[論文レビュー] Study of the asteroid Bennu using geodesyANNs and Osiris-Rex data

Moritz von Looz, Pablo Gómez+1 more|arXiv (Cornell University)|Sep 29, 2021

Astro and Planetary Science参考文献 17被引用数 4

ひとこと要約

本論文は、小惑星ベンヌの軌道を回る小石程度の粒子の軌道データから、実際のOsiris-Rexミッションのデータを用いて、質量密度分布を直接推定するニューラルネットワーク手法geodesyNetsを提案する。この手法は形状モデルを必要とせず、均一密度のマスコンモデルと同等の重力場の忠実度を達成しており、非重力的力の影響によるノイズがある中でも、深宇宙ミッションにおける搭載型自律的重力場逆問題の実現可能性を示している。

ABSTRACT

Asteroids and other small bodies in the solar system tend to have irregular shapes, owing to their low gravity. This irregularity does not only apply to the topology, but also to the underlying geology, potentially containing regions of different densities and materials. The topology can be derived from optical observations, while the mass density distribution of an object is only observable, to some extent, in its gravitational field. In a companion paper, we presented geodesyNets, a neural network approach to infer the mass density distribution of an object from measurements of its gravitational field. In the present work, we apply this approach to the asteroid Bennu using real data from the Osiris Rex mission. The mission measured the trajectories of not only the Osiris Rex spacecraft itself, but also of numerous pebble-sized rock particles which temporarily orbited Bennu. From these trajectory data, we obtain a representation of Bennu's mass density and validate it by propagating, in the resulting gravity field, multiple pebbles not used in the training process. The performance is comparable to that of a polyhedral gravity model of uniform density, but does not require a shape model. As little additional information is needed, we see this as a step towards autonomous on-board inversion of gravitational fields.

研究の動機と目的

• 小惑星のような小規模天体の内部質量密度分布を重力軌道データから推定する手法を開発すること。
• Osiris-Rexミッションの実データを用いて、ニューラルネットワークベースの手法（geodesyNets）の妥当性を検証すること。
• 事前に形状モデルが与えられていない状況でも、高精度な重力場モデリングが可能かどうかを評価すること。
• 太陽放射圧などの非重力的力が、スパarsなノイズの多い軌道データからの重力場逆問題の精度に与える影響を調査すること。
• 将来的な行星科学ミッションにおける、ニューラルネットワークを用いた搭載型自律的重力場逆問題の可能性を検討すること。

提案手法

• 観測された加速度（小石の軌道を数値微分して得る）から、ベンヌ内部の3次元質量密度関数 f(x,y,z) を予測するニューラルネットワークを学習する。
• 学習済みネットワークを用いて、修正されたニュートン重力式を用いて体積積分により外部点における重力加速度を計算する。
• 予測された加速度と観測された加速度を比較し、学習用の正規化損失関数を計算する。
• 学習に使用しなかった小石の軌道を予測して、Scheeresら[4]が報告した軌道と比較することで、モデルの妥当性を検証する。
• 非微分型（形状モデルなし）と微分型（形状モデルを用いて均一密度からのずれを推定）の2つのシナリオを実装する。
• 軌道予測時には非重力的力（太陽放射圧など）の影響を考慮するが、ネットワークの学習段階では明示的にモデル化しない。

実験結果

リサーチクエスチョン

• RQ1 形状モデルの事前知識がなく、軌道データがスパarsかつノイズが多い状況下でも、ニューラルネットワークが小惑星の質量密度分布を推定できるか？
• RQ2 geodesyNets手法の性能は、実ミッションデータに適用した場合、マスコンや球面調和関数といった従来の重力モデルと比べてどの程度か？
• RQ3 太陽放射圧などの非重力的力が、ノイズの多いスパarsな軌道データからの重力場逆問題の精度をどの程度低下させるか？
• RQ4 均一密度背景からの密度変動をモデル化する微分型アプローチは、実ベンヌデータに適用した場合、非微分型に比べて精度が向上するか？
• RQ5 この手法は、将来的な宇宙探査ミッションにおける搭載型自律的重力場逆問題に適応可能か？

主な発見

• 形状モデルを必要としない非微分型geodesyNets手法は、3時間後の軌道予測誤差が44.47メートルにとどまり、均一密度マスコンモデル（43.26メートル）と同等の精度を達成した。
• 点質量モデル（73.47メートル誤差）に比べて顕著に性能が高く、ネットワークが意味のある重力場構造を学習していることを確認した。
• 微分型アプローチは、小石のサイズや質量の不確実性が大きく、実際の密度変動よりもノイズが顕著に増幅されたため、有意義な内部不均一性を捉えられなかった。
• 合成実験では、非重力的力が適切にモデル化されていれば、人工的な非均一質量分布を効果的に回復できることを示し、本手法が原則として有効であることを示した。
• 形状モデルが存在しない状況下でも、ニューラルネットワークが重力加速度からベンヌの全体的な形状を推定できており、幾何学的事前知識が欠落している状況でも頑健であることが示された。
• 本手法は、小石のサイズや質量の推定値をモデルに組み込むことで、特に微小スケールの内部不均一性を検出する上で、顕著な精度向上が見込める可能性がある。