Trajectory design in multi-body regimes: from formulation to reality

Space exploration is entering a new era that demands novel design and analysis methods to tackle increasingly ambitious objectives. This thesis addresses the end-to-end design of space trajectories in multi-body regimes, from preliminary formulation in simplified dynamic models to practical implementation and on-board autonomous control. First, algorithms are developed to reduce the design time of low-energy transfers in dynamically sensitive multi-body environments via a systematic progression from reduced models to higher-fidelity representations. Second, machine learning is employed to simplify the analysis and classification of complex trajectories. Third, the applicability of reinforcement learning for autonomous control in challenging dynamic frameworks is investigated. All methods are grounded in rigorous formulation and validated through simulation and analysis of realistic mission scenarios, including application to cislunar transfers and autonomous control of a spacecraft in the Saturn–Enceladus system. Results show that numerical and data-driven approaches can promote standardization of mission design practices and enhance on-board autonomy for future deep-space missions.

L’esplorazione spaziale sta entrando in una nuova era che richiede metodi innovativi di progettazione e analisi per far fronte ad obiettivi sempre più ambiziosi. Questa tesi affronta la progettazione end-to-end di traiettorie spaziali in regimi multi-corpo, dalla formulazione preliminare in modelli dinamici semplificati all’implementazione pratica e al controllo autonomo di bordo. In primo luogo, vengono sviluppati algoritmi per ridurre i tempi di progettazione dei trasferimenti a bassa energia in ambienti multi-corpo dinamicamente sensibili, attraverso una progressione sistematica da modelli ridotti fino a rappresentazioni ad alta fedeltà. In secondo luogo, machine learning viene utilizzato per semplificare l’analisi e la classificazione di traiettorie complesse. Infine, viene studiata l’applicabilità del reinforcement learning per il controllo autonomo in ambienti altamente dinamici. Tutti i metodi si basano su una formulazione rigorosa e sono validati attraverso la simulazione e l’analisi di scenari di missione realistici, tra cui l’applicazione a trasferimenti cislunari e al controllo autonomo del moto di un satellite nel sistema Saturno–Encelado. I risultati dimostrano che approcci numerici e basati sui dati possono promuovere la standardizzazione delle pratiche di progettazione delle missioni e migliorare l’autonomia di bordo per future missioni nello spazio profondo.