宇宙ロボティクス/軌道計画2026/6/1arXiv:2606.17317

宇宙マニピュレータによる転倒物体への終端接近における変圧器ベースのウォームスタート手法

Transformer-Based Warm-Starting for Feasible and Optimal Terminal Approach to Tumbling Objects with Space Manipulators

宇宙マニピュレータが転倒するターゲットへ接近する際の軌道生成を高速化するため、逐次凸計画法のウォームスタートに因果トランスフォーマーを適用し、計算時間と軌道の堅牢性を改善した。

詳しい要約

1. どんなもの？

- 宇宙マニピュレータによる回転目標物への終端接近軌道生成を対象とした研究。 - 軌道生成を system center-of-mass の並進計画段階と、姿勢とマニピュレータのトルク配分を扱う結合段階に分解。 - 計算ボトルネックとなる後段に causal transformer による warm-start を適用。 - linear と flow matching の action decoder を比較し、SCP の cost-optimal と feasibility projection の両方で評価。

2. 先行研究と比べてどこがすごい？

- 従来の SCP ベース終端接近は非線形結合や制約により実時間計算が困難。 - 学習ベース warm-start により SCP の反復回数を最大 28%、実行時間を 23% 削減。 - 非凸 feasibility projection では実行時間をほぼ半減し、ヒューリスティック初期化で見られる高コストな裾挙動を回避。 - 計算効率と軌道ロバスト性の両方を改善できる点が先行研究と比べた利点。

3. 技術・手法の肝は？

- 問題を system center-of-mass の並進計画と、姿勢・マニピュレータのトルク配分に分解。 - 後段の結合問題に causal transformer を warm-start として適用。 - linear と flow matching の action decoder を action-chunking と学習データサイズを変えて比較。 - 得られた warm-start を SCP の cost-optimal および feasibility projection に利用。

4. どうやって有効だと検証した？

- 300 の held-out シナリオで評価。 - 学習済み warm-start により第二段 SCP の反復回数が最大 28%、実行時間が 23% 削減。 - 最終的な control-cost 分布は維持。 - 非凸 feasibility projection では実行時間がほぼ半減し、ヒューリスティック初期化時の高コスト裾挙動を回避。

5. 議論はある？

- 学習ベース warm-start が最適化ベース終端誘導の計算効率と軌道ロバスト性を改善する可能性を示す。 - linear と flow matching の action decoder、action-chunking、データセットサイズの影響を比較。 - 具体的な議論や限界については要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照・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 sequential convex programming (SCP)、causal transformer、flow matching、action-chunking が挙げられる。 - 同分野の定番として space manipulator の trajectory optimization や on-orbit servicing に関する研究が考えられるが、要旨からは特定できない。

※ 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, Maximilian Adang, Mac Schwager, Simone D'Amico

分類: cs.RO, cs.AI, math.OC

原文アブストラクト

Real-time trajectory generation for on-orbit robotic servicing is challenging due to the nonlinear coupling between spacecraft bus motion, manipulator dynamics, visibility cone, and trajectory-level safety constraints. This paper studies learning-based warm-starting for sequential convex programming (SCP) in the terminal approach of a space manipulator toward a tumbling target. The proposed framework decomposes the problem into a system center-of-mass translational planning stage and a coupled attitude--manipulator torque-allocation stage, and applies a causal transformer warm-start to the latter, which constitutes the dominant computational bottleneck. Linear and flow matching action decoders are compared under different action-chunking and training dataset sizes, and the resulting warm-starts are evaluated under both cost-optimal and feasibility projection using SCP. Across 300 held-out scenarios, the learned warm-start reduces the second-stage SCP iteration count by up to 28% and the runtime by 23% while preserving the final control-cost distribution. When the learned warm-starts are used for nonconvex feasibility projection, they nearly halve the runtime relative to cost-optimal SCP, while avoiding the catastrophic high-cost tail behavior observed when initialized heuristically. These results indicate that sequence-model warm-starts can improve both the computational efficiency and trajectory robustness of optimization-based terminal guidance for space manipulation.

arXivで原文を読む →arXiv概要ページ

← 論文一覧