ТЕНДЕНЦІЇ ВИКОРИСТАННЯ МЕТОДІВ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПЛАНУВАННЯ ТРАЄКТОРІЙ БАГАТОЦІЛЬОВИХ НИЗЬКООРБІТАЛЬНИХ МІСІЙ АКТИВНОГО ВИДАЛЕННЯ КОСМІЧНОГО СМІТТЯ

Автор(и)

  • Ю. М. ГОЛЬДШТЕЙН https://orcid.org/0000-0002-3931-2680 Інститут технічної механіки Національної академії наук України і Державного космічного агентства України, вул. Лешко-Попеля, 15, 49005, Дніпро, Україна; https://ror.org/003ed9546; e-mail: jura_gold@meta.ua

Ключові слова:

видалення космічного сміття, комбінаторна оптимізація, планування траєкторій, методи пошуку по дереву, метаевристичні методи, методи машинного навчання, нейронна мережа.

Анотація

DOI: https://doi.org/10.15407/itm2026.03.025

Космічне сміття (КС) стало нагальною проблемою через зростання кількості супутників та ракет, відправлених у космос з початку космічної ери. Навколоземний простір зараз заповнений тисячами діючих супутників і об’єктів КС. Найбільшу небезпеку для діючих супутників становлять дрібні фрагменти КС, основним джерелом яких є покинуті великі об'єкти КС: непрацюючі супутники, відпрацьовані ступені ракет та розгінні блоки. Зростання частоти зіткнень фрагментів КС з цінними космічними об'єктами стимулювало появу численних досліджень, що присвячені питанням активного видалення космічного сміття (АВС). В проведених дослідженнях наведено приклади ефективних багатоцільових місій АВС, реалізація яких пов’язана з виконанням складних і дороговартісних маневрів транспортних космічних апаратів (ТКА) місії. Багатоцільові місії АВС повинні забезпечувати економічну і технічну ефективність в умовах зміни навколишнього середовища і вимог до місії. В процесі виконання багатоцільових місій АВС один чи групи роботизованих ТКА з рушійними установками високої або низької тяги переміщуються по траєкторіях від одних об’єктів АВС до інших, захоплюють їх та відводять з орбіти, або прикріплюють до них модулі відведення. Траєкторії ТКА включають послідовності орбітальних перельотів для зустрічі з об’єктами АВС і суттєво залежать від балістичних схем місій АВС і тяги  рушійних установок ТКА. Складність проведення маневрів ТКА та дефіцит ресурсів місії АВС призводять до необхідності проведення систематичного планування траєкторій ТКА. Більше того, місії АВС потребують високого рівня автономності планування траєкторій ТКА. Планування траєкторій багатоцільових місій АВС призводить до необхідності розв’язку складних задач оптимального розподілу об’єктів АВС між ТКА місії, а також, одно або багатокритеріальних задач вибору оптимальних траєкторій АВС. З математичної точки зору задача планування траєкторій багатоцільових місій АВС належить до залежних  від часу оптимізаційних комбінаторних задач механіки космічного польоту з дискретними і безперервними змінними.

Метою роботи є висвітлення тенденції у використанні методів штучного інтелекту для планування траєкторій багатоцільових низькоорбітальних місій активного видалення космічного сміття.

У цій статті проведено порівняльний аналіз сучасних тенденцій і перспектив використання, метаевристичних методів і методів машинного навчання в задачах планування траєкторій багатоцільових місій АВС. Виявлено перспективні області застосування розглянутих методів. Продемонстровано можливість використання попередньо навченої методами навчання з підкріпленням або глибокого навчання з підкріпленням нейронної мережі для автономного планування місій угруповань АВС в умовах зміни навколишнього середовища і вимог місії. Новизна статті полягає в виявленні сучасних тенденцій і перспектив використання методів штучного інтелекту для планування траєкторій багатоцільових низькоорбітальних місій АВС.

ПОСИЛАННЯ

1. Maestrini M., Di Lizia P. Guidance strategy for autonomous inspection of unknown non-cooperative resident space objects. Journal of Guidance, Control and Dynamics. 2022. Vol. 45. № 6, P. 1126–1136. https://doi.org/10.2514/1.G006126

2. Cerf M. Multiple Space Debns Collecting Mission: Optimal mission planning. Journal of Optimization Theory and Applications. 2015. Vol. 167. № 1. P. 195–218. https://doi.org/10.1007/s10957-015-0705-0

3. Coello C. Evolutionary multi-objective optimization: a historical view of the field. IEEE computational intelligence magazine. 2006. Vol. 1. № 1. P. 28–36. https://doi.org/10.1109/MCI.2006.1597059

4. Baibee B.W., Alfano S., Pinon. E., et. al. Design of spacecraft missions to remove multiple orbital debns objects. Proc. IEEE Aerospace https://doi.org/10.1109/AERO.2011.5747303 

5. Zhao J., Feng W., Yuan J. A novel two-level optimization strategy for multi-debris active removal mission in LEO. Computer modeling in engineering & sciences. 2020. Vol. 122. P. 149–174. https://doi.org/10.32604/cmes.2020.07504

6. Bérend N., Olive X. Bi-objective optimization of a multiple-target active debris removal mission. Acta Astronautica. 2016. Vol. 122. P. 324–335. https://doi.org/10.1016/j.actaastro.2016.02.005

7. Yu J., Chen X. Q., Chen L.H. Optimal planning of LEO active debris removal based on hybrid optimal control theory. Advances in Space Research. 2015. Vol. 55, № 11. P. 2628–2640. https://doi.org/10.1016/j.asr.2015.02.026

8. Zuiani F., Vasile M. Preliminary design of debris removal missions by means of simplified models for low-thrust, many- revolution transfers. J. Aerosp. Eng. 2012. Vol. 2012. 22. p. https://doi.org/10.1155/2012/836250

