Evaluating Robustness and Adaptability in Learning-Based Mission Planning for Active Debris Removal

Created by

Haebom

저자

Agni Bandyopadhyay, Gunther Waxenegger-Wilfing

💡 개요

본 연구는 저궤도 능동 우주 잔해물 제거(ADR) 임무 계획에서 효율성, 적응성, 연료 및 임무 기간 제약 조건을 충족하는 세 가지 계획 기법(Masked PPO, 도메인 무작위화 Masked PPO, MCTS)을 비교 평가했습니다. 도메인 무작위화 Masked PPO는 훈련 시 다양한 제약 조건에 노출되어 변화하는 환경에 대한 적응성을 높였으며, 이는 기존 PPO의 성능 저하를 완화하면서도 좋은 성능을 유지했습니다.

🔑 시사점 및 한계

•

학습 기반 계획 기법은 학습 시나리오와 일치하는 조건에서 최고의 성능을 보이지만, 훈련 분포에서 벗어나는 변화에는 취약합니다.

•

온라인 재계획 능력을 가진 MCTS는 제약 조건 변화에 가장 잘 대처하지만, 계산 시간 측면에서 큰 단점이 있습니다.

•

훈련 데이터의 다양성과 온라인 계획 방법의 조합은 미래의 탄력적인 ADR 임무 계획을 위한 유망한 접근 방식이 될 수 있습니다.

•

본 연구는 학습 기반 계획 기법의 속도와 검색 기반 방법의 적응성 사이의 절충점을 강조하며, 실제 ADR 시스템에 적용하기 위한 추가적인 연구 및 최적화가 필요합니다.

PDF 보기

Made with Slashpage