В 2019 году Европейское космическое агентство сообщило, что количество космического мусора на высоте более 1 метра составляет около 5400 объектов. Приблизительно 34 000 объектов были больше 10 сантиметров (включая 2 000 активных спутников). Было 900 000 объектов размером более 1 сантиметра и 130 миллионов объектов размером более 1 миллиметра.
Учитывая скорость объектов на низкой околоземной орбите до 17 500 миль в час (более чем в 10 раз больше скорости пули), столкновения даже самых маленьких объектов с любым космическим кораблем могут быть катастрофическими и привести к дальнейшему распространению мусора. Синдром Кесслера моделирует космическое загрязнение, которое сохраняется из-за столкновений между объектами на орбите, создавая больше мусора и, таким образом, создавая эффект домино будущих столкновений.
Текущая система отслеживания орбитального мусора
Космический мусор подразделяется на пять кеплеровских элементов, которые известны как большая полуось, эксцентриситет, наклонение, аргумент перигея и прямое восхождение восходящего узла.
Наклонение – это угол между экватором и орбитой. Эксцентриситет - это форма орбиты (насколько она близка к окружности). Прямое восхождение восходящего узла (RAAN) — это угол между удаленной звездой и пересечением спутником экватора с юга на север. Аргумент перигея — это положение перигея, отсчитываемое от восходящего узла. Эти точки могут определять любую отдельную орбиту космического мусора и могут использоваться для расчета орбиты объекта.
Расширенный фильтр Калмана (EKF) правильно моделирует изменение состояния динамики ошибок и статистически корректирует с помощью распространения ковариации ошибок для оценки орбитальных путевых точек для прогнозирования траектории. EKF считается стандартом в теории нелинейной оценки состояния, навигационных систем и GPS. Но проблема в том, что астродинамика орбитальных объектов постоянно меняется из-за небесных возмущений, что приводит к частой ручной настройке параметров ЭКФ, необходимых для внетрассовых космических целей. Без возможности самообучения и обучения трекер, управляемый ковариацией, должен быть настроен на отдельные космические цели. Прежде чем мы приступим к проблеме орбитального отслеживания, нам сначала нужно понять организации, стоящие за этой работой.
Организационная структура Командования космических операций (SpOC)
Миссия Combined Force Space Component Command (CFSCC)/SpOC West состоит в том, чтобы планировать, интегрировать, проводить и оценивать глобальные космические операции, чтобы доставлять соответствующие боевые космические средства боевым командирам, партнерам по коалиции, Объединенным Сила и нация. В качестве одной из своих основных ролей CFSCC планирует, ставит задачи, направляет, контролирует и оценивает выполнение комбинированных и совместных космических операций для театральных эффектов от имени командующего USSPACECOM, чтобы напрямую интегрироваться с текущими операциями других боевых команд.
18-я эскадрилья управления космическим пространством (18 SPCS), подпадающая под действие Space Delta 2, прогнозирует, когда и где искусственные объекты вновь войдут в атмосферу Земли. 18 SPCS включает в себя ведение космического каталога с помощью данных космического наблюдения и отслеживания, полученных от Сети наблюдения за космическим пространством США (SSN), генерирование данных о безопасности космических полетов и обработку событий, представляющих большой интерес, таких как запуски, повторные входы в атмосферу и разрушения. 18 SPCS в своей отчетности разделил 3 типа повторных входов.
3 типа повторного входа
Существует 3 типа повторных входов: спуск с орбиты, нормальный спад и объекты оценки повторного входа. Спуск с орбиты — это управляемый возврат объекта в запланированное место, обычно в известное время. Нормальный распад — это объекты, которые разлагаются естественным образом и не считаются живучими. Они представляют собой неконтролируемое постепенное снижение орбиты объекта, и ожидается, что они не переживут повторный вход в атмосферу. Как правило, они имеют радарное поперечное сечение менее 1 м².
Объекты оценки повторного входа в атмосферу (RA) могут быть классифицированы как обычные или представляющие большой интерес, и включают полезные нагрузки, корпуса ракет или платформы. И обломки имеют площадь поперечного сечения радара более 1 м² или исторически предполагалось, что они выживут.
Аналитики Центра операций космической обороны (SPADOC) определяют предстоящие повторные входы в атмосферу, распространяя каждый объект в течение определенного периода времени или до распада, используя двухстрочные элементы (TLE) Simplified General Perturbations 4 (SGP4), которые подходят для околоземных круглых объектов. .
Возмущение — это изменение орбиты из-за естественной силы, такой как массовая асимметрия (J-эффекты), сопротивление (все спутники находятся на расстоянии до 2000 км), радиационное давление (сила солнечного света) и эффекты третьего тела (Солнце и Луна). . Общие возмущения (GP, SGP, SGP4) берут среднее значение всех возмущений по всей орбите и объединяют его в одну переменную и создают плавную кривую во времени. Это быстро вычислить, но не очень точно с течением времени.