9. Braun V., Liipken A., Flegel S. Active debris removal of multiple priority targets. Adv. Space Res. 2013. Vol. 51. Issue 9. P. 1638–1648. https://doi.org/10.1016/j.asr.2012.12.003

10. Zhang N., Zhang Z., Baoyirt H., et. al. An optimization algorithm for solving multiple debris removal missions of the time-dependent traveling salesman problem model. Astrodynamics. 2022. Vol. 6. Issue 2. P. 219– 234. https:// doi.org/10.1007/s42064-021-0107-z

11. Haiyang L., Shiyu C., Hexi B. J2-Perturbed multitarget rendezvous optimization with low thrust. Guid. Control Dyn. 2018. Vol. 41. № 3. P.796–803. https://doi.org/10.2514/1.G002889

12. Olympio J., Frouvelle N. Space debris selection and optimal guidance for removal in the SSO with low-thrust propulsion. Acta Astronaut. 2014. Vol.99. P. 263–275. https://doi.org/10.1016/j.actaastro.2014.03.005

13. Barea A., Urrutxua H., Cadarso L. Large-scale object selection and trajectory planning for multi-target space debris removal missions. Acta Astronaut. 2020. Vol. 170. P. 289–301. https://doi.org/10.1016/j.actaastro.2020.01.032

14. Madakat D., Morio J., Vanderpooten D. Biobjective planning of an active debris removal mission. Acta Astronaut. 2013. Vol. 84. P. 182–188. https://doi.org/10.1016/j.actaastro.2012.10.038

15. Forrest S. Genetic algorithms. ACM. Comput. Surv. (CSUR). 1996. Vol. 28, Issue 1. P. 77–80. https://doi.org/10.1145/234313.234350

16.  Laarhoven P., Aarts E. Simulated annealing. Theory and Applications. Mathematics and Its Applications. 1987. 187. p. URL: https://link.springer.com/book/10.1007/978-94-015-7744-1 (дата звернення 06.16.2026).

17. Eberhart R., Kennedy J. A new optimizer, using particle swarm theory. In Proceedings of the Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, 4-6 October 1995. https://doi.org/10.1109/MHS.1995.494215

18. Dorigo, M., Maniezzo, V., Colorni A. Ant system: Optimization by a colony of cooperating agents. IEEE Trans. SMC-Part B. 1996. Vol. 26. P. 29–41. https://doi.org/10.1109/3477.484436

19. Chen Y., Bai Y. Optimal mission planning of active space debris removal based on genetic algorithm. lOP Conf. Ser. Mater. Sci. 2020. https://doi.org/10.1088/1757-899X/715/1/012025

20. Mohammadi-Dehabadi A., Daneshjou K.. Bakhtiari M. Mission planning for on-orbit servicing through multiple servicing satellites: A new approach. Adv. Space Res. 2017. Vol. 60. P. 1148–1162. https://doi.org/10.1016/j.asr.2017.05.037

21. Stuart J., Howell K., Wilson R. Application of multi-agent coordination methods to the design of space debris mitigation tours. Adv. Space Res. 2015. Vol. 57. P. 911–928. https://doi.org/10.1016/j.asr.2015.05.002

22. Shen H., X., Zhang T., Casalino L, et. al. Optimization of active debris removal missions with multiple targets. Space end Rocket. 2018. Vol. 55, Issue. 1. P. 181–189. https://doi.org/10.2514/1.A33883

23.  Snelling D., Devereux E., Payne N., et. al. Innovation in planning space debris removal missions using artificial intelligence and quantum-inspired computing. 8th European Conference On Space Debris. 2021. P. 20–23. URL: https://www.researchgate.net/publication/351023286_Innovation_in_planning_space_debris_removal_missions_using_artificial_intelligence_and_quantum-inspired_computing (дата звернення 16.06.2026).

24.  Yang J., Hou X., Hen Hu Yu., et al. A reinforcement learning scheme for active multi-debris removal mission planning with modified upper confidence bound tree search. IEEE Access. 2020. Vol. 8. P.108461–108473. https://doi.org/10.1109/ACCESS.2020.3001311

25.  Wang Z, Chen C., Li X., et. al. A novel incremental learning scheme for reinforcement learning in dynamic environments. Proc. 12-th World Congr. Intel!. Control Automat. 2016. P. 2426–2431. https://doi.org/10.1109/WCICA.2016.7578530

26. Yingjie X., Xiaolu L., Renjie H., et. al. Active debris removal mission planning method based on machine learning. Mathematics. 2023. Vol. 11. Issue. 6. Art. 1419. https://doi.org/10.3390/math11061419

27.  Tomanek-Volynets E., Ceriotti M., Mcinnes C., et. al. Optimization with deep reinforcement learning. Astronautical Congress (IAC2024). 2024. P. 1432–1442. https://doi.org/10.52202/078368-0123

 

##submission.downloads##

Опубліковано

2026-09-28

Як цитувати

ГОЛЬДШТЕЙН, Ю. М. (2026). ТЕНДЕНЦІЇ ВИКОРИСТАННЯ МЕТОДІВ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПЛАНУВАННЯ ТРАЄКТОРІЙ БАГАТОЦІЛЬОВИХ НИЗЬКООРБІТАЛЬНИХ МІСІЙ АКТИВНОГО ВИДАЛЕННЯ КОСМІЧНОГО СМІТТЯ. ТЕХНІЧНА МЕХАНІКА, (3), 25–33. вилучено із https://journal-itm.dp.ua/ojs/index.php/ITM_j1/article/view/207

Номер

Розділ

Авіаційна та ракетно-космічна техніка

##category.category##