协调多艘航天器在轨搬运同一刚性物体并非易事，因为每艘航天器的推力都会同时影响共享载荷和整个编队的运动。本研究构建了一种去中心化规划器，将凸推力分配与更复杂的载荷力矩搜索分开处理，再由各智能体独立搜索并共同选出最佳候选方案；这一方法也用于闭环故障恢复。
目录
研究人员构建了什么？
研究人员开发了一套规划框架，让多艘航天器协同运输刚性载荷。该框架不把整个团队的控制量视为一个规模庞大、紧密耦合的优化问题，而是将任务拆分为两个相互关联的部分。内层优化根据给定的载荷运动，在各航天器之间分配推力；外层搜索则确定载荷的力矩轨迹，也就是随时间改变其姿态所需的旋转作用。
这种拆分很重要，因为原始控制问题是非凸的：其姿态动力学具有非线性，而且航天器推力必须满足推力锥约束。非凸问题可能存在多个局部上有吸引力的解，因此难以通过单次搜索可靠求解。内层推力分配问题是凸问题，形式上更易处理；在外层轨迹固定后，可以高效求解。
该框架通过去中心化方式探索候选方案。每个智能体运行各自的随机重启序列，再通过最大一致性步骤，从整个群体中选出目前找到的最佳轨迹。同一规划器还支持闭环故障恢复模式，这意味着它可以用于持续运行的控制过程，而不仅仅是生成离线规划。
该方法报告了哪些结果？
论文报告了一种与原始优化问题等价的数学分解，并给出了几乎必然收敛的结果。通俗地说，这种两层表述并未有意将原任务替换成另一个问题；反复执行的投影梯度搜索，以概率为一收敛到该方法的投影能够到达的轨迹集合中的最佳解。这项保证有其价值，但适用范围很重要：它并不意味着所有可能的轨迹都可达，也不意味着每次运行都能找到不受限制的全局最优解。
评估将所提出的外层搜索与两种基于采样的外层搜索，以及一个直接联合非线性规划（NLP）基线进行比较。三种方法使用相同的内层求解器、可行性投影和多重射击热启动。这样的设计使外层搜索策略成为主要比较对象，而不是让某种方法采用不同的初始条件或内层优化。
所提供的论文文本没有给出燃料消耗、运行时间或成功率等数值基准结果。因此，文本支持报告比较设置和收敛结论，但不足以对所提方法与基线进行数值排名。现有摘录也没有证明该方法在飞行或硬件试验中具有实测优势。
去中心化规划器如何工作？
规划器从载荷的力矩轨迹开始。该轨迹描述了团队应如何在规划时域内旋转刚性物体。对于固定的力矩轨迹，内层问题会确定各航天器之间可行的推力分配。由于内层问题是凸问题，相较于同时包含推力决策和非线性姿态动力学的原始问题，它更容易优化。
随后，外层问题调整力矩轨迹，以改善内层问题的最优目标值。研究人员采用投影梯度下降：梯度表示力矩规划的微小变化会如何影响目标函数，而投影则将更新后的规划拉回可行集合。梯度依据包络定理计算，使外层搜索能够利用已求解内层优化的灵敏度信息，而无需将整个问题作为一个联合搜索来处理。
为应对多个局部最优解，各智能体运行彼此独立的随机重启序列。一轮最大一致性过程会共享足够的信息，从这些序列找到的候选方案中选出整个群体的最佳方案。论文指出，该方法几乎必然收敛到投影可达集合内的最优解，也就是可行性投影能够生成的规划集合内的最优解。这一限定很重要：该保证不会自动延伸到此可达集合以外。
评估的设计旨在隔离外层搜索方法。其基线使用相同的内层求解器、可行性投影和多重射击热启动。所提供的文本没有给出基准数值，因此没有可供报告的数值结果表。
这对机器人技术为何重要？
多台航天器搬运同一刚性物体是一项协同任务：航天器必须共同产生有效的合力和力矩，同时各自满足控制约束。将团队层面的运动选择与推力分配分开处理的规划方法，为组织这种复杂性提供了清晰思路。去中心化重启也让候选规划搜索能够分布到多个智能体上，而不是依赖单一搜索序列。
闭环故障恢复模式值得关注，因为规划可以在系统运行期间使用，而不只是任务开始前使用。所提供的文本没有足够细节来评估测试了哪些故障或恢复效果如何，但明确将故障恢复列为该框架的预期用途之一。
这些思路也与围绕共享任务协同工作的地面机器人团队有关，尽管轨道运动具有截然不同的动力学和约束。比较地面场景中的车队协同方案时，读者可以浏览Robot Overflow 上的仓储机器人；不应将这款航天器规划器视为可直接用于仓储车队的解决方案。它的实际意义在于提供一种结构化的优化方法，而非证明同一控制器适用于这些不同环境。
有哪些局限和未解问题？
收敛保证仅适用于投影可达集合，因此并不保证能找到所有数学上可能的轨迹中的最佳解。随机重启有助于探索包含多个局部最优解的问题，但所提供的文本没有说明实际应用中需要多少次重启，也没有说明团队规模或规划问题增大时搜索成本如何变化。
现有摘录还未提供数值基准结果、场景规模、燃料消耗数据、计算时间，以及任何硬件或飞行验证的详情。这使若干重要的工程问题仍未得到解答：该方法相较于文中所述基线表现如何、对模型误差和扰动有多敏感，以及在运行过程中能多快响应故障。论文描述了闭环故障恢复模式，但所提供的文本没有量化其性能。
读者会对这款轨道规划器提出哪些问题？
规划器要搬运什么？ 它为在轨运输刚性载荷规划协同航天器控制，其中包括载荷的旋转运动。
它如何划分优化任务？ 它采用内层凸优化来分配推力，并通过外层搜索优化载荷力矩轨迹。
论文是否证明该方法优于基线？ 所提供的文本介绍了三种基线，以及旨在隔离外层搜索的比较设计，但没有给出能够证明哪种方法胜出的数值结果。
收敛保证适用于所有可能的规划吗？ 不适用。所述保证针对的是通过该方法的可行性投影能够到达的轨迹集合中的最优解。
核心结论是什么？
该框架将复杂的协同轨道控制问题拆分为推力分配和载荷轨迹搜索，再将随机搜索分配给多个智能体。其等价性和收敛性主张颇有前景，但所提供的文本并未解答实际性能和数值比较方面的问题。
运营方在真实任务中信任这款规划器之前，需要哪些证据？