Autonomous Docking with a Tumbling Target: Learning-Based Planning and Adaptive Post-Capture Control = 회전하는 목표물에 대한 자율 랑데부 및 도킹: 학습 기반 궤적 계획 및 포획 후 적응형 자세 제어

다국어 초록 (Multilingual Abstract)

This dissertation addresses the dual challenges of trajectory planning and adaptive control for autonomous rendezvous and docking with tumbling targets. The mission profile is bifurcated into an approach phase, demanding high-fidelity propagation under computational constraints, and a post-capture phase, requiring rapid adaptation to uncertain inertia under strict safety bounds.

For the approach phase, a hybrid trajectory optimization framework named CEM-GRU is proposed. By integrating a differentiable Gated Recurrent Unit (GRU) surrogate model trained on high-fidelity orbital dynamics with the Cross-Entropy Method, the framework resolves the accuracy-speed tradeoff. This approach enables real-time generation of fuel-efficient trajectories that successfully navigate nonconvex, time-varying rotating corridors.

For post-capture stabilization, the PARTY (Predictive control with linear Adaptive Rollouts for Time-varYing Systems) framework is introduced. Utilizing a Context-Conditional Variational AutoEncoder (CCVAE) augmented with Selective State-Space Models (Mamba), the architecture adapts latent dynamics operators to unknown inertia in real-time without explicit identification. A Stochastic Model Predictive Control formulation with Gaussian tightening provides rigorous probabilistic guarantees for Keep-Out Zone constraint satisfaction. Empirical validation confirms that these learning-based methodologies achieve robust performance, bridging the gap between data-driven modeling and flight-critical safety requirements.

국문 초록 (Abstract)

우주 잔해물 제거 및 위성 수명 연장 임무의 중요성이 증대됨에 따라, 자세 제어가 되지 않아 텀블링 운동을 하는 비협조 표적에 대한 자율 랑데부 및 도킹 기술이 필수적으로 요구되고 있다. 그러나 이러한 임무는 접근 단계에서의 모델 정밀도와 계산 효율성 간의 상충 문제, 그리고 포획 후 단계에서의 급격한 관성 모멘트 변화와 엄격한 안전 제약 조건이라는 난제를 내포하고 있다. 본 논문은 이러한 문제들을 해결하기 위해 임무 단계를 접근 및 포획 후 안정화 단계로 구분하고, 각 단계에 특화된 두 가지 학습 기반 제어 프레임워크를 제안한다.

접근 단계를 위해, 본 연구는 CEM-GRU 하이브리드 궤적 최적화 알고리즘을 개발하였다. 기존 해석적 상태 천이 행렬의 선형화 오차를 극복하기 위해, J2 ~J4 중력 섭동 및 대기 저항을 포함한 고정밀 비선형 상대 궤도 역학을 학습한 미분 가능한 GRU 동역학 모델을 구축하였다. 이 동역학 모델을 크로스 엔트로피 방법(Cross-Entropy Method)의 전역적 확률 탐색 및 경사 하강 기반 미세 조정 기법과 결합함으로써, 회전하는 접근 통로와 같은 비볼록 시변 제약 조건 하에서도 연료 효율적인 궤적을 실시간으로 생성할 수 있음을 입증하였다.

포획 후 안정화 단계를 위해, 본 연구는 불확실한 관성 모멘트 하에서도 적응형 제어를 수행하는 PARTY (Predictive control with Linear Adaptive Rollouts for Time-varYing systems) 프레임워크를 제안한다. 이 구조는 선택적 상태 공간 모델(Mamba)을 활용하여 시계열 데이터로부터 시간적 맥락을 추출하고, 이를 CCVAE (Context-Conditional Variational AutoEncoder) 구조에 적용하여 명시적인 시스템 식별 없이도 변화하는 시스템 역학에 실시간으로 적응한다. 디코더에서는 제어기의 학습 안정성을 위해 결정론적 재구성 기법을 사용하되, 학습된 확률적 분포 정보를 활용한 가우시안 타이트닝 기법을 도입하여 확률적 모델 예측 제어(Stochastic MPC) 내에서 금지 구역 회피 조건을 엄밀하게 보장하였다.

제안된 방법론들은 몬테카를로 시뮬레이션을 통해 검증되었으며, 데이터 기반 모델링의 정밀함과 최적 제어의 실시간성을 효과적으로 결합함으로써 텀블링 표적에 대한 안전하고 효율적인 근접 운용을 달성함을 확인하였다.

