⚡ electrical engineering

Autonomous Satellite Rendezvous via Hybrid Feedback Optimization

本文提出了一种基于混合反馈优化的自主卫星交会方案，通过结合连续时间 Clohessy-Wiltshire 动力学模型与离散梯度下降算法，在卫星处理器资源受限及状态测量存在不确定性的情况下，实现了系统的渐近稳定、非芝诺特性及指数收敛，并在仿真中显著降低了扰动影响。

原作者： Oscar Jed R. Chuy, Matthew T. Hale, Vignesh Sivaramakrishnan, Sean Phillips, Ricardo G. Sanfelice

发布于 2026-02-26

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Oscar Jed R. Chuy, Matthew T. Hale, Vignesh Sivaramakrishnan, Sean Phillips, Ricardo G. Sanfelice

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何让两颗卫星在太空中“自动牵手”（对接）的聪明办法。

想象一下，你正在玩一个极其高难度的游戏：你要驾驶一艘**“追逐者”飞船**（Chaser），去追上并轻轻靠在一艘**“目标”飞船**（Target）旁边。这两艘飞船都在绕着地球高速飞行，而且“追逐者”飞船上的电脑非常老旧、反应很慢（就像是用老式计算器在跑现代游戏），同时太空中还有各种看不见的“乱流”（干扰）在推搡它们。

传统的做法是：先算好未来每一秒的路径，然后按图索骥。但这篇论文的作者说：“不行，太空中变数太多，算不准未来，而且电脑太慢，算不过来。”

于是，他们提出了一种**“边走边看，边看边改”的新策略，叫做“混合反馈优化”**。

1. 核心难题：太空中有三个“拦路虎”

看不清未来：太空环境复杂，测量数据有误差，你无法精准预测下一秒飞船会在哪。
大脑反应慢：卫星上的电脑算力有限，跑不动复杂的预测算法。
外力干扰：太空中有各种未知的扰动，像风一样把飞船吹偏。

2. 解决方案：把“规划”变成“反应”

作者把整个过程比作**“蒙眼走钢丝，但手里有根感应棒”**。

第一步：先给飞船装上“自动稳定器”

原来的卫星运动方程（Clohessy-Wiltshire 方程）就像是一个**“边缘平衡”的物体，稍微碰一下就倒。作者先设计了一个“稳定控制器”，就像给这个摇摇欲坠的物体装上了自动平衡陀螺仪**。不管怎么晃，它都能先稳住身形，不再乱飞。

第二步：引入“边走边算”的优化算法

这是最精彩的部分。传统的导航是“先算好路线再走”，而这篇论文的方法是：

看一眼：飞船先看看自己现在的实际位置（输出）。
走一步：把看到的位置传给机载电脑。
算一下：电脑不需要算出完美的终点，只需要**“走一步算一步”**，朝着目标稍微挪动一点点（梯度下降）。
再走一步：飞船根据这个微小的指令移动，然后立刻再看一眼新位置，再算一步。

比喻：
想象你在黑暗中摸索着走向一扇门（目标）。

传统方法：你试图在脑子里画出整张地图，算出每一步怎么走，然后闭着眼冲过去。如果中间有人推你一下，你就撞墙了。
本文方法：你手里拿着一个**“感应器”**。你每走一小步，感应器就告诉你：“嘿，离门还远，往左偏一点”。你立刻调整方向，再走一步，感应器再告诉你：“好多了，再往右一点点”。
优势：你不需要知道整张地图（不需要预测未来），也不需要超级大脑（因为每次只算一点点），而且如果有人推你（干扰），感应器会立刻发现并让你调整回来。

3. 混合系统：连续与离散的“双人舞”

论文中提到的“混合系统”（Hybrid System），可以理解为**“连续流动”与“离散跳跃”的完美结合**：

连续流动：飞船在太空中是连续飞行的，像水流一样平滑。
离散跳跃：电脑的计算是“咔嚓、咔嚓”一下一下进行的。
作者设计了一套精妙的**“计时器”**机制：
当**“计算计时器”**归零时，电脑就“咔嚓”算一次，更新指令。
当**“执行计时器”**归零时，飞船就“咔嚓”执行一次新指令。
这两个计时器配合默契，确保飞船在飞行的同时，电脑在后台不停地微调，既不会算得太慢导致失控，也不会算得太快把电脑累死。

4. 结果：惊人的“抗干扰”能力

论文通过数学证明和模拟实验展示了这个方法的威力：

数学上：证明了无论初始状态多乱，飞船最终都会收敛到一个非常小的圆圈里，紧紧贴着目标。
模拟中：即使太空中有巨大的干扰（相当于有人在疯狂推飞船），这个方法也能把干扰的影响减少 98.4%。
- 通俗理解：如果原本干扰会让飞船偏离 100 米，用了这个方法后，它只偏离了 1.6 米。

总结

这篇论文就像是在教卫星如何**“像骑自行车一样”在太空中对接：
不需要提前规划完美的路线（因为路是弯的且会变），也不需要超级计算机（因为只需要微调）。只需要“稳住车身（稳定控制）” + “眼睛盯着路（反馈）” + “随时微调车把（在线优化）”**。

这种方法不仅让卫星对接变得更安全、更可靠，还特别适合那些**“脑子慢、环境乱”**的太空任务，为未来自主太空服务（如维修、加油）提供了一种全新的、更聪明的思路。

论文技术总结：基于混合反馈优化的自主卫星交会对接

1. 研究背景与问题陈述

随着卫星数量的激增，自主交会、近距离操作和对接（ARPOD）已成为太空任务中的关键能力。然而，在太空中执行此类任务面临两大主要挑战：

不确定性：空间环境中的测量误差和未建模干扰使得卫星未来状态的预测变得困难且不可靠。
计算资源受限：卫星星载处理器的计算能力通常远低于地面设备，限制了复杂算法（如模型预测控制 MPC）的执行速度和精度。

