Thèse Guidage Autonome des Véhicules Spatiaux pour l'Évitement de Collision en Poussée Faible une Approche par Méthodes Basées sur le Principe de Pontryagin et l'Apprentissage H/F - Doctorat.Gouv.Fr

Établissement : Université de Toulouse École doctorale : SYSTEMES Laboratoire de recherche : LAAS - Laboratoire d'Analyse et d'Architecture des Systèmes Direction de la thèse : Christophe LOUEMBET ORCID 000900059967357X Début de la thèse : 2027-09-01 Date limite de candidature : 2026-11-23T23:59:59 L'objectif de ce projet de thèse est de développer un algorithme de guidage autonome pour les satellites, garantissant l'évitement des collisions en cas de détection d'une conjonction entre deux engins spatiaux ou entre un engin spatial et des débris orbitaux. Cette fonction de guidage doit à la fois planifier la manoeuvre d'évitement et assurer le suivi de cette trajectoire nominale, malgré les perturbations orbitales.

Les exigences clés dans la conception de cette fonction de guidage pour l'évitement de collision incluent :
1. l'optimalité, garantissant une utilisation efficace du carburant dans le respect des capacités du véhicule spatial (capacité de propulsion, niveau de charge de la batterie, périodes d'éclipse, etc.) ;
2. l'efficacité numérique, visant à proposer des algorithmes dont l'empreinte numérique est compatible avec les capacités embarquées de calcul ;
3. la fiabilité, assurant la stabilité du contrôle dans des conditions nominales ;
4. la robustesse, garantissant les performances face aux erreurs commises et aux perturbations orbitales notamment en matière de stabilité.

Pour répondre à ce défi complexe, la stratégie choisie s'appuie sur trois piliers :
- la théorie de la commande optimale,
- l'apprentissage automatique et ses réseaux de neurones,
- la théorie de la commande en boucle fermée.

Si les outils de la commande optimale permettent de décrire les manoeuvres optimales d'échappement satisfaisant les capacités du satellite au travers d'un ensemble de conditions mathématiques, l'apprentissage par réseaux de neurones doit fournir un outil de résolution de ces contraintes à faible coût numérique en exploitation. Enfin, le corpus théorique de l'automatique permettra d'assurer la stabilité et la robustesse, essentielles à la fonction de guidage, en prenant en compte les erreurs commises dans le calcul de la commande optimale et en rejetant les perturbations.

L'approche proposée doit garantir une réponse sûre et durable aux risques de collision, tout en respectant les limites opérationnelles du satellite.
Ensuring the safety of space operations has become a critical challenge due to the proliferation of space debris and the saturation of key orbital regimes, particularly in Low Earth Orbit (LEO) and Geostationary Orbit (GEO). According to the European Space Agency's (ESA) 2024 Annual Space Environment Report, approximately 35,000 objects larger than 10 cm are actively tracked by ground-based sensors, while 900,000 objects ranging from 1 cm to 10 cm-difficult to detect but capable of causing catastrophic damage to operational satellites-and an estimated 128 million objects between 1 mm and 1 cm further contribute to the orbital hazard. This congestion has been exacerbated by the rapid deployment of satellite mega-constellations, such as Starlink, which significantly increase the frequency of conjunction events and necessitate reliable Collision Avoidance Maneuvers (CAMs).

In response, Space Situational Awareness (SSA), encompassing Space Surveillance and Tracking (SST) and Space Traffic Management (STM), have emerged as essential frameworks. Mitigation strategies-such as satellite design optimization, end-of-life disposal plans, and Conjunction Analysis (CA)-alongside remediation efforts to actively reduce debris, aim to preserve the long-term sustainability of space activities.
However, the current human-in-the-loop approach to CAM design and execution is becoming unsustainable with the emergence of mega-constellations. For instance, the Starlink constellation requires an average of 12 avoidance maneuvers per satellite annually over approximately six thousand spacecraft. The demand for 24/7 expert intervention is economically and operationally impractical.

The shift toward autonomous decision-making will be pivotal in shaping future operational pipelines, balancing energy efficiency, robustness, and cost reduction while safeguarding the sustainability of space missions.

