בעידן שבו סביבת המסלול סביב כדור הארץ מתמלאת בפסולת חללית, משימות הסרה פעילה (ADR) נתקלות באתגרים עצומים בשמירה על פעולות בטוחות והפחתת סיכוני התנגשויות. מחקר חדש שפורסם ב-arXiv מציג מסגרת מבוססת למידה מחוזקת (RL) לשיפור התחמקות התנגשויות אדפטיבית במשימות ADR, במיוחד להסרה של פסולת מרובה באמצעות לוויינים קטנים. לוויינים אלה זוכים לפופולריות הודות לגמישותם, עלות נמוכה ויכולת תמרון גבוהה, מה שהופך אותם לאידיאליים למשימות דינמיות כמו ADR.
המסגרת החדשה בונה על עבודות קודמות בנושא רנדזו עם פסולת מרובה ומשלבת אסטרטגיות תדלוק, תכנון משימות יעיל והתחמקות התנגשויות אדפטיבית לאופטימיזציה של פעולות הרנדזו של החללית. היא משתמשת באלגוריתם masked Proximal Policy Optimization (PPO), המאפשר לסוכן ה-RL להתאים תמרונים באופן דינמי לתנאי מסלול בזמן אמת. שיקולים מרכזיים כוללים יעילות דלק, הימנעות מאזורי התנגשות פעילים ואופטימיזציה של פרמטרי מסלול דינמיים.
סוכן ה-RL לומד לקבוע רצפים יעילים לרנדזו עם מטרות פסולת מרובות, תוך אופטימיזציה של צריכת דלק וזמן משימה והכנת עצירות תדלוק נדרשות. הביצועים נבחנו בסימולציות של תרחישי ADR המבוססים על נתוני פסולת Iridium 33, הכוללים תצורות מסלול מגוונות והפצות פסולת שונות. התוצאות מראות כי המסגרת מפחיתה סיכוני התנגשויות ומשפרת את יעילות המשימה בהשוואה לגישות היוריסטיות המסורתיות.
הגישה מציעה פתרון סקיילבילי לתכנון משימות ADR מורכבות רב-מטרות, והיא רלוונטית גם לבעיות רנדזו מרובה אחרות בתכנון משימות חלל אוטונומיות. לוויינים קטנים מאפשרים גמישות רבה יותר בהתמודדות עם סביבה צפופה ומשתנה, מה שחיוני ככל שהפסולת בחלל גדלה. המחקר מדגיש את הפוטנציאל של למידה מחוזקת בהפיכת משימות חלל ליעילות ובטוחות יותר.
עבור מנהלי עסקים בתעשיית החלל והטכנולוגיה, המסגרת הזו פותחת אפשרויות חדשות לאוטומציה של תכנון משימות. כיצד תשלבו למידה מחוזקת בפרויקטי החלל שלכם כדי להפחית סיכונים ולהוזיל עלויות?