우주 매니퓰레이터를 이용한 회전 객체에 대한 실행 가능하고 최적인 터미널 접근을 위한 트랜스포머 기반 웜 스타트
Transformer-Based Warm-Starting for Feasible and Optimal Terminal Approach to Tumbling Objects with Space Manipulators
우주 매니퓰레이터로 회전하는 객체를 자율 포착하려면 실시간 온보드 제약 하에서 궤적 생성이 필요하다. 그러나 결합된 버스-암(bus-arm) 동역학, 회전하는 안전 기하, 가시성 요구사항 때문에 기본 최적화(optimization)는 매우 비볼록(nonconvex)해져 해석 비용이 크고 초기화(initialization)에 민감하다. 본 논문은 2단계 순차 볼록 프로그래밍(SCP, sequential convex programming) 프레임워크에서 계산적으로 지배적인 자세-매니퓰레이터(attitude-manipulator) 단계를 위한 인과적(causal) 트랜스포머 웜 스타트를 제안한다. 임베드 하드웨어에서 평가한 300개의 홀드아웃(held-out) 시나리오에서, 학습된 웜 스타트는 수치적 실행 가능성(feasibility)을 유지하고 최종 제어 비용을 맞추면서 2단계 SCP의 반복 횟수를 최대 32%, 실행 시간을 16% 줄였다. 또한 action-chunk 길이와 학습(training) 데이터셋(dataset) 크기에 걸쳐 선형(linear)과 flow matching 액션 디코더를 비교했으며, flow matching 디코더가 선형 디코더보다 더 강한 학습 데이터 효율을 보였다. SCP를 실행 가능성(feasibility) 기준으로 종료하면 실행 시간이 더 줄어들며, 학습된 사전(prior)은 휴리스틱 초기화(heuristic initialization)에서 관측된 심각한 고비용 꼬리(high-cost tail)를 억제한다. 이러한 결과는 학습된 웜 스타트가 온보드 최적화 비용을 줄이면서 SCP를 실행 가능하고 저비용 해를 포함하는 유역(basin)으로 유도할 수 있음을 보여준다.