Нейронные операторные проекции для управления торможением с двигательной тягой в реальном времени при 6 степенях свободы

В статье представлен фреймворк оптимизации траектории в реальном времени для управления моторизованным снижением с шестью степенями свободы (6-DoF), основанный на операторе проекции на нейронной сети, интегрированном в схему метода переменных направлений с множителями (ADMM). Традиционные методы, такие как последовательное выпуклое программирование (SCP), опираются на итерационную линеаризацию и решение последовательности выпуклых задач, что приводит к высоким вычислительным затратам и чувствительности к параметрам настройки. Эти ограничения создают трудности для бортовой реализации в критичных по времени сценариях входа, снижения и посадки (EDL). Для преодоления этих проблем мы предлагаем обучаемый оператор проекции, который непосредственно отображает точки вне многообразия на поверхность, заданную нелинейной динамикой системы. Сеть проекции обучается с использованием потерь геометрической согласованности, обеспечивающих как близость, так и условие стационарности первого порядка на многообразии динамики. Встроенный в ускоренный методом Андерсона ADMM, этот нейронный оператор проекции позволяет эффективно обеспечивать выполнение нелинейных ограничений динамики за счёт единого прямого прохода инференса, что значительно снижает вычисления на итерацию. В сочетании с реализацией на GPU, использующей массово-параллельные операции проекции и линейной алгебры, наш метод обеспечивает более чем порядок величины ускорения вычислений для задачи 6-DoF моторизованного снижения при сохранении точности предсказания траектории и строгого соблюдения конечных и путевых ограничений по сравнению с хорошо настроенным SCP-контролем. Результаты подчёркивают потенциал метода для внедрения в бортовые системы наведения, требующие быстрой и надёжной генерации траекторий.