Model predictive control for reusable launcher guidance improvement

This work aims to demonstrate the benefits and limitations of an on-board Guidance for reusable launch vehicles, as well as to tradeoff different Model Predictive Control (MPC)-based Guidance and Control (G&C) architectures, exploiting, in particular, recent advances on successive convexification algorithms for optimization problems. Leading space agencies and private companies are investing on the development of reusable space launchers to reduce the cost to access the space. Indeed, that cost is one of the major deterrents in space exploration and space utilization. Reusability is, therefore, the unanimous solution to lower costs, and get a reliable and fast space access. Among many technological enhancements, the guidance, navigation, and control plays a crucial role: precise pinpoint landing capabilities or mid-air recovery, in fact, are mandatory. Indeed, the capability for generating re-optimized guidance trajectories on-board in real-time based on current flight conditions promises to improve the system performance, allows for fault tolerance capabilities, and reduces mission preparation costs. The thesis focuses especially on the implementation of a successive convexification Model Predictive Control guidance algorithm which solves the 6 Degree-of-Freedom (DoF) Powered Descent Guidance problem (PDG). The novelty of that work is applying a model predictive-based technique to a complex dynamic environment, trading off different solutions to the problem and relying on results obtained by using an industrial simulation framework. The robustness of the proposed approach is tested in several operative scenarios and the feasibility of real-time implementation is studied. The main bottleneck of such online implementations is the (guaranteed) computation time to obtain a solution. To ensure that a solution to the optimization is obtained in real-time, the formulation of the problem, while initially being non-convex, is convexified. This is performed by implementing a successive convexification algorithm, which obtains a sub-optimal solution of the original problem in a fraction of the time required by a global optimizer, by solving a Second Order Cone Programming (SOCP) problem. This method allows coping with different kinds of dynamics nonlinearities, as well as cost functions and constraints. By presenting the approach and critically discussing the obtained results, the work provides an overview of the different methodologies available in the literature and assesses the limits of those approaches when applied to highly nonlinear scenarios, with large dispersions of uncertain parameters, as it is the case of reusable launch vehicles.

Questo lavoro dimostra i benefici e le limitazioni di una strategia di guida a bordo per veicoli di lancio riutilizzabili, e compara diverse architetture di guida e controllo basate su tecniche di controllo predittivo (MPC), basandosi principalmente sulle recenti innovazioni introdotte da algoritmi di successive convexification per l'ottimizzazione di problemi. Le principali agenzie spaziali e compagnie private stanno investendo sullo svuluppo di lanciatori spaziali riutilizzabili per ridurre il costo per accedere allo spazio. Infatti, il costo di un lanciatore è uno dei maggiori deterrenti nell'esplorazione spaziale. Il riutilizzo è, dunque, la soluzione unanime per diminuire i costi, e ottenere un accesso allo spazio affidabile e veloce. Tra i molti miglioramenti tecnologici, la guida, la navigazione e il controllo hanno un ruolo cruciale: la capacità di un atterraggio preciso o un recupero in aria sono obbligatori. L'abilità di rigenerare a bordo e in tempo reale traiettorie di guida riottimizzate, basate sulle condizioni di volo attuali, infatti, promettono di migliorare le prestazioni del sistema, aumentano la tolleranza ai danni e riducono i costi di preparazione per la missione. Questa tesi si concentra soprattutto sull'implementazione di un algoritmo di guida basato sul controllo predittivo che risolve il problema di atterraggio motorizzato a 6 gradi di libertà con l'ausilio di successive convexification. La novità di questo lavoro è applicare una tecnica basata sulla predizione del modello ad un problema dinamico complesso, analizzando diverse soluzioni per il problema e affidandosi su risultati ottenuti da un simulatore industriale. La robustezza del approccio proposto è testata in un ampia gamma di scenari operativi e la fattibilità di un'impletazione in tempo reale è valutata. Il principale problema di una tale implementazione in tempo reale è il tempo di calcolo garantito per l'ottenimento di una soluzione. Per assicurare che una soluzione del problema di ottimizzazione sia ottenuta in tempo reale, la formulazione del problema di guida, inizialmente non convessa, viene resa convessa. Questo è eseguito attraverso l'implementazione di un algoritmo a successive convexification, che ottiene una soluzione sub-ottima del problema originale in una frazione del tempo richiesto da un ottimizzatore globale, risolvendo un problema Second Order Cone Programming (SOCP). Questo metodo permette di far fronte a diversi tipo di nonlinearità della dinamica, della funzione obiettivo e dei vincoli del problema. Presentendo il metodo e discutendo criticamente i risultati ottenuti, questo lavoro fornisce una panoramica delle diverse metodologie disponibili in letteratura e valuta i limiti di questi approcci quando sono applicati a scenari altamente nonlineari, con un'ampia dispersione nell'incertezza dei parametri, come nel caso di veicoli di lancio riutilizzabili.