Data-Driven Modeling and Control for Tethered Space Systems with Koopman-Informed Graphs

📄 arXiv: 2606.29825v1 📥 PDF

作者: Ao Jin, Yifeng Ma, Panfeng Huang, Fan Zhang

分类: cs.RO

发布日期: 2026-06-29

备注: 11 pages

💡 一句话要点

提出KGD框架以解决系留空间系统建模与控制问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 系留空间系统 Koopman算子 图神经网络 模型预测控制 数据驱动建模 空间泛化 动态系统

📋 核心要点

  1. 现有数据驱动方法在系留空间系统建模中面临长期预测稳定性和空间泛化能力不足的挑战。
  2. 本文提出KGD框架，通过结合Koopman算子的全局线性演化与图神经网络的局部拓扑信息，提升建模精度。
  3. 实验结果表明，KGD方法在小规模配置上训练后，能够有效预测和控制更大规模的未见物理系统。

📝 摘要（中文）

系留空间系统的建模对先进轨道操作至关重要。灵活组件如系留绳和空间网在这些系统中不可或缺，但由于其高维、强耦合和非线性动态，控制面临重大挑战。尽管数据驱动方法提供了替代建模途径，但在长期预测稳定性和空间泛化方面常常表现不佳。为此，本文提出了Koopman图动态（KGD）框架，通过将Koopman算子的全局线性演化与图神经网络的局部拓扑先验相结合，学习结构动态。在此基础上，开发了基于KGD的模型预测控制策略。地面实验表明该方法具有高精度建模能力，并且在不重新训练的情况下展现出卓越的空间迁移能力。

🔬 方法详解

问题定义：本文旨在解决系留空间系统的建模与控制问题，现有方法在处理高维、强耦合和非线性动态时存在长期预测稳定性不足和空间泛化能力差的痛点。

核心思路：提出KGD框架，通过整合Koopman算子的全局线性演化与图神经网络的局部拓扑先验，构建更为精确的动态模型，从而提升控制策略的有效性。

技术框架：KGD框架主要包括两个模块：首先是基于Koopman算子的动态学习模块，其次是基于图神经网络的拓扑信息整合模块。通过这两个模块的结合，实现对系留空间系统的高效建模与控制。

关键创新：KGD框架的创新在于将全局线性演化与局部拓扑信息相结合，突破了传统数据驱动方法在空间泛化和长期预测上的局限性。

关键设计：在模型设计中，采用了特定的损失函数以平衡全局与局部信息的学习，同时在网络结构上引入了图神经网络的特征，以增强模型对复杂动态的适应能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，KGD框架在小规模配置上训练后，能够成功预测和控制未见的更大物理规模，展现出卓越的空间迁移能力。与传统方法相比，模型的预测精度显著提高，验证了其在复杂动态环境中的有效性。

🎯 应用场景

该研究的潜在应用领域包括航天器的轨道控制、空间站的维护与操作等。通过提升系留空间系统的建模与控制能力，能够有效支持未来的空间探索与利用，具有重要的实际价值和深远的影响。

📄 摘要（原文）

Modeling tethered space systems is critical for advanced orbital operations. Flexible components such as tethers and space nets are integral to these systems but present significant control challenges due to their high dimensional, strongly coupled, and nonlinear dynamics. While data driven methods offer alternative modeling approaches, they frequently struggle with long term predictive stability and spatial generalization. To address this, we propose the Koopman Graph Dynamics (KGD) framework to learn the structural dynamics by integrating the global linear evolution of the Koopman operator with the local topological priors of Graph Neural Networks. Building upon this representation, we develop a KGD based Model Predictive Control strategy for tethered space systems. Subsequently, the ground experiments on flexible tether and space net demonstrate the high precision modeling capabilities of the proposed method. Crucially, the framework exhibits exceptional capacity for spatial transfer without retraining. Models trained exclusively on small configurations successfully predict and control significantly larger, unseen physical scales. Furthermore, the orbit simulations within a physics engine verify the effectiveness of the proposed approach for tethered space systems.