MPC for underactuated spacecraft control with a Lyapunov supervised physics-informed neural network correction layer
作者: Amirhossein Ayanmanesh Motlaghmofrad, Carlo Cena, Mauro Martini, Marcello Chiaberge
分类: eess.SY, cs.RO
发布日期: 2026-06-11
备注: Accepted at SPAICE (AI in and for Space) 2026
💡 一句话要点
提出一种层次化控制架构以解决欠驱动航天器控制问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 欠驱动航天器 模型预测控制 物理信息神经网络 Lyapunov监督 姿态控制 动态系统 鲁棒控制
📋 核心要点
- 现有的控制方法在欠驱动航天器中面临可控性限制和对环境干扰的敏感性，导致姿态控制困难。
- 论文提出了一种层次化控制架构，结合NMPC、PINN和Lyapunov监督机制，以提高姿态控制的稳定性和鲁棒性。
- 实验结果表明，该方法在稳态姿态误差上显著优于传统NMPC，同时在不确定性条件下表现出更好的鲁棒性。
📝 摘要（中文）
欠驱动航天器面临可控性限制和对环境干扰的高度敏感性，导致姿态机动和稳定性变得复杂。由于在欠驱动轴上的控制权不足，传统控制器无法直接稳定所有姿态分量，因此需要参考规划策略。此外，模型预测控制（MPC）方法对惯性不确定性和未建模动态耦合敏感，导致在不匹配情况下跟踪性能下降。为了解决这些问题，本文提出了一种集成三层的层次化架构：非线性模型预测控制器（NMPC）、离线训练的物理信息神经网络（PINN）和基于Lyapunov的监督安全机制。该架构在高保真模拟环境中进行评估，结果显示在稳态姿态误差方面相较于单独的NMPC有显著减少，同时在不确定性下保持稳健行为。
🔬 方法详解
问题定义：本文旨在解决欠驱动航天器在姿态控制中的可控性限制和对环境干扰的敏感性。现有的控制方法如传统控制器和MPC在面对这些挑战时表现不佳，尤其是在不确定性和动态耦合未建模的情况下。
核心思路：论文提出了一种层次化的控制架构，结合了NMPC、PINN和Lyapunov监督机制，旨在通过引入物理信息和在线评估来增强控制系统的稳定性和鲁棒性。这样的设计使得控制系统能够在不确定性较高的环境中保持有效的姿态控制。
技术框架：整体架构分为三层：第一层是非线性模型预测控制器（NMPC），用于约束和欠驱动意识的机动规划；第二层是物理信息神经网络（PINN），通过离线训练来估计残余干扰扭矩；第三层是基于Lyapunov的监督机制，在线评估学习到的校正并限制其影响，以保持基线控制器的稳定性。
关键创新：最重要的创新点在于将物理信息神经网络与传统控制方法相结合，形成了一种新的控制策略，能够有效应对欠驱动航天器的控制挑战。这种方法与现有的单一控制策略相比，显著提高了系统的鲁棒性和稳定性。
关键设计：在设计中，PINN的损失函数包含了与刚体旋转动力学一致性的约束，确保了网络输出的物理合理性。此外，Lyapunov监督机制的设计确保了在学习增强不可靠时，系统能够优雅地退化为基于模型的控制。具体的参数设置和网络结构细节在实验部分进行了详细说明。
🖼️ 关键图片
📊 实验亮点
实验结果显示，采用该层次化控制架构后，稳态姿态误差相较于单独的NMPC显著减少，且在不确定性条件下表现出更好的鲁棒性。具体而言，Monte Carlo研究表明，稳态误差的统计显著性降低，验证了该方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括航天器的姿态控制、无人机飞行控制以及其他需要高精度控制的动态系统。通过提高欠驱动系统的控制性能，该方法能够在实际航天任务中提供更高的安全性和可靠性，具有重要的实际价值和未来影响。
📄 摘要（原文）
Underactuated spacecraft faces controllability limitations and heightened sensitivity to environmental disturbances, complicating attitude maneuvering and stabilization. Due to the lack of control authority along the underactuated axis, conventional controllers cannot directly stabilize all attitude components and therefore require reference planning strategies. Furthermore, MPC approaches remain sensitive to inertia uncertainty and unmodeled dynamic couplings, resulting in degraded tracking performance under mismatch. To address these issues, we consider a hierarchical architecture integrating three layers: (i) a nonlinear model predictive controller (NMPC) for constraint and underactuation-aware maneuver planning and nominal closed-loop stability under actuator limits; (ii) a physics-informed neural network (PINN) trained offline on simulation data to estimate residual disturbance torques, with loss terms that enforce consistency with rigid-body rotational dynamics; (iii) a Lyapunov-based supervisory safety mechanism that evaluates the learned correction online and bounds or suppresses its influence to preserve the stability properties of the baseline controller. The architecture is evaluated in a high-fidelity simulation environment modelling reaction wheel dynamics, actuator saturation, and environmental disturbances. Monte Carlo studies show statistically significant reductions in steady-state attitude error relative to standalone NMPC while maintaining robust behavior under uncertainty. The supervisory layer ensures graceful degradation to purely model-based control when the learning-based augmentation is unreliable.