基于Transformer的预热启动方法用于空间机械臂对翻滚目标的可行且最优终端接近

在轨服务任务中，空间机械臂需要安全、精确地接近翻滚目标，但实时轨迹规划受制于高度非线性的耦合动力学和复杂约束。现有的优化方法（如顺序凸规划，SCP）计算负担沉重，难以满足实时性要求。近日，一篇预印本论文（arXiv:2606.17317）由Yuji Takubo等人提出了一种基于Transformer的预热启动策略，旨在加速SCP的求解过程。该方法将完整的终端接近问题分解为两个子问题：首先是系统质心的平移轨迹规划，然后是耦合的航天器姿态与机械臂关节扭矩分配问题。后者是计算瓶颈，因此作者创新性地将因果Transformer模型用于为该阶段提供高质量的初始猜测（即预热启动）。Transformer模型学习从问题参数到最优控制序列的映射。研究比较了两种动作解码器：线性解码器和基于流匹配的生成式解码器，并考察了不同动作分块长度和训练集规模的影响。在300个随机生成的测试场景中，使用学习预热启动的SCP平均迭代次数减少28%，求解时间降低23%，而控制成本分布几乎保持不变。更关键的是，当将预热启动用于寻找可行解（而非最优解）时，运行时间几乎减半，且完全避免了由不良初始值导致的极端高成本轨迹。这一工作表明，序列模型（尤其是Transformer）的预热启动技术能够有效提升空间机器人操作中优化制导的实时性和可靠性。未来，该方法有望推广到更复杂的灵巧操作和自主交会对接任务中。