Adaptive Relative Orbit Control Considering Laser Ablation Uncertainty
本文提出并验证了一种利用高斯过程回归的自适应相对轨道控制律，旨在有效应对激光消融和大气阻力在基于激光的空间碎片清除任务中的不确定性。
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
太空正变得日益拥挤，拥挤的并非恒星，而是人类活动留下的寂静且高速移动的残骸。废弃的卫星、用尽燃料的火箭级以及碰撞产生的碎片在轨道上漂浮，对活跃的航天器构成持续威胁。为了保持太空的可利用性，工程师们必须寻找清除这些碎片的方法。一种极具前景的方法是利用强力激光，在不接触碎片的情况下将其从天空中“推离”。航天器会对一块垃圾发射激光脉冲，使其表面受热并足以使微量物质汽化。随着这些蒸汽喷射而出，会产生一个轻微的推力，缓慢降低碎片的轨道，直到其在大气层中烧毁。然而，为了实现这一目标，发射激光的航天器必须相对于漂移的目标保持精确且固定的位置。如果碎片发生意外移动，或者激光产生的推力比预测的要弱，两台航天器可能会发生漂移，从而中断继续执行任务所需的联系。
挑战在于太空的不可预测性。激光产生的力取决于碎片的精确材质以及激光束照射的角度，这两者在事前都很难预知。此外，低高度处的稀薄大气产生的阻力也会随着地球大气层随太阳活动而膨胀和收缩而发生变化。依赖固定数学模型的传统控制系统在这些条件发生变化时往往难以应对。它们通常会留下一个微小但持续存在的定位误差，这最终可能导致碰撞或任务失败。为了解决这一问题，九州大学和 SKY Perfect JSAT 公司的研究人员开发了一种让航天器能够实时学习并适应的新方法。
该团队并没有依赖一套僵化的规则，而是设计了一种使用名为高斯过程回归（Gaussian process regression）的学习技术的控制系统。想象一下，航天器的计算机就像一名不断观察环境的学生。每当航天器发射推进器或感受到来自大气的推力时，系统都会记录下发生了什么。然后，它利用这些历史数据来预测下一步会发生什么，并调整自身行为以抵消那些意外情况。这种方法使航天器能够自动补偿未知的激光推力强度和不断变化的空气阻力。研究人员通过详细的计算机模拟测试了这一想法，将他们的新型自适应系统与一个不会从错误中学习的标准控制方法进行了对比。
模拟结果显示，学习系统具有明显的优势。当研究人员引入不确定性（例如大气密度的变化或激光推力力度的不可预测变化）时，标准系统难以保持其位置，会出现轻微的偏移。相比之下，自适应系统成功追踪了目标，保持了相对距离的稳定。该系统学会了预测干扰，并施加恰到好处的反向作用力来抵消它们。在一个测试案例中，研究人员模拟了一个场景：发射激光的航天器必须精确保持在碎片前方 100 米处，同时利用激光将碎片向下推。即使激光的效果模型包含随机波动，且航天器必须使用简单的“开-关”式推进器而非平滑连续的推进器，自适应控制器仍能维持正确的编队。
这项研究还探讨了如何使该学习系统在实际硬件上具备可行性。由于航天器的推进器通常通过短促、固定的脉冲工作，而非连续流动，团队开发了一种方法，将学习算法生成的平滑、连续指令转化为这些“开-关”脉冲。模拟证实，这种转换非常有效，使航天器能够频繁进行机动以修正路径，同时不会浪费燃料或损失精度。研究人员发现，当系统专注于数据中的特定模式时，学习效果最好，特别是航天器相对于太阳的位置及其在轨道上的位置，因为这些因素驱动着大气阻力的变化。
这项工作表明，如果未来的太空碎片清理任务使用这种自适应控制技术，将会更加安全可靠。通过允许航天器从环境中学习，而不是基于不完美的地图进行猜测，即使在环境充满不确定性的情况下，任务也能继续进行。虽然目前的发现基于计算机模拟，但它们为构建能够应对低地球轨道复杂、不可预测现实情况的航天器提供了坚实的基础。能够在无需持续人工干预的情况下保持精确编队的能力，是使激光碎片清除技术成为保护我们轨道环境可行方案的关键一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。