricas utilizando a Hybrid Equations Toolbox para validar a teoria:

• Desempenho Nominal: O satélite caçador convergiu para o ponto de encontro desejado com um erro assintótico muito pequeno.
• Redução de Perturbações: O método demonstrou uma redução de 98,4% na magnitude dos efeitos das perturbações no sistema, comparado ao cenário sem controle de otimização robusto.
• Robustez a Perturbações: Simulações com perturbações nos temporizadores (atrasos ou acelerações na computação e aplicação de entradas) mostraram que o sistema mantém a estabilidade, embora o erro assintótico aumente ligeiramente com perturbações maiores.
• Convergência Global: Testes com 20 condições iniciais diferentes confirmaram que o sistema converge para a vizinhança do ponto de encontro independentemente do estado inicial, com um erro máximo observado de 0,81 metros.

5. Significado e Conclusão

Este trabalho é significativo por oferecer uma solução prática para as limitações computacionais e de modelagem no espaço. Ao evitar a necessidade de prever estados futuros e permitir o uso de entradas sub-ótimas calculadas iterativamente, a abordagem de Otimização de Feedback Híbrida torna o ARPOD viável em hardware com recursos limitados.

A análise teórica rigorosa garante que o sistema não falhará (completude e não-Zeno) e que o erro permanecerá dentro de limites aceitáveis mesmo na presença de incertezas e perturbações. O sucesso das simulações valida a viabilidade de implementar esse controle diretamente em satélites, abrindo caminho para missões de serviço, reabastecimento e reparo autônomo no espaço. Trabalhos futuros visam estender essa abordagem para dinâmicas não lineares, incluindo o controle de atitude.