悬停着陆都没问题。
博雯 发自 凹非寺
非常AI 报道 | 公众号 QbitAI
马斯克旗下的SpaceX可以说带火了“火箭回收”这一话题。
这不，连粉丝们都已经开始摩拳擦掌，用自己的方式挑战起了这个技术难题。
例如一位来自密歇根大学的华人博士，就用强化学习试了一把回收火箭！
他根据现实中的星舰10号一通进行模拟，还真在虚拟环境中稳稳地完成了悬停和着陆！
这个项目迅速在Reddit上引发了大批网友们的关注：
那么，他是如何实现的呢？
给火箭回收设立“奖励机制”
要在模拟环境中回收火箭，那么大一只构造复杂的火箭肯定是不能直接抱来用的。
于是，这位SpaceX的铁杆粉丝首先基于气缸动力学，将火箭简化为一个二维平面上的刚体：
这个火箭的底部安装有推力矢量发动机，能够提供不同方向的可调的推力值（0.2g，1.0g和2.0g）；同时，火箭喷嘴上还增加了一个角速度约束，最大转速为30°/秒。
火箭模型所受到的空气阻力则设定为与速度成正比。
现在，这个模型的一些基本属性就能够以下面两个集合来表示：
- 动作空间：发动机离散控制信号的集合，包括推力加速度和喷嘴角速度
- 状态空间：由火箭位置、速度、角度、角速度、喷管角度和仿真时间组成的集合
而“火箭回收”这一流程，则被分为了悬停和着陆两个任务。
在悬停任务中，火箭模型需要遵循这样一种奖励机制：
- 火箭与预定目标点的距离：距离越近，奖励越大；
- 火箭体的角度：火箭应该尽可能保持竖直
着陆任务则基于星舰10号的基本参数，将火箭模型的初始速度设置为-50米/秒，方向设置为90°（水平方向），着陆燃烧高度设置为离地面500米。
火箭模型在着陆时同样需要遵循这样一种“奖励机制”：
当着陆速度小于安全阈值，并且角度接近竖直0°时，就会受到最大的“奖励”，也会被认为是一次成功的着陆。
总体而言，这是一个基于策略的参与者-评判者的模型。
接下来就是进行训练：
最终，在经历了20000次的训练后，火箭模型在悬停和着陆两个任务上都实现了较好的效果：
最终，模型得到了很好的收敛效果：
而这枚模拟环境中的伪·星舰10号，也就像开头展示的那张动图一样，学会了腹部着陆，稳稳地落地了。
下一步：增加燃料变量
这一项目一经发出，就引来了红迪众多网友的围观和称赞。
有人觉得用强化学习来解决传统任务非常有趣，因为它具有更好的鲁棒性。
作者也在下方回复表示：现实中恶劣的环境条件可以成为环境制约因素，而强化学习则能在一个统一的框架内解决这些问题。
不过在称赞之余，也有网友提出了最直接的这样一个问题：
既然我们已经可以使用经典控制方法找到这些任务的最优解，那为啥SpaceX之前没人做？
下方有人解答到：这或许是因为之前的数字控制系统、传感器等技术并不成熟，采用新方法就意味着要重新设计火箭的关键部分。
这也就是控制系统层面之外的“工程类的问题”，而SpaceX正是在这些相关领域中做了改进。
而那些较为传统保守的航天航空工业则会使用使用凸优化（Convexification）来解决火箭着陆问题。
也就是评论区有人贴出的这篇论文中提到的方法：
不少评论也为开发者提供了下一步开发的新思路，比如这条评论建议将“剩余燃料”也作为一个变量，模型燃料的减少或耗尽也是现实中的一个重要影响因素。
作者欣然接受了这一建议：是很容易添加的有趣设置，安排！
密歇根大学华人博士
开发者已经为这一项目建立了一个网站，在主页他这样介绍到：
这是我的第一个强化学习项目，所以，我希望通过这些“低水平代码”尽可能地从头实现包括环境、火箭动力学和强化学习agent在内的所有内容。
作者叫Zhengxia Zou，是一位来自密歇根大学博士，主要研究计算机视觉、遥感、自动驾驶等领域。
他的论文曾被 ICCV 2021、CVPR 2021等多个顶会收录：
下载链接：
https://github.com/jiupinjia/rocket-recycling
项目主页：
https://jiupinjia.github.io/rocket-recycling/
参考链接：
https://www.reddit.com/r/MachineLearning/comments/qt2tws/pr_rocketrecycling_with_reinforcement_learning/
