El presente Trabajo de Fin de Grado explora la aplicación de agentes basados en grandes modelos de lenguaje (LLM), a la resolución de problemas de optimización de trayectorias interplanetarias, utilizando como caso de estudio la 12ª edición de la Global Trajectory Optimization Competition (GTOC-12). El objetivo principal es evaluar si un agente autónomo, sin conocimiento experto pre-codificado, puede generar soluciones competitivas en un dominio tradicionalmente reservado a especialistas.
Para ello, se formalizó el problema GTOC-12 dentro del entorno de evaluación mlebench, garantizando un marco de experimentación aislado y estandar. Sobre esta base, se adaptó el agente AIDE, originalmente diseñado para tareas de ciencia de datos, para que pudiera operar en el dominio astrodinámico. Esta adaptación implicó la integración de librerias especificas de cálculo orbital, la redefinición de sus estrategias de razonamiento y la construcción de prompts específicos que guiasen al LLM en la generación de secuencias de vuelo y código de simulación.
El principal resultado de este proyecto es la validación de dicha metodología. Aunque las soluciones generadas no alcanzan puntuaciones competitivas, el agente ha sido capaz de producir de forma autónoma trayectorias completas que cumplen con las estrictas restricciones físicas y temporales del problema. El esfuerzo se ha concentrado en superar la barrera inicial de la viabilidad física, un paso indispensable antes de abordar la optimización.
En conclusión, este trabajo demuestra que los agentes LLM, dotados de herramientas adecuadas y un entorno estructurado, son una vía prometedora para abordar problemas de ingeniería complejos. Este enfoque abre la puerta a futuras investigaciones sobre sistemas híbridos, donde el razonamiento generalista de un LLM se combine con optimizadores numéricos para refinar las soluciones y alcanzar niveles de rendimiento competitivos, reduciendo la dependencia de la intervención manual experta.
Abstract:
This thesis explores the application of agents based on large language models (LLM) to the resolution of interplanetary trajectory optimization problems, using as a case study the 12th edition of the Global Trajectory Optimization Competition (GTOC-12). The main objective is to evaluate whether an autonomous agent, without pre-coded expert knowledge, can generate competitive solutions in a domain traditionally reserved to specialists.
For this purpose, the GTOC-12 problem was formalized within the mle-bench evaluation environment, guaranteeing an isolated and standard experimentation framework. On this basis, the AIDE agent, originally designed for data science tasks, was adapted to operate in the astrodynamic domain. This adaptation involved the integration of specific orbital calculation libraries, the redefinition of its reasoning strategies and the construction of specific prompts to guide the LLM in the generation of flight sequences and simulation code.
The main result of this project is the validation of this methodology. Although the generated solutions do not achieve competitive scores, the agent has been able to autonomously produce complete trajectories that meet the strict physical and temporal constraints of the problem. The effort has been concentrated on overcoming the initial barrier of physical feasibility, an indispensable step before tackling optimization.
El presente Trabajo de Fin de Grado explora la aplicación de agentes basados en grandes modelos de lenguaje (LLM), a la resolución de problemas de optimización de trayectorias interplanetarias, utilizando como caso de estudio la 12ª edición de la Global Trajectory Optimization Competition (GTOC-12). El objetivo principal es evaluar si un agente autónomo, sin conocimiento experto pre-codificado, puede generar soluciones competitivas en un dominio tradicionalmente reservado a especialistas.
Para ello, se formalizó el problema GTOC-12 dentro del entorno de evaluación mlebench, garantizando un marco de experimentación aislado y estandar. Sobre esta base, se adaptó el agente AIDE, originalmente diseñado para tareas de ciencia de datos, para que pudiera operar en el dominio astrodinámico. Esta adaptación implicó la integración de librerias especificas de cálculo orbital, la redefinición de sus estrategias de razonamiento y la construcción de prompts específicos que guiasen al LLM en la generación de secuencias de vuelo y código de simulación.
El principal resultado de este proyecto es la validación de dicha metodología. Aunque las soluciones generadas no alcanzan puntuaciones competitivas, el agente ha sido capaz de producir de forma autónoma trayectorias completas que cumplen con las estrictas restricciones físicas y temporales del problema. El esfuerzo se ha concentrado en superar la barrera inicial de la viabilidad física, un paso indispensable antes de abordar la optimización.
En conclusión, este trabajo demuestra que los agentes LLM, dotados de herramientas adecuadas y un entorno estructurado, son una vía prometedora para abordar problemas de ingeniería complejos. Este enfoque abre la puerta a futuras investigaciones sobre sistemas híbridos, donde el razonamiento generalista de un LLM se combine con optimizadores numéricos para refinar las soluciones y alcanzar niveles de rendimiento competitivos, reduciendo la dependencia de la intervención manual experta.
Abstract:
This thesis explores the application of agents based on large language models (LLM) to the resolution of interplanetary trajectory optimization problems, using as a case study the 12th edition of the Global Trajectory Optimization Competition (GTOC-12). The main objective is to evaluate whether an autonomous agent, without pre-coded expert knowledge, can generate competitive solutions in a domain traditionally reserved to specialists.
For this purpose, the GTOC-12 problem was formalized within the mle-bench evaluation environment, guaranteeing an isolated and standard experimentation framework. On this basis, the AIDE agent, originally designed for data science tasks, was adapted to operate in the astrodynamic domain. This adaptation involved the integration of specific orbital calculation libraries, the redefinition of its reasoning strategies and the construction of specific prompts to guide the LLM in the generation of flight sequences and simulation code.
The main result of this project is the validation of this methodology. Although the generated solutions do not achieve competitive scores, the agent has been able to autonomously produce complete trajectories that meet the strict physical and temporal constraints of the problem. The effort has been concentrated on overcoming the initial barrier of physical feasibility, an indispensable step before tackling optimization. Read More
Related posts:
Superando la rigidez de la búsqueda geoespacial – Agentes LLM como interfaz inteligente para CartoCiudad
Lo que agentes aduanales NO esperan de la Reforma a la Ley Aduanera
Qualcomm y Google crearán agentes de IA para los automóviles
Ontology generator and backend environment for new world of agents game
Uso de algoritmos de Aprendizaje por refuerzo en el desarrollo de videojuegos
Siete cambios a la Ley Aduanera que impactarán a los agentes aduanales