OrbitTAMP：航天器交会任务和运动规划的基础语言模型

目前，航天器交会和邻近操作（RPO）是通过专业知识密集型流程进行规划的，在该流程中，工程师将高级操作意图转化为安全、动态可行的轨迹，从而为可扩展操作造成了瓶颈。基于大语言模型（LLM）的Agent可以为这一过程提供直观的界面，尽管它们的输出本质上并不基于轨道动力学、操作约束或可接受的航天器机动结构。为了利用它们的语义推理，同时确保生成的计划的物理有效性，本文提出了航天器任务和运动规划（TAMP）的分层框架，该框架将大语言模型推理建立在可重用行为和特定领域规划模块的图表中。在此框架内，预训练的大语言模型将自然语言命令映射到部分任务规范。然后，相关规划人员在允许的操作空间内解决未指定的决策。最后，轨迹优化将已完成的任务规范转换为动态可行的轨迹。数值实验表明，与直接 LLM 生成相比，该架构大大提高了意图恢复，在前沿 LLM 的支持下，在所有评估的分片中实现了 98% 的部分任务规范准确恢复。其他测试时间计算实验表明，对于紧凑的 9B 模型，验证者引导的修正将精确恢复率从 75% 提高到 88%，而更广泛的行为计划搜索独立地改进了可接受轨迹实现中的选择。总体而言，这些结果为语言驱动的 Agentic 航天器 RPO 规划奠定了可扩展和可审核的基础。