Trajectory Optimization for Near-Earth Asteroid Flyby from Distant Retrograde Orbits based on Mixture Density Network
本文提出了一种通过结合用于初始转移生成的混合密度网络与用于近地点机动优化的遗传算法，从而实现从远距离逆行轨道出发的小行星掠过任务快速轨迹设计方法，与传统的网格搜索方法相比，计算效率提升了55.11%。
原始论文采用 CC BY 4.0 许可（https://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
长期以来，深空探测一直被想象成从地球出发的一系列大胆飞跃，即航天器点火并直接奔向遥远的目标。然而，随着人类在月球周围建立起更持久的存在，这些旅程的起点正在发生变化。未来的任务可能不再直接从我们的母星发射，而是从地球与月球之间一个被称为“远距离逆行轨道”（distant retrograde orbit）的特殊停泊点开始。这条路径是一个围绕月球进行反向旋转的大型稳定环路。由于维持该轨道所需的燃料极少，它成为了一个可靠的门户，允许航天器在那里等待、加油或进行准备，然后再开启前往太阳系其他区域的长途旅行。这些未来任务最令人兴奋的目标之一是近地小行星，它们是太阳系诞生时留下的岩石残骸。密切研究它们可以揭示关于我们行星系统如何形成的秘密，并帮助我们了解如何保护地球免受潜在撞击。然而，规划从这个月球门户飞往特定小行星的任务极其困难。航天器必须在地球与月球之间复杂的引力拉锯战中导航，精准把握离开的时机，并调整速度以匹配小行星绕太阳运行的路径。
挑战在于可能性的数量之多。为了寻找一条好的路径，工程师们传统上必须测试数百万种不同的出发时间、发动机喷射和飞行角度的组合。这个过程就像是在大海捞针，通过逐一检查每一根稻草来寻找目标；这种方法虽然准确，但极其缓慢。中国国家空间科学中心的一个研究小组开发了一种既更快又更聪明的新方法来解决这个问题。他们创建了一个计算机系统，通过学习过去的飞行数据来即时预测优秀的路径，而不是每次都从头开始计算。该系统使用了一种被称为“混合密度网络”（mixture density network）的人工智能技术。与那些可能只猜测单一答案的标准计算机程序不同，这种网络旨在理解从A点到B点通常存在多种不同的方式。它可以同时生成多种潜在的飞行路径，识别出某些路线可能会向一个方向绕过月球，而另一些路线则会转向另一个方向，同时还要满足引力和燃料限制的严格规则。
为了使该系统发挥作用，研究人员首先绘制了航天器离开远距离逆行轨道时可以采取的不同“路径家族”。他们发现，这些路径根据与月球和地球的相互作用方式分为不同的类别。有些路径直接飞向地球，而有些则先绕过月球。通过教计算机识别这些特定的类别，该系统避免了因处理复杂的数学问题而导致的计算缓慢。它不再盲目地测试每一种可能性，而是利用这些已知的类别快速生成飞行路径的高质量候选名单。一旦计算机提出了几个有前景的路线，随后会通过一个单独的优化过程对其进行精细化调整，以确保其完美契合特定的目标小行星。这种两步走的方法使团队能够以比传统方法快得多的速度筛选数百个小行星。
研究人员通过模拟在2029年至2031年间飞往326个不同小行星的任务来测试他们的新方法。他们将结果与传统的网格搜索法（即检查每一种可能的路径）进行了对比。新方法显著提高了效率，分析每个小行星仅需约3.5秒，而传统方法则需要近8秒。更重要的是，它找到了更多可行的飞行路径，尤其是那些在航行中途修正时所需燃料较少的路径。模拟显示，如果从远距离逆行轨道出发，通过一次1.5公里/秒的特定发动机喷射，航天器可以高效地到达各种各样的小行星。当团队将其中一条由计算机生成的路径放入包含太阳、地球和月球的高度详细且真实的引力模型中进行测试时，该路径表现得非常完美。它仅需微小的调整即可到达目标，证明了这种基于AI辅助的快速设计足以用于现实世界。
这项工作表明，我们不需要仅仅依赖于“暴力破解”式的计算来规划深空探测任务。通过将月球轨道的稳定性与智能计算机学习相结合，我们可以快速识别出访问邻近小行星的最佳机会。研究表明，随着我们在月球周围建设基础设施，这些智能设计工具将对于把远距离逆行轨道转化为探索太阳系的真正发射台至关重要。快速寻找高效路径的能力意味着未来的任务可以具备更大的灵活性，从而可能实现对这些古老岩石更频繁的造访，并让我们对宇宙起源有更深刻的理解。
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。