SPADOC предупреждает о соединениях, расстояние промаха которых составляет менее 5 км на GEO или менее 1 км на LEO, и делает это в течение 72 часов с момента наибольшего сближения. В настоящее время предполагаемая ежедневная статистическая вероятность столкновения составляет 1x10–6 (один на миллион). SPADOC собирает тысячи наблюдений каждые 24 часа, чтобы генерировать в среднем 30 ежедневных предупреждений о столкновении, которые предоставляются владельцам и операторам космических аппаратов по всему миру. 18 SPCS также использует пропагатор SP рабочей станции астродинамической поддержки (ASW), который имеет более современные модели Земли и более точную динамическую модель атмосферы.
Объединенный центр космических операций (JSpOC), расположенный на базе космических сил Ванденберг в Калифорнии, активно отслеживает все объекты размером с мяч для софтбола (10 см) или больше на орбите, используя Сеть космического наблюдения США (SSN) в качестве основного набора средств обнаружения. датчики. Они отвечают за правильное картографирование объектов, движущихся по орбите Земли, нанесение на карту текущего положения космических объектов и построение их предполагаемых орбитальных траекторий, обнаружение новых искусственных объектов в космосе и прогнозирование того, когда и где распадающийся космический объект снова войдет в атмосферу Земли. .
SPACETRACK представляет собой всемирную сеть космического наблюдения (SSN), состоящую из специализированных, сопутствующих и вспомогательных электронно-оптических, пассивных радиочастотных (RF) и радиолокационных датчиков. Перед SSN поставлена задача обеспечить каталогизацию и идентификацию космических объектов, предупреждение об атаках со спутников, своевременное уведомление сил США о пролетах спутников, мониторинг космических договоров, а также сбор научных и разведывательных данных.
Постоянное увеличение количества спутников и орбитального мусора, а также растущее разнообразие траекторий запуска, нестандартных орбит и геосинхронных высот требует дальнейшей модернизации SSN для удовлетворения существующих и будущих требований и обеспечения их рентабельной поддержки. SPACETRACK разработал системные интерфейсы, необходимые для управления и контроля, наведения и оценки ущерба потенциальной будущей системы противоспутникового оружия США (ASAT).
При столкновении обломков образуется облако орбитального мусора, как показано на примере уничтожения спутника «Космос 1408» российской противоспутниковой ракетой 15 ноября 2021 г., при этом отслеживается 1500 обломков, и, по оценкам, сотни тысяч обломков слишком малы. выслеживать. Поскольку спутник находился на полярной орбите, а его обломки разбросаны на высотах от 300 до 1000 км, он потенциально может столкнуться с любым спутником НОО, включая Международную космическую станцию и Китайскую космическую станцию.
В связи с постоянно растущим беспокойством по поводу экспоненциального роста орбитального мусора нынешним организациям, отвечающим за отслеживание, может потребоваться внедрить новый метод отслеживания. Seer Tracking предоставляет один из методов реализации машинного обучения для отслеживания орбитального мусора.
Применение машинного обучения: отслеживание прохожих
Эмбер Янг, выпускница Стэнфорда, основала Seer tracking для отслеживания и картографирования космического мусора на низкой околоземной орбите в целях снижения риска столкновения космического мусора с космическими миссиями. Было проведено исследование, присужденное Нобелевской премией 2014 года за открытие того, что мозг может действовать как внутренняя глобальная система позиционирования (GPS) благодаря своей способности распознавать геометрические узоры. Исследование Эмбер Янг заключалось в том, чтобы подвергнуть сомнению присущие геометрические узоры, которые можно заметить на орбитах обломков, и использовать их для распознавания образов искусственными нейронными сетями с течением времени.
В машинном обучении алгоритм обратного распространения широко используется для обучения нейронных сетей с прямой связью. Обратное распространение — это тип искусственной нейронной сети, в котором входные и выходные данные изначально представляются нейронной сети. Нейронная сеть изучает проводимость и веса, которые связаны между входом и выходом после каждого прямого прохода через сеть. Алгоритм используется для эффективного обучения нейронной сети с помощью метода, называемого цепным правилом.
В ее исследовании было задействовано 1000 образцов космического мусора, и она проанализировала изменения кеплеровских орбит для мусора с течением времени, проверив образцы в своей искусственной нейронной сети. В своих исследованиях она заметила, что существуют геометрические узоры, присущие каждой отдельной орбите.
ИНС обнаружения целей, выделенная красным, представляет собой подсистему идентификации, классификации и каталогизации космического мусора. В конечном итоге она смогла обеспечить точность идентификации около 94% для своей нейронной сети обнаружения целей, поскольку она успешно идентифицировала и классифицировала после изменения орбиты космического мусора.
ИНС прогнозирования траектории, выделенная синим цветом, представляет собой подсистему мониторинга и отслеживания космического мусора. Эта искусственная нейронная сеть ориентирована в основном на предсказание будущей орбиты космического мусора. ИНС работает, вводя пять прошлых орбит выборки космического мусора и просматривая дельта-изменения кеплеровских элементов между каждой орбитой. Целью выходного слоя будет получение будущего дельта-изменения выборки космического мусора с точки зрения кеплеровских элементов. Моделирование ИНС прогнозирования траектории для космического мусора показало, что система ИНС может интерполировать изменения орбитальных схем в путевых точках, которые никогда ранее не обучались. Она обнаружила, что ошибки отслеживания для ИНС с предсказанием траектории меньше, чем у обычных методов отслеживания.
