Conditioned Sequence Models for Warm-Starting Sequential Convex Trajectory Optimization in Space Robots

D'ambrosio, Matteo

doi:10.3390/aerospace13020137

Conditioned Sequence Models for Warm-Starting Sequential Convex Trajectory Optimization in Space Robots

2026-01-30

1

OA

AI

DOI：10.3390/aerospace13020137

原文链接

原文求助

摘要

En 中文

未来在轨服务任务，如航天器捕获、修复和组装，需要能够实时自主计算动态可行且受约束轨迹的机器人系统。序列凸规划（SCP）已成为资源受限环境下在线轨迹优化的有效方法，通过迭代细化解决非凸问题，同时保持安全关键应用所需的形式保证。尽管新兴机器学习方法（ML）为轨迹生成提供了潜在改进，但它们通常缺乏这些严格的保证。为解决此问题，我们提出了一种用于机器人服务器的混合轨迹优化框架，利用自回归轨迹生成网络产生高质量初始猜测并预热SCP模块，使系统能够快速可靠地生成最优轨迹。该方法的关键优势在于消除了冗余操作器在猜测生成和后续细化过程中的逆运动学优化。通过基于与SCP求解器共享的外生输入进行条件化，网络本身具有任务和障碍物感知能力，形成了一种集成紧密的架构，最小化了机载计算需求。结果表明，这种基于网络的热启动策略显著加速了轨迹生成，减少了SCP计算时间和迭代次数，同时保留了凸优化的理论保证。

Keyword:

space robotics

sequential convex programming

conditioned sequence models

trajectory optimization

data-driven warm-starting

Conditioned Sequence Models for Warm-Starting Sequential Convex Trajectory Optimization in Space Robots

摘要

期刊

机构