在轨道机器人服务中，实时轨迹生成面临挑战，主要由于航天器的运动、操控器动态、可视锥以及轨迹级安全约束之间的非线性耦合。本文研究了一种基于学习的热启动方法，用于空间操控器在接近翻滚目标时的顺序凸优化（SCP）。
该框架将问题分解为系统质心的平移规划阶段和耦合的姿态与操控器扭矩分配阶段，并对后者应用了因果变压器热启动，这一阶段是主要的计算瓶颈。在不同的动作分块和训练数据集大小下，线性和流匹配动作解码器进行了比较，并在成本最优和可行性投影下评估了结果的热启动效果。在300个保留场景中，学习到的热启动使得第二阶段SCP迭代次数减少了28%，运行时间减少了23%，同时保持了最终控制成本分布。当将学习到的热启动应用于非凸可行性投影时，相较于成本最优SCP，运行时间几乎减半，避免了初始化时观察到的灾难性高成本尾部行为。这些结果表明，序列模型热启动可以提高空间操控的优化终端引导的计算效率和轨迹鲁棒性。
博主点评： 本文提出的热启动方法不仅提高了计算效率，还有效改善了轨迹的鲁棒性，展示了在复杂动态环境中，基于学习的技术如何推动空间操控的发展。此研究为未来的机器人服务任务提供了新的思路，尤其是在处理翻滚目标时的应用潜力。