[論文レビュー] Machine Learning in Orbit Estimation: a Survey

Francisco José de Cáldas, Cláudia Soares|arXiv (Cornell University)|Jul 19, 2022

Space Satellite Systems and Control被引用数 4

ひとこと要約

本サーベイは、低地球軌道（LEO）における軌道決定、軌道予測、大気密度モデリングの向上に向けた機械学習（ML）技術——特にディープラーニングと確率的モデル——の応用をレビューする。MLが非保存力のモデリング、不確実性の低減、従来の物理ベースのモデルに代わるデータ駆動型代替手法を可能にすることで、精度の向上が図られることを強調する。

ABSTRACT

Since the late 1950s, when the first artificial satellite was launched, the number of Resident Space Objects has steadily increased. It is estimated that around one million objects larger than one cm are currently orbiting the Earth, with only thirty thousand larger than ten cm being tracked. To avert a chain reaction of collisions, known as Kessler Syndrome, it is essential to accurately track and predict debris and satellites' orbits. Current approximate physics-based methods have errors in the order of kilometers for seven-day predictions, which is insufficient when considering space debris, typically with less than one meter. This failure is usually due to uncertainty around the state of the space object at the beginning of the trajectory, forecasting errors in environmental conditions such as atmospheric drag, and unknown characteristics such as the mass or geometry of the space object. Operators can enhance Orbit Prediction accuracy by deriving unmeasured objects' characteristics and improving non-conservative forces' effects by leveraging data-driven techniques, such as Machine Learning. In this survey, we provide an overview of the work in applying Machine Learning for Orbit Determination, Orbit Prediction, and atmospheric density modeling.

研究の動機と目的

• 初期状態および環境力の不確実性に起因する、7日予測でキロメートルオーダーの誤差を生じる従来の物理ベースの軌道推定手法の限界に対処すること。
• 観測データから学習することで、簡素化された動力学的モデルへの依存を減らし、観測データ駆動型のML手法が軌道決定および予測の精度を向上させる仕組みを調査すること。
• 低地球軌道における主要な不確実性要因である熱圏質量密度のモデリングにおける機械学習の役割を検討し、経験的モデルに代わるデータ駆動型代替手法の導入を焦点とする。
• ベイジアンニューラルネットワークやモンテカルロドロップアウトなどの不確実性定量化技術をMLベースの軌道推定に統合し、衝突回避およびミッション計画支援を可能にすること。
• MLを運用上の宇宙運用に導入するにあたり直面する課題——解釈可能性、データ不足、宇宙航空工学と機械学習の専門家間の協働の必要性——を特定すること。

提案手法

• 分類体系とモデルの分類を用いて、軌道決定（OD）、軌道予測（OP）、大気密度モデリングの3つのコアタスクにおけるML応用を体系的にサーベイする。
• 人工ニューラルネットワーク（ANNs）、畳み込みニューラルネットワーク（CNNs）、再帰的ニューラルネットワーク（RNNs）の使用を分析し、観測データから軌道的ダイナミクスとRSC（宇宙に存在する物体）の特徴を推定する。
• EKF-ANNやガウス過程（GP）に基づく不確実性推定といったハイブリッドモデルを評価し、物理モデルとデータ駆動型学習を組み合わせることで、状態推定の精度を向上させる。
• 予測不確実性を推定するためのベイジアンニューラルネットワークとディープアンサンブルの応用をレビューし、確率的衝突評価を可能にする。
• 保存則などの物理的制約をニューラルネットワークに埋め込むことで解釈性と一般化性能を向上させるグレーボックスモデルを評価し、宇宙環境モデリングにおける応用を検討する。
• 時系列および画像ベースのモデル（例：シamese CNN、3Dジェネレータ）を用いた、光曲線や光学データからRSCの形状、姿勢、姿勢角を推定する手法を検討する。

実験結果

リサーチクエスチョン

• RQ1 初期状態や環境力の不確実性が存在する中で、機械学習は従来の物理ベースのモデルを上回る精度で軌道決定および予測をどのように向上させるか？
• RQ2 データ駆動型モデルは、JB2008 や DTM といった経験的大気密度モデルをどの程度代替または強化できるか？精度および不確実性定量化の観点での性能向上は何か？
• RQ3 不確実性を考慮したMLモデル——例：ベイジアンニューラルネットワークやディープアンサンブル——は、宇宙デブリ低減のための信頼性のある衝突確率（PoC）評価をどのように可能にするか？
• RQ4 ML手法は、観測データから測定されていない物理的特性（例：質量、面積対質量比、姿勢）をどのように推定できるか？
• RQ5 運用上の宇宙状況認識にMLを導入するにあたり、主な課題は何か？また、グレーボックスモデリングと異分野間協働が、宇宙航空工学と機械学習のコミュニティの間のギャップをどのように埋めるか？

主な発見

• 特にディープラーニングを用いたMLベースの軌道予測モデルは、データから複雑な非線形的摂動を学習できることで、従来のSGP4プロパゲーターよりも優れた性能を示し、長期予測誤差を低減する。
• ベイジアンニューラルネットワークとモンテカルロドロップアウトは、大気密度モデルにおける不確実性推定に成功し、衝突回避システムの信頼性を向上させた。
• EKF-ANN や GP強化フィルタといったハイブリッドモデルは、物理的制約とデータ駆動型学習を組み合わせることで、ノイズが多いまたは希な観測下でも状態推定の精度を向上させた。
• 歴史的HASDMデータで学習されたディープラーニングモデルは、JB2008 や DTM といったレガシーモデルの10–15% 1σ精度を再現し、場合によってはそれを上回ることすら可能である。
• シamese CNN や 3D画像ジェネレータなどの技術により、物体の特性に関する事前知識に依存しない形で、光曲線や光学データからRSCの形状と姿勢を推定できるようになった。
• 物理法則をニューラルネットワークに埋め込んだグレーボックスモデルは、解釈可能性と性能のバランスを取る上で有望であり、宇宙運用における信頼性があり説明可能なMLの道筋を示している。