Fast Desensitized Optimal Control for Rocket Landing Problem

This research revisits the Desensitized Optimal Control Theory for its application to a computationally challenging numerical benchmark, specifically a descent and landing scenario involving a rocket propulsion system. The primary objective is to assess the efficacy of the proposed method in mitigating the impact of perturbations on the final state, thereby establishing a framework capable of simultaneously optimizing Guidance and Control for the specified case. Additionally, our focus is on formulating a rapid and computationally efficient approach to enhance speed without compromising precision. The investigation begins with a comprehensive analysis of the fundamental components of the method, particularly the sensitivity terms and the computation of feedback gains, with a comparison of alternative formulations to evaluate competitiveness. Subsequently, the application of this methodology to the target problem is thoroughly examined and characterized. Case dependent modifications are introduced to improve the method performances, and the results are critically compared against those obtained using conventional methods through an extensive Monte Carlo analysis campaign.

Questa ricerca considera la Teoria del Controllo Ottimale Desensitizzato per la sua applicazione ad un caso di studio computazionalmente oneroso, ovvero uno scenario di discesa e atterraggio per un veicolo con sistema di propulsione a razzo. L'obiettivo principale è valutare l'efficacia del metodo proposto nel mitigare l'impatto delle perturbazioni sullo stato finale, stabilendo così un approccio in grado di ottimizzare simultaneamente la Guida e il Controllo per il problema considerato. Inoltre, ci concentriamo sulla formulazione di un approccio rapido e computazionalmente efficiente per migliorare la velocità di convergenza del metodo del metodo senza comprometterne la precisione. L'indagine inizia con un'analisi approfondita degli elementi fondamentali del metodo, in particolare dei termini di sensitività e dei guadagni di retroazione, con confronto di diverse formulazioni per valutarne la competitività. Successivamente, viene esaminata l'applicazione di questa metodologia al problema specifico e caratterizzata in dettaglio, con variazioni per migliorarne le prestazioni. I risultati sono poi confrontati con quelli ottenuti mediante metodi tradizionali attraverso una approfondita campagna di analisi Monte Carlo.