Во второй части исследования Янг реализовал алгоритм Iterative Closest Points (ICP), чтобы упростить большую группу мусора до нескольких точек данных. Алгоритм ICP используется для регистрации геометрического выравнивания и взаимосвязи между двумя разными сканами объектов в два разных момента времени. Алгоритм ICP часто используется для реконструкции 2D- или 3D-поверхностей из разных сканов, будь то локализация роботов и достижение оптимального планирования пути (особенно когда одометрия колес ненадежна из-за скользкой местности).
Алгоритм ICP использовал бинарный поиск KD-дерева для определения отношения точек между каждой точкой в двух разных облаках с помощью алгоритма Singular-Value Decomposition (SVD). Затем алгоритм ICP сошелся к ближайшему локальному минимуму среднеквадратичного расстояния с высокой скоростью сходимости за несколько итераций.
Алгоритм ICP определяет соответствие различных геометрических представлений и оценивает движение и вращение между двумя облаками точек, где соответствия неизвестны, и прогнозирует будущие изменения кинематических моделей ICP для отслеживания облаков космического мусора. Средняя общая ошибка слежения за группой облаков космического мусора составила 0,87 км (80 угловых секунд), в то время как средняя ошибка слежения за отдельной выборкой космического мусора составила менее 0,1 км (10–15 угловых секунд), что меньше, чем у обычных методов отслеживания.
В заключение она смогла создать систему предотвращения столкновений, проецируя орбиты обломков и давая достаточно времени заранее, чтобы предупредить космические корабли. И это исследование может быть применено к любому движущемуся объекту с эллиптической орбитой, например. спутники, космические грузы, планеты дальнего космоса, наземные дроны. А для образцов облачного мусора она впервые использовала алгоритм ICP для объектно-ориентированного отслеживания с эффективными результатами. В конечном счете, успешные экспериментальные применения системы орбитального распознавания на основе ИНС подтверждают теоретический подход, согласно которому ИНС с распознаванием образов могут действовать как точная и эффективная система наблюдения за космосом для отслеживания реального космического мусора.
Машинное обучение во время конференции по управлению космическим движением 2020 Исследование от Slingshot Aerospace
В декабре 2019 года SACT (Sprint Advanced Concept Training), недельное коммерческое правительственное учение, отчасти для демонстрации передовых возможностей ситуационной осведомленности в коммерческом космосе Министерству обороны и Министерству торговли, Slingshot Aerospace приняла резидентные космические объекты (RSO) данные о состоянии от LeoLabs, Numerica, 18-й эскадрильи управления космическим командованием США (18 SPCS), Spire Global и MITER Corporation.
LeoLabs выполнила оценку состояния орбиты с помощью фильтра Калмана без запаха. Этот класс алгоритмов сочетает вычислительную эффективность фильтра Калмана с преобразованием без запаха, которое пытается более точно отобразить эволюцию ковариации в нелинейных системах путем распространения набора точек выборки с использованием полной физической модели. 18 SPCS предоставили TLE, в то время как все остальные предоставили векторы состояния (SV), которые представляют собой декартовы положение и скорость.
Numerica собирала данные с помощью всемирной сети оптических датчиков, как фиксированных, так и специализированных телескопов. Спутники Spire выполняют точное определение орбиты, используя несколько сигналов Глобальной навигационной спутниковой системы (GNSS), одновременно собираемых через антенну зенитного наведения. Корпорация MITRE предоставила калибровочные эфемеридные данные для большого набора спутников GNSS (например, GPS, ГЛОНАСС, Galileo и т. д.).
Поскольку каждый источник данных имеет свои сильные и слабые стороны в различных условиях (режим орбиты, глобальное покрытие, тип РСО и т. д.), возникла необходимость в создании максимально точного решения для космического каталога. Чтобы объединить эти данные в лучшее решение, была разработана регрессионная модель контролируемого обучения с использованием машинного обучения, которая обрабатывала решения состояния поставщика для большого количества объектов на геосинхронной орбите (GEO).
И эта модель смогла узнать, как охарактеризовать неопределенность, возникающую во время распространения, и применить ее к другим объектам на ГЕО, чтобы улучшить их решения по сравнению с автономными оценками от различных поставщиков. Компании Slingshot Aerospace удалось правильно учесть ошибку, возникающую при распространении состояния спутника, и получить совмещенный результат двух разных поставщиков, который снизил среднеквадратичное значение исходных решений почти на 50 %.
Сводка
Машинное обучение использовалось для решения широкого круга научных и инженерных задач, которые имеют высокую динамику и неопределенность. Используя модели искусственных нейронных сетей, мы можем попытаться изучить тенденции в данных и сделать прогнозы или выводы на основе этого процесса обучения. Добавление нейронной сети в текущую структуру направлено на уменьшение ошибок при отслеживании положения спутников и предотвращение коллизий с прогнозным моделированием.
