Inertial uncertainty reduction through parameter estimation for microgravity free-flyer operations

Monica Jeevan Ekal

Informações chave

Autores:

Monica Jeevan Ekal (Monica Jeevan Ekal)

Orientadores:

Rodrigo Martins de Matos Ventura (Rodrigo Martins de Matos Ventura)

Publicado em

23/01/2024

Resumo

Os free-flyers robóticos são relevantes para futuras missões espaciais, para tarefas de manutenção˜ em orbita, como construção e reparação. O conhecimento preciso da dinâmica é essencial para um planeamento ótimo e uma execução segura de tarefas. A execução¸ de tarefas envolve incerteza quanto as propriedades inerciais do sistema. As propriedades inerciais também podem se alterar durante a execução, por exemplo, devido a utilização de combustível. Portanto, o objetivo desta tese é abordar a redução da incerteza paramétrica para uma execução¸ segura e precisa de operações em orbita. As contribuições incluem dois métodos de Identificação de Sistemas (SysID) - um que utiliza o equilíbrio energético para filtragem de dados, e um segundo método que envolve a extensão da mecânica discreta de variações para uma estimação exata, utilizando apenas as poses. Este método demonstrou ser pelo menos uma ordem mais preciso do que o uso de discretização por diferenças finitas. No entanto, a execução dedicada de sysID é demorada, pois o robô tem de obter medições informativas para estimação, explorando adequadamente o seu espaço de estados. Para além disso, pode ser inviável interromper a tarefa primaria do sistema para realizar sysID. Portanto, esta tese propõe uma estrutura de planeamento do movimento chamado RATTLE, que combina simultaneamente os objetivos do movimento para a redução da incerteza (exploração) e o cumprimento dos objetivos de controlo capitalizando sobre as estimativas mais recentes. Ao completar uma tarefa como o transporte de objetos, RATTLE melhora a precisão das estimativas, encorajando o ganho de informação e utilizando estimativas recentes para atualizar os módulos de planeamento e controlo online. A RATTLE foi testada para um cenário de transporte de carga nos robôs free-flyers da NASA a bordo da Estação Espacial Internacional, demonstrando as suas capacidades robustas de procura de informação em tempo real e de redução da incerteza paramétrica. Given the benefits of automation in space exploration, robotic free-flyers have a pivotal role in future space missions. Free-flying robots will soon be performing on-orbit servicing tasks such as debris removal, assembly, repair, and refueling, among others. Moreover, accurate knowledge of the dynamics is essential for planning optimal trajectories and safe task execution using model-based strategies. While the above tasks demand precision and safety, their execution often involves interaction with payload or other spacecraft; consider situations like transportation of components during assembly or docking with a satellite for a deorbiting maneuver. Uncertainty about the robot-object system, in particular, uncertainty regarding the inertial properties of the combined system, can be amplified as a result of this interaction. Therefore, the main goal of this thesis is to address the resulting parametric uncertainty to achieve safe and precise execution of on-orbit operations. Performing a dedicated system identification (sysID) procedure to determine the inertial characteristics is fuel- and time-consuming, as the robot has to obtain informative measurements by adequately exploring its state-space. Moreover, it might not always be feasible to interrupt the system’s primary task to carry out a sysID procedure. To that end, this thesis investigates a class of approaches called here as simultaneous learning, which attempt to combine the contrasting objectives of motion for uncertainty reduction (exploration) and the fulfillment of control objectives capitalizing on the most recent estimates (exploitation). The intent is to avoid spending time and resources on sysID if sufficient uncertainty reduction can be obtained on the fly while completing other tasks. Two approaches to online parameter estimation were explored in building up to simultaneous learning. Contributions include using a novel energy-balance approach for measurement data filtering and the extension of discrete variational mechanics for accurate, complete rigid-body online inertial property estimation using only pose estimates. This method was shown to be at least one order of magnitude more accurate than the use of finite difference discretization. The crux of this thesis is an uncertainty-aware motion planning framework with parameter learning, dubbed RATTLE, that weights adjustable information gain to promote online parameter estimation. En route to performing a primary task, e.g., payload transportation, RATTLE improves parameter estimation accuracy through its information incentivization approach while leveraging the amassed model knowledge to update the planning and control modules in real time. The resulting benefits are two-fold: perform excitation maneuvers safely without primary task interruption while saving fuel and time, and use the learned parameters to improve the safety and precision of the primary task execution in uncertain environments. RATTLE was tested for a microgravity cargo transportation scenario on NASA’s Astrobee free-flyers aboard the International Space Station, demonstrating RATTLE’s real-time robust information-seeking, motion planning, and parametric uncertainty reduction capabilities in a challenging and uncertain microgravity environment.