Low-thrust station-keeping on libration point orbits leveraging supervised learning

Computationally efficient guidance is challenging for station-keeping applications in nonlinear dynamical regions, where a potential onboard control method must satisfy mission requirements on accuracy, computational footprint, and propellant consumption. This research aims to explore the use of data-driven methods for real-time and onboard computation of station-keeping controls for a low-thrust spacecraft in a libration point orbit. This thesis focuses on supervised learning techniques and addresses three main aspects: the efficient generation of a database of fuel-optimal trajectories, the selection of suitable neural network architectures, and the evaluation of the performance of the trained models. A hybrid method is used to obtain the database of fuel-optimal trajectories. The indirect method is applied to obtain a set of fuel-optimal transfers. Then, the database is filled with fuel-optimal trajectories that are computed efficiently by using backward time integration, exploiting the mean and covariance of the final costates previously obtained with the indirect method. This research considers various neural network models, from conventional policy networks to physics-informed networks. The hyper-parameters of each network are optimized using a sequential grid search technique that is specifically tailored for the problem at hand such that the computational cost of hyper-parameter tuning is reduced with respect to standard methods. Three criteria of increasing difficulty are used to assess the performance of the best neural networks for station-keeping control. The limitations of the neural networks are revealed by the results, as none of them can keep a spacecraft on a libration point orbit effectively. The study then explores possible directions for future research that could lead to better outcomes.

La guida computazionalmente efficiente è una sfida per le applicazioni di mantenimento dell'orbita in regioni dinamiche non lineari, dove un potenziale metodo di controllo a bordo deve soddisfare i requisiti di missione su accuratezza, impronta computazionale e consumo di propellente. Questa ricerca mira a esplorare l'uso di metodi basati sui dati per il calcolo in tempo reale, e a bordo, dei controlli per mantenimento dell'orbita attorno a punti di librazione per satelliti a bassa spinta. Questa tesi si concentra su tecniche di apprendimento supervisionato e affronta tre aspetti principali: la generazione efficiente di un database di traiettorie ottimali in termini di carburante, la selezione di architetture di rete neurale adatte e la valutazione delle prestazioni dei modelli addestrati. Un metodo ibrido viene utilizzato per ottenere il database delle traiettorie ottimali. Il metodo indiretto viene applicato per ottenere un insieme di trasferimenti ottimali in termini di carburante. Poi, il database viene riempito con traiettorie ottimali che vengono calcolate in modo efficiente utilizzando l'integrazione all'indietro nel tempo, sfruttando la media e la covarianza dei costati finali precedentemente ottenuti con il metodo indiretto. Questa ricerca considera vari modelli di rete neurale, dalle reti convenzionali alle reti informate dalla fisica. Gli iper-parametri di ogni rete vengono ottimizzati utilizzando una tecnica sequenziale di ricerca a griglia che è specificamente adattata per il problema in questione, in modo tale che il costo computazionale dell'ottimizzazione degli iper-parametri sia ridotto rispetto ai metodi standard. Tre criteri di difficoltà crescente vengono utilizzati per valutare le prestazioni delle migliori reti neurali nel controllo del mantenimento dell'orbita. I limiti delle reti neurali vengono rivelati dai risultati, poiché nessuna di esse è in grado di mantenere un satellite su un'orbita attorno ad un punto di librazione in modo efficace. Lo studio esplora poi possibili direzioni per future ricerche che potrebbero portare ad un miglioramento dei risutati.