传统的 ARPOD 方法往往依赖于对未来状态的预测或离线优化，这在存在干扰和计算延迟的情况下表现不佳。本文旨在解决以下问题：

设计一种无需预测未来状态的 ARPOD 控制器。
能够**在环内（in-the-loop）**进行计算，允许输入计算存在延迟或产生次优解。
对未建模的干扰具有鲁棒性。
适应星载处理器计算速度慢的特点。

2. 方法论

本文提出了一种**混合反馈优化（Hybrid Feedback Optimization）**框架，将连续时间的卫星动力学与离散时间的优化算法相结合。

2.1 系统建模

动力学模型：使用Clohessy-Wiltshire (CW) 方程描述追踪星（Chaser）相对于目标星（Target）的相对运动。CW 方程描述了一个边际稳定（marginally stable）的系统。
稳定化控制器：由于 CW 系统本身不是渐近稳定的，作者首先设计了一个状态反馈控制器，将闭环系统的特征值配置为期望的负实数，从而确保系统的渐近稳定性。该控制器提供了增益的闭式解（Closed-form solution），仅需部分增益非零即可实现极点配置。
混合系统架构：
- 连续流（Flow）：追踪星的连续时间动力学由稳定后的 CW 方程描述。
- 离散跳变（Jump）：在星载处理器上运行离散时间梯度下降算法。该算法根据采样到的系统输出（位置、速度）计算优化输入，并更新控制指令。
- 混合模型：利用 [23] 中的混合系统框架，定义了流集（Flow Set）和跳集（Jump Set），并引入了计时器（ $\tau_c, \tau_g, \tau_d$ ）来模拟控制指令更新、梯度下降迭代完成以及干扰变化的时间过程。

2.2 优化目标

优化算法旨在最小化一个目标函数 $\Phi(u, y)$ ，该函数包含：

控制输入 $u$ 的代价（防止过大的推力）。
输出 $y$ 与期望交会点 $\hat{y}$ 之间的误差代价。
约束条件：输入 $u$ 必须在可行集 $U$ 内，且输出满足稳态映射关系（受干扰 $d$ 影响）。

由于干扰 $d(t)$ 未知且时变，算法不预先计算最优解，而是通过在线采样输出并执行有限步数的梯度下降迭代，将当前的迭代值作为控制输入施加给系统。

3. 主要贡献

稳定化控制器设计：针对边际稳定的 CW 方程，设计了一个渐近稳定控制器，并推导了将闭环特征值配置为任意期望值的增益闭式解（定理 1）。
混合系统建模与适定性证明：建立了包含连续动力学和离散梯度下降的混合反馈优化模型。证明了该模型满足混合系统的基本条件（Hybrid Basic Conditions），即系统是适定的（well-posed），且所有最大解都是完备的（complete）且非芝诺的（non-Zeno）（引理 1，命题 1）。这意味着系统不会在有限时间内发生无限次跳变，且解可以无限延续。
收敛性分析：
- 证明了追踪星的状态以指数速率收敛到围绕期望交会点的一个**误差球（error ball）**内（定理 2）。
- 给出了误差球半径的解析上界，该上界取决于系统参数（如特征值）、干扰幅度及其变化率、以及星载处理器的计算速度。
- 证明了可以通过调整期望特征值来任意减小该误差球的半径。
鲁棒性分析：证明了该混合反馈优化系统对扰动具有鲁棒性。即使控制更新的时间间隔、梯度下降的计时或干扰速率发生微小变化，系统的轨迹仍能与标称系统的轨迹保持任意接近（推论 1）。
首次应用：据作者所知，这是首次将反馈优化应用于 ARPOD 问题。

4. 仿真结果

作者通过三组仿真实验验证了理论结果：

标称行为：在存在正弦干扰的情况下，追踪星成功收敛到期望交会点附近。
- 关键数据：尽管存在幅度为 5 的干扰，最终稳态误差约为 0.082 米。这表明该方法将干扰的影响降低了 98.4%。
鲁棒性测试：对混合模型中的计时器参数（ $\tau_c, \tau_g$ $τ_{c}, τ_{g}$ ）和下降速率引入扰动。
- 结果显示，即使存在显著的时间参数扰动，系统仍能保持收敛，且误差随扰动增大而缓慢增加。
多初始条件测试：从 20 个不同的初始状态出发进行仿真。
- 所有轨迹均收敛至目标点附近，最大渐近误差仅为 0.81 米，证明了方法的全局收敛性和可靠性。

5. 意义与结论

理论意义：本文成功地将反馈优化理论扩展到具有边际稳定动力学和未知时变干扰的卫星交会问题中，并提供了严格的混合系统理论分析（适定性、完备性、收敛性、鲁棒性）。
工程意义：
- 低计算复杂度：该方法不需要在每次控制周期内求解完整的优化问题，只需执行少量梯度下降步骤，非常适合计算能力受限的星载处理器。
- 无需预测：通过直接利用当前测量值进行反馈优化，避免了对未来状态的不可靠预测，提高了在不确定环境下的生存能力。
- 高鲁棒性：能够有效抑制空间环境中的干扰，显著降低交会误差。

结论：混合反馈优化为自主卫星交会对接提供了一种高效、鲁棒且计算友好的解决方案，特别适用于计算资源受限且环境不确定的太空任务。未来的工作将扩展到包含非线性动力学（如姿态控制）的更复杂系统。