[论文解读] 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 4

一句话总结

本综述回顾了机器学习（ML）技术——尤其是深度学习和概率模型——在低地球轨道中提升轨道确定、轨道预测及大气密度建模方面的应用。它强调了ML通过建模非保守力、减少不确定性，并提供数据驱动的替代方案以取代传统物理模型，从而提高精度。

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.

研究动机与目标

• 解决传统基于物理的轨道估计方法的局限性，这些方法在七天预测中因初始状态和环境力的不确定性而产生千米级误差。
• 研究数据驱动的ML技术如何通过从观测数据中学习并减少对简化动力学模型的依赖，来提高轨道确定和预测的精度。
• 探讨机器学习在建模热层质量密度方面的作用，这是低地球轨道中主要的不确定性来源，重点在于用数据驱动的替代方案取代经验模型。
• 评估将不确定性量化技术（如贝叶斯神经网络和蒙特卡洛丢弃）集成到基于ML的轨道估计中，以支持碰撞规避和任务规划。
• 识别在空间操作中采用ML的挑战，包括可解释性、数据稀缺性，以及航空航天与机器学习专家之间协作的必要性。

提出的方法

• 系统性地调查ML在三个核心任务中的应用：轨道确定（OD）、轨道预测（OP）和大气密度建模，采用技术与模型的分类体系。
• 分析人工神经网络（ANNs）、卷积神经网络（CNNs）和循环神经网络（RNNs）在建模轨道动力学和从观测数据中估计共轨空间对象（RSO）特性方面的应用。
• 评估混合模型（如EKF-ANN和基于高斯过程（GP）的不确定性估计），通过结合物理模型与数据驱动学习来提升状态估计精度。
• 回顾贝叶斯神经网络和深度集成在轨道预测中估计预测不确定性的应用，以支持概率性碰撞评估。
• 评估灰盒模型，这些模型将物理约束（如守恒定律）嵌入神经网络，以提升空间环境建模中的可解释性和泛化能力。
• 考察时间序列和图像基模型（如孪生CNN、3D生成器）在从光曲线和光学数据中推断RSO形状、姿态和位姿方面的应用。

实验结果

研究问题

• RQ1 机器学习在存在不确定初始状态和环境力的情况下，如何超越传统基于物理的模型，提升轨道确定和预测的精度？
• RQ2 数据驱动模型在多大程度上可以替代或增强JB2008和DTM等经验大气密度模型？在精度和不确定性量化方面，性能提升如何？
• RQ3 具有不确定性感知能力的ML模型（如贝叶斯神经网络和深度集成）在支持空间碎片减缓的可靠碰撞概率（PoC）评估中发挥什么作用？
• RQ4 ML技术如何用于从未测量的观测数据中推断居民空间物体（如质量、面积质量比、姿态）的物理属性？
• RQ5 在实际空间态势感知中采用ML的关键挑战是什么？灰盒建模和跨学科协作如何弥合航空航天与机器学习领域之间的差距？

主要发现

• 基于ML的轨道预测模型，尤其是采用深度学习的模型，能够通过从数据中学习复杂非线性扰动，超越传统SGP4传播器，显著降低长期预测误差。
• 贝叶斯神经网络和蒙特卡洛丢弃已被成功应用于大气密度模型的不确定性估计，提高了碰撞规避系统的可靠性。
• 混合模型如EKF-ANN和GP增强滤波器通过结合物理约束与数据驱动学习，在噪声或稀疏观测条件下显著提升了状态估计精度。
• 在历史HASDM数据上训练的深度学习模型能够复制甚至超越JB2008和DTM等传统经验模型10–15%的1-σ精度。
• 如孪生CNN和3D图像生成器等技术，能够从未知特征的光曲线和光学数据中推断RSO形状和位姿，减少对物体特性先验知识的依赖。
• 将物理定律嵌入神经网络的灰盒模型在可解释性与性能之间展现出良好平衡，为空间操作中可信、可解释的ML提供了可行路径。