To address these challenges, we will consider spacecraft equipped with electric propulsion systems, known for their low thrust but extended operational lifespan compared to chemical thrusters. Then our goal is to develop autonomous guidance algorithms enables fuel-efficient maneuvering, ensuring both precision and reliability in collision avoidance.
Low-thrust trajectory optimization relies on continuous, long-duration thrusting, typically implemented using electromagnetic propulsion systems, solar sails, or similar mechanisms. To enhance computational efficiency and reliability in Collision Avoidance Maneuver (CAM) problems, we propose a hybrid analytical-machine learning approach based on the following key steps. It is expected that such combination will improve computational efficiency compared to traditional numerical methods maintaining high level of optimality and accuracy.


1. Establishing Optimality Conditions via Pontryagin's Minimum Principle (PMP): We first derive necessary optimality conditions using the Pontryagin Minimum Principle (PMP), incorporating operational constraints (e.g., propulsion limits, power availability, and eclipse periods). This formulation yields a Two-Point Boundary Value Problem (TPBVP) that governs both state and costate dynamics within a system of ordinary differential equations (ODEs).

2. Learning Optimal Control Strategies with Pontryagin Neural Networks (PoNNs): The unknown solutions of the TPBVP are then modeled using neural networks, enabling Pontryagin Neural Networks (PoNNs) to learn optimal control strategies directly. This approach eliminates the need for separate interpolation, offering higher accuracy and reduced computational load compared to classical numerical methods.

3. Validation and Reliability Assessment:
If preliminary results is demonstrated to be promising, a dedicated phase of the PhD research will focus on demonstrating the reliability of the inference model. This involves:
- Developing a rigorous validation procedure to ensure the model produces expected results under nominal conditions.
- Assessing generalization capabilities and robustness against uncertainties.

4. Stability Analysis of Model Predictive Control (MPC) Loop
In parallel, we will ensure the stability of the MPC loop based on the inference model. This step is critical to guarantee real-time applicability and robust performance in dynamic orbital environments.

This methodology integrates theoretical optimality with neural networks efficiency, providing an autonomous, fuel-optimal MPC controller for collision avoidance in space missions.

Le candidat idéal sera titulaire d'un master (ou équivalent) en aéronautique/aérospatiale, automatique, ingénierie des systèmes spatiaux, ou en mathématiques appliquées, avec une spécialisation en contrôle ou en intelligence artificielle. Une double compétence en automatique et en apprentissage automatique constituera un atout majeur pour ce projet.

La maîtrise des langages de programmation scientifique (Python, Julia, MATLAB) est indispensable. Le candidat devra également posséder des bases solides dans les domaines suivants :

- Automatique et théorie de la commande optimale (ex. : contrôle robuste, commande prédictive);
- Apprentissage automatique et réseaux de neurones, avec une bonne connaissance des frameworks courants (PyTorch, TensorFlow);
- Calcul scientifique et optimisation (méthodes numériques, solveurs d'optimisation).

Des connaissances en probabilités et analyse stochastique, utiles pour modéliser les incertitudes, seront appréciées.

Un atout majeur pour le candidat est de pouvoir justifier d'une expérience dans des projets impliquant un ou plusieurs thèmes suivant:

- La modélisation et la simulation de systèmes dynamiques spatiaux (ex. : satellites, drones);
- Le développement et l'analyse de lois de commande (contrôle optimal, commande robuste);
- L'apprentissage par réseaux de neurones (applications au contrôle ou à l'optimisation);
- L'optimisation (algorithmes génétiques, programmation dynamique).


Le candidat devra faire preuve de qualités personnelles et professionnelles tel que:

- la capacité à modéliser des problèmes complexes et à valider des hypothèses de manière rigoureuse;
- la capacité à rédiger clairement et de manière structurée, ce qui est essentiel pour la production de rapports techniques et- d'articles scientifiques;
- l'esprit d'initiative, avec une aptitude à proposer des solutions innovantes pour des défis non résolus;
- l'autonomie dans le travail, tout en favorisant une collaboration active avec ses encadrants et partenaires.

Application link : https://edd-projets.utoulouse.fr/

• Python
• Programmation
• Intelligence artificielle
• Autonomie
• Rigueur et méthode
• Pro-activité
• TensorFlow
• MATLAB