[논문 리뷰] Machine Learning in Orbit Estimation: a Survey

Francisco José de Cáldas, Cláudia Soares|arXiv (Cornell University)|2022. 07. 19.

Space Satellite Systems and Control인용 수 4

한 줄 요약

이 종합 검토는 저궤도에서 궤도 결정, 궤도 예측 및 대기 밀도 모델링 향상에 기계학습(ML) 기법—특히 딥 러닝과 확률 모델—의 응용을 검토한다. ML이 비보존력 모델링, 불확실성 감소 및 전통적인 물리 기반 모델에 대한 데이터 기반 대체 모델 제공을 통해 정확도 향상을 어떻게 달성하는지 강조한다.

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.

연구 동기 및 목표

• 초기 상태 및 환경력에 대한 불확실성으로 인해 7일 예측에서 킬로미터 수준의 오차를 겪는 전통적인 물리 기반 궤도 추정 방법의 한계를 해결한다.
• 관측 데이터에서 학습함으로써 단순화된 역학 모델에 대한 의존도를 줄이며, 기계학습 기반 데이터 기반 기법이 궤도 결정 및 예측 정확도 향상에 어떻게 기여하는지 조사한다.
• 저궤도에서 주요 불확실성 원천인 열권 질량 밀도 모델링에서 기계학습의 역할을 검토하며, 경험적 모델을 데이터 기반 대체 모델로 대체하는 데 집중한다.
• 기계학습 기반 궤도 추정에 불확실성 정량화 기법(예: 베이지안 신경망 및 몬테카를로 드롭아웃)을 통합하여 충돌 회피 및 미션 계획 지원을 평가한다.
• 기계학습을 통한 우주 운영 적용 시 도전 과제인 해석 가능성, 데이터 부족, 항공우주 및 기계학습 전문가 간 협업 필요성 등을 규명한다.

제안 방법

• 궤도 결정(OD), 궤도 예측(OP), 대기 밀도 모델링의 세 핵심 과제에 대한 ML 응용을 체계적으로 조사하며, 기법 및 모델의 분류 체계를 사용한다.
• 인공 신경망(ANN), 합성곱 신경망(CNN), 순환 신경망(RNN)의 사용을 분석하여 관측 데이터에서 궤도 역학 및 RSO 특성 추정에 활용한다.
• EKF-ANN 및 가우시안 프로세스(GP)-기반 불확실성 정량화와 같은 하이브리드 모델을 평가하여 물리 모델과 데이터 기반 학습을 융합해 상태 추정 정확도 향상에 기여한다.
• 예측 불확실성 정량화를 위해 베이지안 신경망 및 딥 앙상블의 적용을 검토하여 확률적 충돌 평가 가능성을 높인다.
• 보존 법칙 등 물리적 제약 조건을 신경망에 통합한 회색 상자 모델을 평가하여 우주 환경 모델링에서의 해석 가능성 및 일반화 능력 향상에 기여한다.
• 시계열 및 이미지 기반 모델(예: 시아모이 CNN, 3D 생성기)의 사용을 검토하여 빛의 변화 및 광학 데이터에서 RSO의 형태, 자세 및 자세를 유추한다.

실험 결과

연구 질문

• RQ1 불확실한 초깃값과 환경력이 존재하는 상황에서 기계학습은 기존 물리 기반 모델을 초월해 궤도 결정 및 예측 정확도를 어떻게 향상시킬 수 있는가?
• RQ2 데이터 기반 모델이 JB2008 및 DTM와 같은 경험적 대기 밀도 모델을 얼마나 대체하거나 향상시킬 수 있으며, 정확도 및 불확실성 정량화 측면에서 성능 향상은 어떠한가?
• RQ3 불확실성 인식 기계학습 모델(예: 베이지안 신경망 및 딥 앙상블)은 우주 쓰레기 감소를 위한 신뢰할 수 있는 충돌 확률(PoC) 평가에 어떻게 기여하는가?
• RQ4 기계학습 기법은 관측 데이터에서 측정되지 않은 RSO의 물리적 특성(예: 질량, 면적 대 질량 비율, 자세)을 어떻게 유추할 수 있는가?
• RQ5 기계학습을 운영 기반 우주 상황 인식에 도입하는 데 있어 주요 과제는 무엇이며, 어떻게 그레이박스 모델링과 다학제적 협업이 항공우주 및 기계학습 전문가 간 격차를 메울 수 있는가?

주요 결과

• 딥 러닝을 활용한 기계학습 기반 궤도 예측 모델은 복잡한 비선형 교란을 데이터에서 학습함으로써 기존 SGP4 전파기보다 우수한 성능을 보이며, 장기 예측 오차를 감소시킨다.
• 베이지안 신경망 및 몬테카를로 드롭아웃은 대기 밀도 모델의 불확실성 정량화에 성공적으로 적용되어 충돌 회피 시스템의 신뢰성 향상에 기여한다.
• EKF-ANN 및 GP 향상 필터와 같은 하이브리드 모델은 물리적 제약 조건과 데이터 기반 학습을 융합함으로써, 특히 노이즈가 많거나 관측 데이터가 부족한 상황에서 상태 추정 정확도 향상에 기여한다.
• 역사적 HASDM 데이터로 훈련된 딥 러닝 모델은 JB2008 및 DTM와 같은 기존 경험적 모델의 10–15% 1-시그마 정확도를 재현하거나 초월할 수 있다.
• 시아모이 CNN 및 3D 이미지 생성기와 같은 기법은 빛의 변화 및 광학 데이터에서 RSO의 형태 및 자세를 추론함으로써 객체 특성에 대한 사전 지식 의존도를 감소시킨다.
• 물리 법칙을 신경망에 통합한 그레이박스 모델은 해석 가능성과 성능의 균형을 이루며, 우주 운영에서 신뢰할 수 있고 설명 가능한 기계학습로 향한 길을 제시한다.