在轨机器人服务任务的实时轨迹生成长期面临一组相互耦合的难题：航天器本体运动、机械臂动力学、可见性锥约束以及轨迹层面的安全约束之间存在强烈的非线性耦合，使得在线求解变得十分困难。arXiv 上于 2026 年 6 月 15 日提交的一篇论文（编号 2606.17317，归类为 cs.RO，同时涉及 cs.AI 与 math.OC）针对这一问题提出了新的思路。论文题为《Transformer-Based Warm-Starting for Feasible and Optimal Terminal Approach to Tumbling Objects with Space Manipulators》，作者为 Yuji Takubo 等四人，全文共 8 页、含 4 幅图。
论文聚焦的具体场景是空间机械臂对翻滚目标的末段逼近。在这一阶段，机械臂需要在目标持续翻滚的情况下，同时满足可见性锥限制与轨迹级安全约束，并生成既可行又接近最优的控制轨迹。作者采用序贯凸规划（SCP）作为基础优化框架，但 SCP 在实际应用中往往依赖良好的初始猜测，否则迭代次数多、收敛慢，甚至落入高代价的不可行解。为此，论文研究用学习方式为 SCP 提供热启动（warm-start）。
在方法层面，作者将整体问题分解为两个阶段。第一阶段是系统质心的平移规划，用于处理航天器与机械臂组合体的整体运动；第二阶段是姿态与机械臂力矩分配的耦合规划，这一阶段是整个计算流程中最主要的瓶颈。论文将因果 Transformer 热启动专门应用于第二阶段，即用序列模型预测一组高质量的初始动作序列，再交给 SCP 进行精化。作者还比较了线性动作解码器与 flow matching 动作解码器在不同动作分块（action chunking）设置和不同训练数据规模下的表现，以考察解码方式与数据量对热启动质量的影响。
实验评估覆盖 300 个留出场景，并分别在代价最优与可行性投影两种 SCP 使用方式下检验学习到的热启动。结果显示，学习到的热启动使第二阶段 SCP 的迭代次数最多减少 28%，运行时间减少 23%，同时最终的控制代价分布基本保持不变，说明加速并未以牺牲解的质量为代价。更值得关注的是，当学习到的热启动被用于非凸可行性投影时，运行时间相对代价最优 SCP 几乎减半，并且避免了启发式初始化时出现的灾难性高代价尾部行为。
作者由此得出结论：序列模型热启动能够同时改善基于优化的末段制导的计算效率与轨迹鲁棒性。这一结果对在轨服务、空间碎片清理等需要在有限星载算力下实时生成安全轨迹的任务具有潜在意义。需要指出的是，论文的结论建立在 300 个留出场景的仿真评估之上，摘要中并未说明是否包含硬件实验或在轨验证；此外，方法的有效性依赖于训练数据分布与目标翻滚特性的匹配程度，这些边界条件在解读其泛化能力时需要纳入考量。