Jannik Graebner

扩散模型和MCMC加速航天器轨迹优化

研究人员开发了一个新颖的迁移学习框架，以提高初步任务设计中航天器轨迹生成的效率。该方法结合了扩散模型和马尔可夫链蒙特卡洛（MCMC）方法，以更有效地学习和采样代表高质量初始协态的分布。通过重新构建多目标优化问题并采用基于梯度的MCMC算法，该框架生成的符合要求解的数量更多，并且与现有间接方法相比，实现了更优的帕累托前沿。经过任务参数条件化的微调扩散模型能够高效地生成新解，使该框架成为解决不同轨迹优化问题的实用工具。