Autonomous control of spacecraft for rendezvous mission using neural networks

The advancement in the field of space exploration has opened a new frontier in the domain of autonomous systems. The autonomous systems can replace the need of a crew in much hostile environments and help in reducing the dependence on human supervision for most mission phase. This thesis takes on the challenges of exploring such options of autonomous system for rendezvous missions. In the context of the problem statement a relative coupled translational and rotational model is developed by considering a chief spacecraft and a deputy spacecraft. The problem of rendezvous is dealt with using the model predictive controller by considering the non-linear equations as a method of propagation. Further, a new novel method has been presented for using a neural network as a predictor inside the model predictive controller. The propagation of the non-linear equations over the prediction horizon is computationally heavy which limits the usage of MPC in space rendezvous missions. The use of neural network as a predictor inside MPC is presented in this thesis. LSTM and GRU network architecture are used as a system identification for propagation of deputy across mission time span. Finally, a comparison analysis of both Non-linear Model Predictive Controller and Neural Predictive Controller is presented which verifies the network architecture and torque control parameters inside the mission constraints environment.

Il progresso nel campo dell'esplorazione spaziale ha aperto una nuova frontiera nel dominio dei sistemi autonomi. I sistemi autonomi possono sostituire la necessità di un equipaggio in ambienti molto ostili e aiutare a ridurre la dipendenza dalla supervisione umana per la maggior parte delle fasi della missione. Questa tesi affronta le sfide dell'esplorazione di tali opzioni di sistema autonomo per le missioni rendezvous. Nel contesto della formulazione del problema, viene sviluppato un modello traslazionale e rotazionale accoppiato relativo considerando un veicolo spaziale principale e un veicolo spaziale vice. Il problema del rendezvous viene affrontato utilizzando il model predictive controller considerando le equazioni non lineari come metodo di propagazione. Inoltre, è stato presentato un nuovo metodo per utilizzare una rete neurale come predittore all'interno del controller predittivo del modello. La propagazione delle equazioni non lineari sull'orizzonte di previsione è computazionalmente pesante, il che limita l'utilizzo di MPC nelle missioni rendezvous spaziali. L'uso della rete neurale come predittore all'interno di MPC è presentato in questa tesi. L'architettura di rete LSTM e GRU viene utilizzata come identificazione del sistema per la propagazione del deputato nell'arco di tempo della missione. Infine, viene presentata un'analisi comparativa del controller predittivo del modello non lineare e del controller predittivo neurale che verifica l'architettura di rete e i parametri di controllo della coppia all'interno dell'ambiente dei vincoli di missione.