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: 2026-06-12
💡 一句话要点
提出一种层次化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 鲁棒性 动态系统
📋 核心要点
- 现有的欠驱动航天器控制方法在面对环境干扰时表现出较大的敏感性，难以实现有效的姿态控制。
- 本文提出了一种层次化控制架构，结合NMPC、PINN和Lyapunov监督机制，以增强欠驱动航天器的控制能力。
- 实验结果表明，该方法在稳态姿态误差上相较于单独的NMPC有显著降低，并在不确定性下表现出良好的鲁棒性。
📝 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）用于约束和欠驱动感知的机动规划；物理信息神经网络（PINN）用于估计残余干扰扭矩；基于Lyapunov的监督安全机制在线评估学习的修正。实验结果显示，该架构在高保真模拟环境中显著降低了稳态姿态误差，同时在不确定性下保持了鲁棒性。
🔬 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NMPC在面对不确定性时，表现出跟踪性能下降的问题。
核心思路：论文提出了一种层次化的控制架构，通过结合NMPC、物理信息神经网络（PINN）和Lyapunov监督机制，来增强控制的稳定性和鲁棒性。该设计旨在利用神经网络的学习能力来补偿传统控制方法的不足。
技术框架：整体架构分为三层：第一层为NMPC，负责约束和欠驱动感知的机动规划；第二层为PINN，离线训练以估计残余干扰扭矩；第三层为Lyapunov监督机制，在线评估修正并确保控制器的稳定性。
关键创新：最重要的创新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，能够在不确定性环境中保持稳定性和鲁棒性。
关键设计：在PINN的训练中，损失函数设计包含与刚体旋转动力学一致性约束，以确保学习的扭矩估计的物理合理性。同时，Lyapunov监督机制的设计确保了在学习不可靠时，控制系统能够优雅地退化为基于模型的控制。
🖼️ 关键图片
📊 实验亮点
实验结果显示，与单独的NMPC相比，提出的方法在稳态姿态误差上实现了统计显著的降低，且在不确定性条件下保持了良好的鲁棒性。这表明该方法在实际应用中具有更高的可靠性和稳定性。
🎯 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和鲁棒性的动态系统控制。通过提高欠驱动系统的控制能力，该方法能够在复杂环境中实现更安全和高效的操作，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.