Als aufstrebender kooperativer Multisatelliten-Flugmodus ist der Mikrosatellitenschwarm zu einem wichtigen zukünftigen Forschungsthema für verteilte Weltraumsysteme geworden. Es bietet niedrige Kosten, schnelle Reaktion und kooperative Entscheidungsfindung. Um die Koordination von Schwärmen für autonome Agenten anzugehen, wurde ein probabilistischer Führungsansatz untersucht, der Teilschwärme mit unterschiedlichen Missionszielen enthielt.
Die probabilistische Schwarmführung ermöglicht es autonomen Mikrosatelliten, ihre individuellen Trajektorien unabhängig voneinander zu generieren, sodass der gesamte Schwarm in die gewünschte Verteilungsform konvergiert. Es ist jedoch wesentlich, eine Überfüllung zu vermeiden, um die Möglichkeit von Kollisionen zwischen Mikrosatelliten zu verringern, was Herausforderungen an das Design des Kollisionsvermeidungsalgorithmus hinzufügt.
In einer kürzlich erschienenen Forschungsarbeit in Raumfahrt: Wissenschaft & TechnologieBing Xiao, von der School of Automation, Northwestern Polytechnical University, schlug eine auf Centroidal Voronoi Tessellation (CVT) und Model Predictive Control (MPC) basierende Synthesemethode vor, die darauf abzielt, eine Makro-Mikro-Trajektorienoptimierung eines Mikrosatellitenschwarms zu erreichen.
Der Autor formulierte das Transfermodell von Schwarmmikrosatelliten im 3D-Raum und führte das probabilistische Schwarmführungsgesetz ein. Da es wesentlich war, Ansammlungen zu vermeiden, um die Wahrscheinlichkeit von Kollisionen zwischen Mikrosatelliten zu reduzieren, wurde die Sicherheitsanalyse der Kollisionsvermeidung danach auf der Grundlage des Auffindens der Untergrenze des Mindestabstands zwischen allen Mikrosatelliten zu jedem Zeitpunkt durchgeführt.
Um die kollisionsfreie Führungsbahn jedes Mikrosatelliten von der aktuellen Position zum Zielraum zu bestimmen, war ein Kollisionsvermeidungsalgorithmus erforderlich. Mit einer Koordination auf hoher Ebene, die makroskopische Modelle verwendete, war es jedoch sehr schwierig, kollisionsfreie Trajektorien zu erzeugen. Daher stellte der Autor eine Synthesemethode vor, bei der die Trajektorienplanung in Makroplanung und Mikroplanung unterteilt wurde.
Anschließend stellte der Autor die Details der Makroplanung bzw. Mikroplanung des Mikrosatellitenschwarms vor. Bei der Makroplanung des Mikrosatellitenschwarms wurde die Zielposition jedes Mikrosatelliten durch den durch den CVT-Algorithmus erzeugten Schwerpunkt bestimmt, und alle Mikrosatelliten bewegten sich zum entsprechenden Schwerpunkt, bis der Algorithmus konvergierte.
Die endgültige Verteilung des Mikrosatellitenschwarms im Raum wurde entsprechend der Lage des Schwerpunkts erhalten. Bei der Mikroplanung des Mikrosatellitenschwarms wurde MPC übernommen, um die optimalen Trajektorien für jeden Schritt zu generieren und schließlich die vorgegebene Position im Zielwürfel zu erreichen.
Insbesondere erstellte der Autor das orbitale Dynamikmodell unter Berücksichtigung der J2-Störung und implementierte die Konvexifizierung von Kollisionsvermeidungsbeschränkungen im Prozess der Schwarmrekonfiguration. Um die Trajektorienplanung in Echtzeit zu erreichen, wurde eine modellprädiktive Steuerung eingeführt, die einen zurückweichenden Horizont verwendet, um die optimalen Trajektorien basierend auf den aktuellen Zustandsinformationen zu aktualisieren. Bedeutsamerweise kann das vorgeschlagene Verfahren nicht nur die Kollisionsvermeidung beim Manövrieren von Mikrosatellitenschwärmen auf Makroebene realisieren, sondern auch optimale Trajektorien für jeden Mikrosatelliten von Schwarmindividuen auf Mikroebene bereitstellen.
Schließlich wurde die numerische Simulation durchgeführt, um die vorgeschlagene Makro-Mikro-Flugbahnplanungsmethode des Mikrosatellitenschwarms zu verifizieren. Der Autor gab einen virtuellen zentralen Mikrosatelliten an und entwarf einen großen (300) Mikrosatellitenschwarm mit einer omnidirektionalen Flugkonfiguration. Der CVT-Algorithmus wurde verwendet, um Regionen aufzuteilen und um die Position der im nächsten Moment zu übertragenden Mikrosatelliten zu bestimmen.
Dann wurde einer der Würfel im Transferprozess ausgewählt und an ihm CVT durchgeführt, um die Transferposition des Mikrosatelliten zu bestimmen. Nach 50 Iterationen wurde eine stabile Konfiguration erhalten und die Position bestimmt, an der sich der Mikrosatellit im nächsten Moment bewegte. Aufgrund des großen Maßstabs des Mikrosatellitenschwarms erforderte der Prozess zum Erreichen der endgültigen Konfiguration viele Übergänge.
Um die vorgeschlagene Trajektorienoptimierung basierend auf einer modellprädiktiven Steuerung zu verifizieren, wurde einer der Mikrosatelliten zu einem bestimmten Zeitpunkt vom Ausgangspunkt bis zum nächsten gewünschten Zielpunkt ausgewählt. Die einzelnen Mikrosatelliten können den gewünschten Punkt gut erreichen. Nachdem der gewünschte Punkt erreicht wurde, würde die nächste Iteration ausgeführt werden, und aufgrund des Einflusses der Orbitaldynamik könnte der Mikrosatellit ohne Steuerungseinschränkungen nicht der Zielpunkt bleiben.
Um die Mission des Mikrosatellitenschwarms praktischer zu gestalten, wurde MPC in der Mikroplanung verwendet, um die Leistung des Mikrosatellitenschwarms in Bezug auf den Kraftstoffverbrauch und die Ressourcennutzung zu verbessern. So bestätigten Simulationsergebnisse zur kollisionsfreien Führungsbahn von Mikrosatelliten die Vorteile des Planungsschemas, das gut mit der Ingenieurpraxis übereinstimmte.
Xiwei Wu et al, Centroidal Voronoi Tessellation and Model Predictive Control-Based Macro-Micro Trajectory Optimization of Microsatellite Swarm, Raumfahrt: Wissenschaft & Technologie (2022). DOI: 10.34133/2022/9802195
Bereitgestellt von Beijing Institute of Technology Press Co., Ltd