低推力轨迹迁移学习框架论文更新

Jannik Graebner 与 Ryne Beeson 发布了低推力多目标间接轨迹迁移学习框架论文的 v2 版本，仅更新出版信息，正文内容未变。 该框架将任务参数的同伦方法与 MCMC 结合以更高效生成扩散模型训练数据，并把多目标优化重构为 costate 空间中的非归一化目标分布采样。作者称，在圆型限制性三体问题的平面多圈转移测试中，基于梯度的 MCMC 变体在样本质量与计算成本间取得最佳权衡，可行解比基于伴随控制变换与梯度优化的 SOTA 间接方法多出 40%，Pareto 前沿质量更高；生成的样本还用于微调以质量参数为条件的扩散模型。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。