OrbitTAMP：将语言模型接入航天器交会任务与运动规划

该论文针对航天器交会与近距离操作规划依赖专家、难以规模化的瓶颈，提出分层框架 OrbitTAMP：预训练 LLM 将自然语言指令转成部分任务规格，规划器补全允许范围内的未定决策，再由轨迹优化生成动力学可行轨迹。数值实验中，在 frontier LLM 支持下，部分任务规格的意图精确恢复率达 98%；对紧凑的 9B 模型，验证器引导的修正将精确恢复率从 75% 提升至 88%，行为规划搜索也独立改善可行轨迹的选择。

此前 LLM 直接被用于此类规划时，输出并不天然受轨道动力学、操作约束和机动结构约束，因此只能作为接口设想。该工作把语义推理与可复用行为图、领域规划模块和轨迹优化串联，使语言模型只负责部分规格，物理有效性由下游求解保证，并给出可量化的意图恢复提升。

机制是把单一端到端生成拆为三层：LLM 负责语义理解并输出不完整任务规格；行为图与领域规划模块在允许操作空间内补全未指定决策；轨迹优化把完整规格转为满足动力学约束的轨迹。验证器引导修正相当于在推理时对候选方案做筛选与重写，行为规划搜索则扩大候选择集，两者分别作用于规格层与轨迹层。

对航天任务软件而言，可把自然语言操作意图作为上层入口，把安全性与可行性校验下沉到规划器与轨迹优化，减少人工把高层意图翻译成轨迹的重复工作。研发上需维护可复用的行为图、领域规划模块和验证器；模型侧可选用较小模型加验证与搜索，以较低推理成本换取接近大模型的意图恢复率。

• 为航天任务规划工具增加自然语言指令解析层，将输出限定为部分任务规格并交由现有规划器补全
• 构建可复用行为图与领域规划模块库，作为 LLM 与轨迹优化之间的中间层
• 在推理侧加入验证器引导的修正流程，用较小模型加验证器替代纯大模型直接生成
• 针对任务规格恢复率与轨迹可行性建立评测集，覆盖不同指令与轨道场景

• 实验评估的具体场景、轨道条件与指令分布尚未在证据中说明
• 98% 与 88% 的精确恢复率是否在真实在轨约束和不确定性下仍成立
• 验证器引导修正在安全关键场景中的误判风险与失效模式未给出
• 该方法向其他航天器操作任务迁移的可行性尚未验证