Orbit-Planner: Towards Latent World Models for On-Orbit Obstacle Avoidance of Satellite Agents

📄 arXiv: 2608.16651v1 📥 PDF

作者: Zhijian Li, Chao Ren, Peijin Wang, Xian Sun

分类: cs.RO, cs.AI

发布日期: 2026-08-17

备注: 4 pages, 6 figures. Accepted to AP-GARSS 2026. Project page: https://zhijianli2003.github.io/Orbit_Planner/

🔗 代码/项目: GITHUB

💡 一句话要点

提出Orbit-Planner以解决卫星在轨障碍规避问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 卫星导航 障碍规避 潜在世界模型 航天器动力学 动态环境适应

📋 核心要点

  1. 现有方法依赖于预定义地图和固定环境假设，难以适应动态的在轨场景，造成碰撞风险预测的局限性。
  2. 本文提出的Orbit-Planner通过学习航天器的动作条件动力学，在潜在空间中进行未来状态的展开，增强了系统的灵活性。
  3. 实验结果显示，Orbit-Planner在Isaac Sim中实现了91.7%的成功率，显著提升了在轨障碍规避的效果。

📝 摘要（中文）

在轨导航任务中的卫星代理需要利用有限的机载观测来预测碰撞风险。然而，传统规划方法通常依赖于预定义地图和固定环境假设，限制了其在动态轨道场景中的适应性。本文提出了Orbit-Planner，一个用于在轨障碍规避的两阶段潜在世界模型。Orbit-Planner学习基于动作的航天器动力学，以在潜在空间中执行未来状态的展开，并引入物理探针从想象的潜在轨迹中解码物理状态变化。实验表明，Orbit-Planner能够执行长时间的潜在展开，并从想象的轨迹中恢复物理状态。在Isaac Sim中的闭环障碍规避导航中，其成功率达到91.7%。代码可在https://github.com/ZhijianLi2003/Orbit_Planner获取。

🔬 方法详解

问题定义：本文旨在解决卫星在轨导航中的障碍规避问题，现有方法因依赖固定地图和假设而无法有效应对动态环境带来的挑战。

核心思路：Orbit-Planner通过构建一个两阶段的潜在世界模型，学习航天器的动作条件动力学，从而在潜在空间中进行未来状态的预测和展开，提升了对动态环境的适应能力。

技术框架：该方法包括两个主要阶段：第一阶段是学习航天器的动态模型，第二阶段是通过物理探针解码从潜在轨迹中获得的物理状态变化。

关键创新：Orbit-Planner的核心创新在于引入了潜在世界模型和物理探针的结合，使得系统能够在想象的轨迹中有效恢复物理状态，突破了传统方法的局限性。

关键设计：在设计中，采用了特定的损失函数来优化航天器的动态模型，并通过实验验证了不同参数设置对模型性能的影响。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Orbit-Planner在Isaac Sim中的闭环障碍规避导航任务中成功率达到91.7%，相较于传统方法有显著提升，展示了其在长时间潜在展开和物理状态恢复方面的优越性。

🎯 应用场景

该研究的潜在应用领域包括卫星导航、空间探测和无人机飞行等，能够在动态环境中实现更高效的障碍规避，提升航天器的自主导航能力，具有重要的实际价值和未来影响。

📄 摘要（原文）

Satellite agents for on-orbit navigation tasks need to predict collision risks using limited onboard observations. However, conventional planners often rely on predefined maps and fixed environmental assumptions, limiting their adaptability in dynamic on-orbit scenarios. In this paper, we propose Orbit-Planner, a two-stage latent world model for on-orbit obstacle avoidance. Orbit-Planner learns action-conditioned spacecraft dynamics to perform future-state rollouts in latent space, and introduces a Physics Probe to decode physical state changes from imagined latent trajectories. Experiments demonstrate that Orbit-Planner can perform long-horizon latent rollouts and recover physical states from imagined trajectories. In closed-loop obstacle-avoidance navigation in Isaac Sim, it attains a success rate of 91.7%. Code is available at https://github.com/ZhijianLi2003/Orbit_Planner.