Ottimizzazione di Traiettorie utilizzando algoritmi di Apprendimento per Rinforzo

Nell'ambito della ricerca spaziale e dell'intelligenza artificiale, questa tesi magistrale si concentra sullo sviluppo e l'implementazione del Monte Carlo Tree Search (MCTS), un'avanzata famiglia di algoritmi decisionali, integrati con le più recenti innovazioni nel campo del Machine Learning (ML) e del Deep Learning (DL). Questa classe di algoritmi prevede l'adozione di strategie derivate dal Reinforcement Learning (RL), incluse le simulazioni Monte Carlo e l'impiego del Markov Decision Process (MDP), costituendo la base per affrontare il problema studiato, insieme all'integrazione di tecnologie avanzate di Deep Learning come le Deep Neural Networks (DNN). Lo scopo primario di questo studio è affrontare le complessità inerenti alla navigazione e alla pianificazione di missioni spaziali, mirando specificatamente all'ottimizzazione delle traiettorie nello spazio interplanetario attraverso un approccio ibrido. Tale approccio combina la potenza computazionale di MCTS con le capacità predittive di modelli avanzati di apprendimento profondo, per superare le sfide poste da ambienti altamente incerti e dinamici. Il nucleo della ricerca è rappresentato dalla sviluppo di una metodologia per simulare e ottimizzare decisioni strategiche in scenari spaziali, partendo da fondamenti di meccanica orbitale ed estendendosi all'esplorazione di come RL e DL possano migliorare l'efficacia di MCTS. L'integrazione di queste tecnologie ha portato alla creazione di vari framework avanzati, ispirati ai modelli come AlphaZero e MuZero, che gestiscono la complessità delle traiettorie spaziali con un'efficienza e una precisione computazionale notevoli. L'analisi sperimentale, fulcro dell'indagine di questo elaborato, impiega i modelli sviluppati per trovare soluzioni al problema presentato nella Global Trajectory Optimization Competition (GTOC), attraverso simulazioni numeriche e l'ottimizzazione degli iperparametri. I risultati evidenziano un miglioramento significativo nelle decisioni di navigazione e aprono nuove prospettive per l'esplorazione spaziale. In conclusione, il contributo di questa tesi sottolinea l'efficienza dell'integrazione tra MCTS e tecniche avanzate di apprendimento nel dominio della meccanica orbitale, ponendo le basi per ulteriori ricerche e offrendo soluzioni innovative per affrontare le sfide emergenti nell'esplorazione spaziale e oltre.