Transformer‑basiertes RL revolutioniert orbitalen Kollisionsvermeidung
Wissenschaftler haben ein neues, transformer‑basiertes Reinforcement‑Learning‑System vorgestellt, das autonome Raumfahrzeuge dabei unterstützt, Kollisionen im Orbit zuverlässig zu vermeiden, selbst wenn die Sensoren nur unvollständig und verrauscht arbeiten.
Das System kombiniert einen anpassbaren Begegnungssimulator, ein Beobachtungsmodell, das die Distanz zwischen den Objekten berücksichtigt, und einen sequentiellen Zustandsschätzer, der die Unsicherheit in der relativen Bewegung abbildet. Durch die Integration einer POMDP‑Architektur, die auf Transformer‑Netzwerken basiert, kann das Modell lange Zeiträume von Beobachtungen miteinander verknüpfen und dadurch verrauschte sowie intermittierende Messungen besser interpretieren als klassische Ansätze.
Die Entwickler betonen, dass diese Fortschritte die Grundlage für das Training von Kollisionsvermeidungsagenten bilden, die unter realen Bedingungen mit unvollständiger Überwachung und begrenzter Sichtbarkeit zuverlässig agieren können. Damit eröffnet die Technologie neue Perspektiven für die sichere und autonome Navigation von Satelliten in zunehmend überlasteten Umlaufbahnen.