日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
宇宙機制御arXiv:2610.12774

分布ロバスト適応反復共分散ステアリングによる小天体近傍運用

Distributionally Robust Adaptive Iterative Covariance Steering for Small-Body Proximity Operations

シェア:XThreadsFacebookLINEはてブBluesky

不確かな重力・太陽輻射圧下での小天体近傍運用に向け、反復共分散ステアリングとL1分布ロバスト適応制御を組み合わせ、衝突回避のリスクを大幅に低減する手法を提案した。

詳しい要約

1. どんなもの？

- 小型天体近傍運用のための自律誘導手法。 - 連続推力下で不確かな重力・SRP・確率的擾乱に対応。 - iterative covariance steering (iCS) と L1 distributionally robust adaptive control (L1-DRAC) を統合。 - 名目計画モデルと真の動力学の不一致下でも risk-aware な衝突回避を提供。

2. 先行研究と比べてどこがすごい？

- 従来の iCS 単独では動力学不確かさ・分布不一致に弱い。 - L1-DRAC を組み合わせ、Wasserstein radius で残差分布不一致を計画側に反映。 - 計画と適応制御を統合し、keep-out 制約を distributionally robust CVaR で扱う点が新しい。 - 具体的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？

- iCS が distributionally robust conditional value-at-risk keep-out 制約を満たす名目フィードバック則を計画。 - L1-DRAC が動力学不確かさを補償し、残差分布不一致を Wasserstein radius で有界化。 - その radius を planner が利用し、リスク評価に反映。 - 連続推力 guidance 下で不確かな重力・SRP・拡散擾乱を扱う。

4. どうやって有効だと検証した？

- 重力・SRP・拡散の mismatch を含む 1000 組の paired Monte Carlo trials で検証。 - L1-DRAC 適応制御により keep-out violation rate が 32.7% から 0.2% に低減。 - physical collision rate が 16.4% から zero に低減。 - actuator saturation は発生しなかった。

5. 議論はある？

- 名目計画モデルと真の動力学の不一致に対する risk-aware 衝突回避の有効性を示す。 - Wasserstein radius による残差分布不一致の有界化が計画と適応制御の橋渡し。 - 計算負荷、他条件への一般化、理論保証の詳細は要旨からは不明。

6. 次に読むべき論文は？

- iterative covariance steering (iCS) の原論文。 - L1 adaptive control および L1-DRAC の関連研究。 - distributionally robust CVaR 制約付き制御。 - Wasserstein ambiguity set を用いた distributionally robust optimization。 - small-body proximity operations の guidance 研究。

※ 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: Vivek Khatana, Aditya Gahlawat, Naira Hovakimyan, Petros Voulgaris

分類: eess.SY, cs.RO, math.FA, math.OC, math.PR

原文アブストラクト

Autonomous small-body proximity operations require continuous-thrust guidance under uncertain gravity, solar-radiation pressure (SRP), and stochastic disturbances. We combine iterative covariance steering (iCS) with $L_1$ distributionally robust adaptive control ($L_1$-DRAC) to provide risk-aware collision avoidance despite mismatch between the nominal planning model and the true dynamics. Iterative covariance steering plans a nominal feedback policy satisfying distributionally robust conditional value-at-risk keep-out constraints, while $L_1$-DRAC compensates for dynamics uncertainty and bounds the residual distributional mismatch through a Wasserstein radius used by the planner. In $\mathbf{1000}$ paired Monte Carlo trials with gravity, SRP, and diffusion mismatch, $L_1$-DRAC adaptive control reduces the keep-out violation rate from $\mathbf{32.7\%}$ to $\mathbf{0.2\%}$ and the physical collision rate from $\mathbf{16.4\%}$ to zero, without actuator saturation.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI