[论文解读] 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 4

一句话总结

本文提出 geodesyNets，一种神经网络方法，直接从绕小行星 Bennu 运行的石子大小颗粒的轨迹数据中推断其质量密度分布，使用的是真实 Osiris-Rex 任务数据。该方法在无需形状模型的情况下，实现了与均匀密度 mascon 模型相当的重力场保真度，证明了在深空任务中实现星载自主重力场反演的可行性，尽管存在非引力力引起的噪声影响。

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.

研究动机与目标

• 开发一种从引力轨迹数据中推断小行星等天体内部质量密度分布的方法。
• 在真实 Osiris-Rex 任务数据上验证基于神经网络的方法（geodesyNets）的性能。
• 评估该方法是否能在不依赖预设形状模型的情况下实现高保真度重力场建模。
• 研究非引力力（如太阳辐射压力）对从稀疏、噪声轨迹数据中反演重力场精度的影响。
• 探索未来行星科学任务中，利用神经网络实现在轨自主重力场反演的潜力。

提出的方法

• 训练神经网络，从通过数值微分计算得到的石子轨迹观测加速度中，预测 Bennu 内部的三维质量密度函数 f(x,y,z)。
• 使用训练好的网络通过在体积上积分密度函数，结合改进的牛顿引力公式，计算外部点的引力加速度。
• 通过比较预测加速度与观测加速度，计算用于训练的归一化损失函数。
• 通过传播未用于训练的石子轨道对模型进行验证，将预测轨迹与 Scheeres 等人 [4] 报告的轨迹进行比较。
• 实施两种场景：非微分（无形状模型）和微分（使用形状模型推断相对于均匀密度的偏差）。
• 在轨道传播过程中考虑非引力力（如太阳辐射压力），尽管这些力未在神经网络训练中显式建模。

实验结果

研究问题

• RQ1 神经网络能否在不知晓形状的前提下，从未知形状的稀疏、噪声轨迹数据中推断小行星的质量密度分布？
• RQ2 当应用于真实任务数据时，geodesyNets 方法与传统重力模型（如 mascon 或球谐函数）相比性能如何？
• RQ3 非引力力（如太阳辐射压力）在多大程度上会降低使用神经网络从稀疏、噪声轨迹数据中反演重力场的精度？
• RQ4 在真实 Bennu 数据上应用时，与非微分方法相比，通过建模相对于均匀背景的密度变化（即微分方法）是否能提升模型保真度？
• RQ5 该方法能否被适配用于未来行星探测任务中的在轨自主重力场反演？

主要发现

• 非微分 geodesyNets 方法在 3 小时后轨迹传播误差为 44.47 米，与均匀密度 mascon 模型（43.26 米）相当，尽管未使用形状模型。
• 该方法性能显著优于点质量模型（相同时间后误差为 73.47 米），证实网络学习到了有意义的重力场结构。
• 微分方法未能捕捉到有意义的内部非均质性，可能是因为石子尺寸和质量的高不确定性放大了噪声，相对于实际密度变化。
• 合成实验表明，当非引力力被正确建模时，该方法能够成功恢复人工非均匀质量分布，表明该方法在原理上是可行的。
• 神经网络仅从引力加速度中即能推断出 Bennu 的整体形状，即使在没有形状模型的情况下，表明其对缺失几何先验具有鲁棒性。
• 结果表明，若将石子尺寸和质量估计纳入模型，可显著提升模型保真度，尤其在探测小尺度内部非均质性方面。