宇宙ランデブー/軌道設計2025/10/1arXiv:2510.03544

Transformerによる宇宙ランデブー設計の機敏なトレードスペース探索

Agile Tradespace Exploration for Space Rendezvous Mission Design via Transformers

Transformerモデルを用いて、宇宙機ランデブーミッション設計における制御コストと飛行時間のトレードオフを高速に探索し、多目的最適化を効率化するフレームワークを提案。

詳しい要約

1. どんなもの？

- 宇宙機 rendezvous ミッション設計を AI で高速化する枠組み - 対象機の軌道情報、servicer の boundary conditions、flight time 範囲を入力 - transformer model が複数の flight time にわたる near-Pareto optimal 軌道を単一の並列推論で生成 - control cost と flight time の tradespace を迅速に探索し、予備ミッション設計を加速することを狙う

2. 先行研究と比べてどこがすごい？

- 従来は非凸制約下の multi-objective optimization で、精度(完全問題)と効率(convex relaxation)のトレードオフが設計反復を遅くしていた - 提案法は transformer による surrogate で near-Pareto 軌道群を並列生成し、設計の agility を高める - 検証では convex relaxation に匹敵する runtime を達成しつつ、高品質な初期解を提供 - 詳細な先行研究との定量比較は要旨からは不明

3. 技術・手法の肝は？

- transformer model を中核とし、軌道情報・boundary conditions・flight time 範囲から軌道群を生成 - 単一の並列化推論ステップで複数 flight time の near-Pareto optimal 軌道を出力 - 可変 flight time と perturbed orbital dynamics に対応するよう拡張 - chance-constrained rendezvous と passive safety constraints を扱う設定を含む - 生成軌道を初期解として非凸最適化に渡し、収束を高速化する surrogate として機能

4. どうやって有効だと検証した？

- Earth orbits 上の chance-constrained rendezvous 問題(passive safety constraints 付き)で検証 - flight time と dynamics の両方に対してモデルが汎化することを確認 - 高品質な初期解がより少ない反復で優れた解に収束することを示す - Pareto front を効率的に近似し、並列推論により convex relaxation と同程度の runtime を達成 - 具体的な数値・データセット名は要旨からは不明

5. 議論はある？

- 非凸 trajectory generation の実用的 surrogate として位置づけ、AI 駆動 trajectory design への一歩と主張 - 実世界 rendezvous の予備ミッション計画加速への応用可能性に言及 - 限界・失敗ケース・制約の一般性に関する議論は要旨からは不明 - 比較対象や評価指標の詳細も要旨からは不明

6. 次に読むべき論文は？

- 要旨で直接参照/比較されている研究は明示されていない - 関連手法として convex relaxation を用いた trajectory optimization の文献 - chance-constrained rendezvous と passive safety constraints に関する研究 - transformer を用いた trajectory generation / surrogate optimization の研究 - multi-objective optimization と Pareto front 近似の定番手法

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yuji Takubo, Daniele Gammelli, Marco Pavone, Simone D'Amico

分類: math.OC, cs.AI, cs.RO

原文アブストラクト

Spacecraft rendezvous enables on-orbit servicing, debris removal, and crewed docking, forming the foundation for a scalable space economy. Designing such missions requires rapid exploration of the tradespace between control cost and flight time across multiple candidate targets. However, multi-objective optimization in this setting is challenging, as the underlying constraints are often nonconvex, and mission designers must balance accuracy (e.g., solving the full problem) with efficiency (e.g., convex relaxations), slowing iteration and limiting design agility. To address these challenges, this paper proposes an AI-powered framework that enables agile and generalized rendezvous mission design. Given the orbital information of the target spacecraft, boundary conditions of the servicer, and a range of flight times, a transformer model generates a set of near-Pareto optimal trajectories across varying flight times in a single parallelized inference step, thereby enabling rapid mission trade studies. The model is further extended to accommodate variable flight times and perturbed orbital dynamics, supporting realistic multi-objective trade-offs. Validation on chance-constrained rendezvous problems in Earth orbits with passive safety constraints demonstrates that the model generalizes across both flight times and dynamics, consistently providing high-quality initial guesses that converge to superior solutions in fewer iterations. Moreover, the framework efficiently approximates the Pareto front, achieving runtimes comparable to convex relaxation by exploiting parallelized inference. Together, these results position the proposed framework as a practical surrogate for nonconvex trajectory generation and mark an important step toward AI-driven trajectory design for accelerating preliminary mission planning in real-world rendezvous applications.

arXivで原文を読む →arXiv概要ページ

← 論文一覧