Transformer-based neural predictive control for spacecraft proximity operations

This thesis presents a hybrid control framework for spacecraft proximity operations around small bodies that integrates Transformer-based neural network architecture with Model Predictive Control (MPC). Transformer networks are employed to enhance temporal and spatial representation capabilities by exploiting attention mechanisms to capture complex dependencies in nonlinear spacecraft dynamics, while MPC is adopted to ensure stability and optimality in control generation, handling constraints and uncertainties. The proposed framework enables the use of a nonlinear predictive model within the MPC scheme with a significantly reduced computational burden compared to conventional nonlinear MPC approaches. Furthermore, online learning capabilities are incorporated to allow real-time adaptation to modeling uncertainties and environmental perturbations. An additional investigation is conducted on the incorporation of prior physical knowledge of the system into the online learning process, in order to assess the potential benefits of physics informed learning strategies. Extensive numerical simulations and Processor-in-the-Loop (PIL) experiments are conducted to validate the proposed approach, demonstrating its effectiveness and potential for autonomous spacecraft operations in close proximity to small bodies and planetary surfaces.

La presente tesi introduce un framework di controllo ibrido per le operazioni di prossimità di veicoli spaziali attorno a piccoli corpi celesti, fondato sull’integrazione di un’architettura di rete neurale basata su Transformer con il Model Predictive Control (MPC). La rete Transformer è impiegata per migliorare la capacità di rappresentazione temporale e spaziale, sfruttando i meccanismi di attenzione per catturare dipendenze complesse nella dinamica non lineare del veicolo spaziale, mentre l’MPC è adottato per garantire stabilità e ottimalità nella generazione del controllo, gestendo i vincoli operativi e gli effetti delle incertezze di modellazione. L’algoritmo proposto consente l’impiego di un modello predittivo non lineare all’interno dello schema MPC al costo di un peso computazionale significativamente ridotto rispetto agli approcci tradizionali di MPC non lineare. Inoltre, sono integrate capacità di online learning, che permettono l’adattamento in tempo reale alle incertezze di modellazione e alle perturbazioni ambientali. È stata inoltre esplorata l’integrazione, nel processo di apprendimento online, di informazioni fisiche note a priori sul sistema considerato, al fine di valutarne i potenziali benefici. Estese simulazioni numeriche ed esperimenti Processor-in-the-Loop (PIL) sono condotti per validare l’approccio proposto, dimostrandone l’efficacia e il potenziale per operazioni autonome di prossimità attorno a piccoli corpi e superfici planetarie.