AI cuts time to plan deep-space missions by replacing complex math
Researchers trained neural networks to instantly solve a centuries-old orbital mechanics problem that spacecraft planners currently solve through slow, iterative calculations. The breakthrough could accelerate preliminary mission design for Mars trips and multi-planet flybys—reducing a bottleneck that affects mission planning timelines and costs.
Originaltitel: Neural network surrogates for elliptic Lambert transfers in preliminary mission design
Neurala nät ersätter iterativ beräkning i rymdmissionsplanering. KTH-forskning visar att artificiella neurala nätverk kan lösa Lamberts problem — ett klassiskt rymdfysikaliskt gränsvärdesvillkor — betydligt snabbare än traditionella algoritmer. Detta är kritiskt för förberedande missionsdesign, där transferbanor mellan planetbanan måste beräknas från lämningsposition och flygtid. Forskarna tränade tre nätverkstyper (MLP, DeepONet, KAN) på normaliserad data och fann att ett enkelt flerskiktsperceptron uppnådde högsta noggrannhet. Metoden bevarade klassiska lösningars huvuddrag och identifierade nya transferregioner i Jorden–Mars och flerbanas-flybyjämförelser. För missionsplanering innebär detta betydligt kortare iterationscykler i tidiga designfaser. Rymdfartsbolag och tillverkare av rymdfartsystem kan snabbare utforska missionalternativ och validera missionsarkitektur. Framför allt möjliggör snabba surrogatmodeller realtidsoptimering under missionskonceptfas, vilket förkortar utvecklingstiden från beställning till lansering.
Lambert’s problem is a boundary value problem that arises in preliminary mission design, where orbital transfers must be determined given orbital location and a prescribed time-of-flight. The related equations are non-invertible and have traditionally been solved using iterative methods. In this work, we study the bounded one-revolution elliptic Lambert problem and propose a neural-surrogate approach that combines geometry-aware normalization with the prediction of the transfer semi-major axis. The normalization maps transfer instances with geometry-dependent admissible ranges into a common canonical representation, on which a multilayer perceptron (MLP), DeepONet, and Kolmogorov-Arnold Networks (KAN) are trained and compared. Among the tested models, the MLP achieves the highest predictive accuracy, while the structured architectures provide an alternative view of the normalized solution space. In Earth–Mars and multi-planetary flyby case studies, the surrogates preserve the broad features of the classical solutions and identify promising transfer regions.