Time-Optimal Collision Avoidance Via a Greedy Polynomial Backward Sweep

Resumo Técnico: Evitação de Colisão com Tempo Ótimo via Varredura Polinomial Gananciosa (Greedy)

Definição do Problema
O artigo aborda o desafio de projetar manobras de evitação de colisão (CAMs) para satélites de baixo empuxo operando em ambientes orbitais congestionados. Enquanto a literatura existente frequentemente foca em manobras de custo de combustível ótimo (FO) que podem exigir uma iniciação precoce para minimizar o propelente, as restrições operacionais frequentemente favorecem o adiamento das manobras o máximo possível. Esse adiamento permite que os operadores aproveitem dados de rastreamento atualizados para reduzir a incerteza posicional e evitar manobras desnecessárias. O problema central é formulado como um problema de controle de tempo ótimo (TO): dado um curto tempo de alerta, determinar o tempo de iniciação mais tardio possível ($t_0$) para uma manobra de baixo empuxo que garanta que o satélite permaneça seguro no momento da aproximação de maior proximidade (TCA). A segurança é definida pelo exceder um limite para o Desvio de Aproximação (MD) ou a Probabilidade de Colisão (PoC), sendo esta última representada via Distância de Mahalanobis ao Quadrado (SMD) no plano B.

Metodologia
Os autores propõem um método de varredura reversa Ganancioso de Tempo Ótimo (GTO) para resolver este problema de otimização sem resolver diretamente o complexo problema de controle ótimo contínuo (OCP). A metodologia baseia-se em três componentes principais:

1. Estratégia de Varredura Reversa (Backward Sweep Strategy): Em vez da integração direta (forward), o algoritmo inicia na TCA nominal e propaga iterativamente a manobra para trás no tempo. Em cada passo de tempo discreto, ele determina a direção do empuxo que maximiza localmente a taxa de variação da métrica de perigo escolhida (MD ou SMD). O processo continua até que o limite de segurança seja atingido, identificando o tempo de início mais tardio possível.
2. Álgebra Diferencial (DA): Para lidar eficientemente com a dinâmica não linear e as sensibilidades necessárias para a varredura reversa, os autores utilizam a Álgebra Diferencial. A DA permite que a dinâmica do sistema seja representada como mapas polinomiais de Taylor de alta ordem. Isso possibilita a propagação das sensibilidades do estado e o cálculo de como as ações de controle em passos de tempo anteriores afetam o estado na TCA sem a necessidade de re-propagar a dinâmica para cada iteração.
3. Controle Ganancioso e Rastreamento de TCA: A ação de controle em cada passo é computada alinhando o vetor de empuxo com o gradiente da métrica de perigo (uma abordagem gananciosa). Crucialmente, o método contabiliza o deslocamento da TCA causado pela manobra. Usando DA, a condição de ortogonalidade entre a posição relativa e a velocidade na TCA é resolvida via inversão polinomial para atualizar o deslocamento da TCA ($\delta t_{CA}$) online. Isso garante que a métrica de segurança seja avaliada no tempo de aproximação de maior proximidade deslocado e correto.

Principais Contribuições

• Formulação de um Problema de CAM de Tempo Ótimo: O trabalho desloca o foco de formulações de custo de combustível ótimo para formulações de tempo ótimo, visando especificamente a maximização do tempo de alerta disponível antes que uma manobra deva começar.
• Algoritmo GTO: Um novo algoritmo de varredura reversa que combina uma estratégia de controle gananciosa com mapas polinomiais baseados em DA. Isso evita a carga computacional de resolver o OCP completo, mantendo alta precisão.
• Atualização de TCA Online: A integração da DA para rastrear e atualizar automaticamente o deslocamento da TCA devido a manobras de baixo empuxo, garantindo que a métrica de segurança seja calculada na verdadeira aproximação de maior proximidade geométrica, em vez de um tempo nominal.
• Eficiência Computacional: O método alcança tempos de execução adequados para implementação em bordo ao evitar a propagação direta iterativa e aproveitar as avaliações polinomiais.

Resultados
O método GTO foi validado usando um conjunto de dados de 2.170 conjunções de Órbita Terrestre Baixa (LEO) do Desafio de Evitação de Colisões da ESA.

• Precisão: Quando comparado contra uma validação de propagação direta, 99,7% das soluções exibiram um erro relativo abaixo de 0,15% para SMD e 0,04% para MD.
• Otimalidade vs. OCP: Comparado a uma solução de controle ótimo real (baseada no Princípio do Máximo de Pontryagin), o método GTO mostrou um erro relativo mediano no tempo de iniciação de empuxo de 2,96%, com erros de percentil 95 abaixo de 11%. Isso indica que a abordagem gananciosa fornece uma aproximação próxima da verdadeira solução de tempo ótimo.
• Subotimalidade de Combustível: Como esperado, o método GTO é menos eficiente em termos de combustível do que uma solução dedicada de custo de combustível ótimo (FO). O método GTO exigiu, em média, de 33% a 41% mais $\Delta v$ do que o benchmark FO. Isso é atribuído à estratégia gananciosa que aplica o empuxo continuamente até o limite, enquanto as soluções FO frequentemente utilizam arcos de deriva (coast arcs) próximos à TCA onde o esforço de controle tem retornos decrescentes.
• Tempo de Computação: O algoritmo demonstrou alta eficiência computacional, com todos os tempos de execução permanecendo abaixo de 80 ms. Os tempos médios foram de 23 ms para a formulação SMD e 56 ms para a formulação MD em hardware padrão.

Significância e Alegações
O artigo afirma que o método GTO oferece uma solução viável para sistemas de evitação de colisão em bordo onde o tempo de alerta é a principal restrição. Embora o método aceite um compromisso na eficiência de combustível em comparação com soluções FO, ele fornece uma maneira computacionalmente leve de determinar o tempo de iniciação de manobra mais tardio possível. Os autores sugerem que a solução GTO pode servir como um chute inicial robusto para solvers FO mais complexos ou ser usada em um pipeline onde uma verificação de tempo ótimo é realizada primeiro para determinar se uma manobra é estritamente necessária antes de engajar em rotinas de otimização de combustível. A capacidade de atualizar o deslocamento da TCA online sem re-propagação é destacada como um habilitador crítico para a precisão e velocidade do método.