基於Transformer的預熱啟動方法用於空間機械臂對翻滾目標的可行且最優終端接近

在軌服務任務中，空間機械臂需要安全、精確地接近翻滾目標，但即時軌跡規劃受制於高度非線性的耦合動力學和複雜約束。現有的最佳化方法（如順序凸規劃，SCP）計算負擔沉重，難以滿足即時性要求。近日，一篇預印本論文（arXiv:2606.17317）由Yuji Takubo等人提出了一種基於Transformer的預熱啟動策略，旨在加速SCP的求解過程。該方法將完整的終端接近問題分解為兩個子問題：首先是系統質心的平移軌跡規劃，然後是耦合的航天器姿態與機械臂關節扭矩分配問題。後者是計算瓶頸，因此作者創新性地將因果Transformer模型用於為該階段提供高質量的初始猜測（即預熱啟動）。Transformer模型學習從問題引數到最優控制序列的對映。研究比較了兩種動作解碼器：線性解碼器和基於流匹配的生成式解碼器，並考察了不同動作分塊長度和訓練集規模的影響。在300個隨機生成的測試場景中，使用學習預熱啟動的SCP平均迭代次數減少28%，求解時間降低23%，而控制成本分佈幾乎保持不變。更關鍵的是，當將預熱啟動用於尋找可行解（而非最優解）時，執行時間幾乎減半，且完全避免了由不良初始值導致的極端高成本軌跡。這一工作表明，序列模型（尤其是Transformer）的預熱啟動技術能夠有效提升空間機器人操作中最佳化制導的即時性和可靠性。未來，該方法有望推廣到更復雜的靈巧操作和自主交會對接任務中。