PLUTO 用智能体 AI 把自然语言交会任务转成 SCP 约束，50 条提示全部生成轨迹、94% 通过任务意图验证

PLUTO 把需求理解、最优控制问题构造、数值求解与验证整合进一个统一的交互式工作流，用户只需用自然语言描述期望的航天器行为，无需给出方程、约束类别或求解器代码。 既有 LLM 轨迹相关工作大多运行在固定优化形式上，任务相关约束由系统设计者预定义或未被显式纳入优化问题；PLUTO 让操作者意图在约束层面直接修改问题形式，而非仅在预定义配置间选择。 论文以四层架构（用户层、智能体层、优化层、可视化与验证层）和结构化接口描述该工作流，并给出约束合成、约束集与验证产物的组织方式。

系统通过自动凸化管线把可微非凸约束在当前 SCP 参考点处一阶线性化，用 JAX 自动求导、CVXPY 构造凸子问题，并随 SCP 迭代重新线性化。 该设计使自然语言合成的约束函数可直接注入 SCP 求解流程，凸约束直接进入子问题，受支持的非凸约束经线性化后进入，从而在保留凸优化计算结构的同时扩展可表达约束范围。 论文给出非凸约束及其一阶近似的公式化描述，并列出 10 类约束（T01–T10）的数学形式与凸性分类，其中 T01 球/椭球禁飞区、T07 最小机动量、T10 中距离相关速度、下滑斜率与面外排除等为非凸。

在 50 条提示（30 条单约束、10 条双约束、10 条三约束）的评测中，求解器完成率 100%、约束形式匹配参考 90%、最优收敛 84%、提示验证 94%。 评测同时报告中间阶段指标与端到端指标，显示约束形式偏差或非最优终止并未同比例传导到提示验证，说明框架对中间层不完美具有鲁棒性。 每条提示均先由人工构造并求解参考形式，且参考问题须可行、产生轨迹并通过同样的数值与语义验证；所有实验使用同一初始条件与时间范围，并以 claude-sonnet-5 作为智能体模型。

失败模式集中在 T10 类复杂或不常见约束：三次提示验证失败均同时出现形式偏差与非最优收敛，且都涉及 T10；其中两次源于同一面外排除约束，智能体试图编码完整析取而未采用单侧凸半空间简化。 论文把这类失败归因于工程判断层面——在满足需求的前提下选择最简充分形式，而非过度工程化，并指出这种“行业诀窍”可编码进 PLUTO 的参考材料。 论文报告 5 条形式偏差提示中 2 条仍通过验证，8 次非最优终止中 6 次来自含 T10 的提示；所有提示在无历史上下文的干净目录下运行，每次评测条件一致。

该框架面向以自然语言描述任务需求、希望快速构造并检验交会轨迹的航天工程师与任务设计者，适用于以相对轨道要素状态、脉冲机动和 SCP 后端为基线的交会场景；其价值在于让操作者在约束层面修改问题形式，同时保留数值优化的显式验证与可视化复核。论文指出，PLUTO 的上下文丰富结构可把“行业诀窍”式简化策略编码进参考材料，随着历次运行的经验积累，此类失败预计会减少，并可能形成更高效的约束表示策略；后续工作将探索把既往运行经验纳入框架以实现递归自我改进，并用开源智能体评估其模型无关能力。

当前评测固定使用 claude-sonnet-5，模型依赖性（含开源权重模型）尚未评估，因此结论适用于该完整框架与该模型组合下的表现。评测场景共享同一初始条件、时间范围与基线禁飞区约束，提示分布为 30/10/10，结论向其他动力学、任务类型或约束库外推仍需验证。约束形式匹配以人工参考形式为基准，而自然语言允许多种合理解释，因此该指标反映解释一致性而非正确性。论文提到可视化输出等结果较难用数字刻画，读者可结合仪表板与约束几何图判断语义验证的可靠性。此外，失败分析基于少量样本（三次验证失败、八次非最优终止），对失败机制的归纳宜视为方向性观察。