Verallgemeinerung von Roboter Trajektorien zur Annäherung an taumelnde Objekte mit Methoden des maschinellen Lernens

Abstract

Nachhaltigkeit ist nicht nur bei uns auf der Erde ein Thema, sondern auch im Weltraum. Im Orbit unserer Erde fliegen Satelliten, die ein kaputtes Solarpanel haben, Satelliten mit veralteter Software und unkooperative Satelliten, die den Kontakt zur Erde verloren haben. On-Orbit-Servicing beschäftigt sich mit der Frage, wie die Lebensdauer dieser Satelliten verlängert und kaputte Satelliten wieder in Betrieb genommen werden können. Die Observation und Schätzung des Zustands, die Annäherung, das Andocken und die Wartungsarbeiten eines Weltraumroboters an solchen Satelliten sind Gegenstand vieler Forschungsarbeiten. Bei der Planung einer Trajektorie zur Annäherung können optimierungsbasierte Trajektorien Planer zu energieeffizienten Lösungen führen. Allerdings stoßt die Methode bei hochgradig nichtlinearen Problemen an ihre Grenzen und erfordert dann eine gute Initialisierung. In dieser Thesis wird das Potential überwachter maschineller Lernmethoden zur Initialisierung eines optimierungs-basierten Trajektorien-Planers betrachtet. Die Algorithmen Gaussian Process Regression, Random Forest und Multi Layer Perceptron werden darauf trainiert, die Trajektorie eines Chasers zu lernen. Der verwendete Datensatz enthält mit 4-Order-B-Splines parametrisierte Trajektorie und verschiedene Zustände eines unkooperativen Satelliten. In einem Anwendungsbeispiel wird gezeigt, dass durch den Warm-Start mit maschinellen Lernmethoden die mechanischen Kosten des Chasers gesenkt werden können. Verglichen mit dem Warm-Start aus einer Look-Up-Table sinkt der Bedarf an Trainingsdaten um bis zu 60 %. Die Thesis analysiert zudem die Trainingsdaten in Bezug auf die Parametrisierung. Es werden Methodiken zur Identifizierung von Ausreißern und Diskontinuitäten im Datensatz sowie zum Finden von gleichmäßigen Arealen vorgestellt. Die Arbeit knüpft an Forschungsergebnisse zum Einsatz von ML zum Warm-Start von optimierungs-basierten Trajektorien-Planern an. Sie knüpft an die offene Forschungslücke an diese Methode, für das Problem der Annäherung an ein taumelndes Objekt zu untersuchen. Die Ergebnisse können für zukünftige Forschungen im Bereich des maschinellen Lernens in der Trajektorien Planung komplexer Anwendungsfälle dienen.