목차 (Table of Contents)

• ABSTRACT ii
• LIST OF FIGURES viii
• LIST OF TABLES ix
• CHAPTER 1. Introduction 1
• 1.1 Motivation 1
• 1.2 Mission scope and phases 5
• 1.3 Research questions and contributions 7
• 1.4 Thesis organization and overview 10
• CHAPTER 2. Background and Related Work 13
• 2.1 Fundamentals of Spacecraft Dynamics and Control 13
• 2.1.1 Relative Motion Dynamics 13
• 2.1.2 Attitude Dynamics and Constraints 17
• 2.1.3 Koopman Operator Theory 21
• 2.1.4 Learning-Based Koopman Representations 24
• 2.1.5 Optimization Frameworks 27
• 2.2 Review: Trajectory Planning for Tumbling Targets 34
• 2.2.1 Limitations of Analytical State Transition Matrices 34
• 2.2.2 Sequential Convex Programming and Nonconvex Constraints 36
• 2.2.3 Phase Synchronization and Capture Window Selection 38
• 2.3 Review: Post-Capture Attitude Stabilization 39
• 2.3.1 Adaptive Control and the Persistent Excitation Dilemma 39
• 2.3.2 Robust Control and Conservatism 41
• 2.3.3 Limitations of Existing Koopman-Based Control 43
• 2.3.4 Model-Free Reinforcement Learning 45
• 2.4 Research Gaps and Objectives 46
• 2.4.1 Gap 1: Accuracy-Speed Tradeoff in Trajectory Optimization 46
• 2.4.2 Gap 2: Safety-Adaptivity Conflict in Attitude Control 48
• 2.4.3 Research Objectives 49
• CHAPTER 3. Approach Phase: Learning-Based Trajectory Planning 52
• 3.1 Problem formulation 52
• 3.1.1 Surrogate dynamics model in ROE space 52
• 3.1.2 Optimal control problem 55
• 3.2 Model representation and training 58
• 3.2.1 GRU architecture and gated residual mechanism 59
• 3.2.2 Training data generation 61
• 3.2.3 Loss function and training procedure 63
• 3.3 Trajectory optimization pipeline 64
• 3.3.1 Motivation for hybrid CEM-GRU approach 65
• 3.3.2 CEM-based stochastic sampling 66
• 3.3.3 Gradient-based refinement with automatic differentiation 67
• 3.3.4 Distribution update and convergence 68
• 3.3.5 Complete algorithm summary 69
• 3.4 Baseline comparisons 72
• 3.4.1 MPC with GA STM (MPC-GA) 72
• 3.4.2 SCP with GA STM (SCP-GA) 74
• 3.4.3 Common experimental setup 75
• 3.4.4 Algorithm parameters and settings 77
• 3.5 Performance results 81
• 3.5.1 Model validation 81
• 3.5.2 Scenario I: Long-range approach 85
• 3.5.3 Scenario II: Tumbling Target Approach 91
• 3.5.4 Ablation study 98
• 3.5.5 Computational efficiency 102
• 3.6 Summary 108
• CHAPTER 4. Post-Capture Stabilization 111
• 4.1 Capture event and inertia discontinuity 111
• 4.2 Problem statement 116
• 4.2.1 Dynamics and uncertainty 117
• 4.2.2 Objectives and constraints 120
• 4.3 Context-conditioned representation 126
• 4.3.1 Temporal encoding 127
• 4.3.2 Latent operators 129
• 4.3.3 Training procedure 132
• 4.4 QP-based Stochastic MPC design in latent space 135
• 4.5 Numerical experiments 155
• 4.5.1 Simulation setup 156
• 4.5.2 NMPC baseline 158
• 4.5.3 Scenarios 159
• 4.5.4 Evaluation metrics 161
• 4.5.5 Results and discussion 163
• 4.6 Empirical validation 171
• CHAPTER 5. Discussion 179
• 5.1 Effectiveness of learning-based planning 179
• 5.2 Requirements for adaptive control 180
• 5.3 System-level trade-offs 181
• 5.4 Limitations 182
• 5.5 Implications for future missions 183
• CHAPTER 6. Conclusion and Future Work 184
• 6.1 Summary of contributions 184
• 6.2 Extensions and hardware testing 185
• References 188
• 국문요약 199