Optimale Mehrdebris-Missionen in LEO: RL mit Co-Elliptischen Transfers & Betankung

In der aktiven Beseitigung von Weltraummüll in der niedrigen Erdumlaufbahn (LEO) stellt die Koordination mehrerer Ziele eine enorme logistische Herausforderung dar. Ein neues Papier präsentiert einen einheitlichen „Co‑Elliptic“-Manöverrahmen, der klassische Hohmann‑Transfers, Sicherheitsellipse‑Nahaufgaben und eine explizite Betankungslogik miteinander verknüpft. Dadurch wird ein flexibler und ressourcenschonender Ansatz für die Planung von Mehrdebris‑Missionen geschaffen.

Zur Bewertung der Effizienz wurden drei unterschiedliche Planungsalgorithmen getestet: ein Greedy‑Heuristik, ein Monte‑Carlo‑Tree‑Search (MCTS) und ein Deep‑Reinforcement‑Learning‑Ansatz mittels Masked Proximal Policy Optimization (PPO). Die Algorithmen wurden in einer realitätsnahen Orbital‑Simulationsumgebung eingesetzt, die zufällig verteilte Mülldecks, Keep‑Out‑Zonen und Delta‑V‑Beschränkungen simuliert.

Die Ergebnisse aus 100 Test‑Szenarien zeigen, dass Masked PPO die Missionseffizienz deutlich steigert. Im Vergleich zum Greedy‑Ansatz werden bis zu doppelt so viele Mülldecks erreicht, während MCTS in Bezug auf die Laufzeit deutlich hinter Masked PPO zurückbleibt. Die Kombination aus hoher Durchsatzrate und schneller Berechnung macht Masked PPO zum vielversprechendsten Verfahren.

Diese Erkenntnisse unterstreichen das Potenzial moderner Reinforcement‑Learning‑Methoden für skalierbare, sichere und ressourcenschonende Raumfahrtmissionen. Sie ebnen den Weg für eine autonome Zukunft der aktiven Debris‑Entfernung und markieren einen wichtigen Schritt in Richtung vollautomatischer Weltraumreinigungsprogramme.