Probabilistic Methods for Initial Orbit Determination and Orbit Determination in Cislunar Space

Este trabajo presenta un marco probabilístico para la determinación de órbitas en el espacio cis-lunar que combina un método de ajuste cinemático para la estimación inicial de estados con un filtro de Mezcla Gaussiana de Partículas para reducir la incertidumbre a lo largo del tiempo, superando las limitaciones del método de Gauss en dinámicas de tres cuerpos.

Lo esencial

¡Claro que sí! Imagina que el espacio entre la Tierra y la Luna es como un gigantesco parque de atracciones lleno de cohetes, satélites y basura espacial que se mueven a velocidades increíbles. El problema es que este parque es enorme, mucho más grande que el que tenemos cerca de la Tierra, y las reglas de la física allí son un poco más locas porque la gravedad de la Tierra y la Luna se pelean constantemente.

Aquí te explico qué hace este artículo, usando analogías sencillas:

1. El Problema: "El GPS se rompió"

En el espacio cercano a la Tierra, los científicos usan un método clásico (llamado el método de Gauss) para adivinar dónde está un objeto y hacia dónde va. Es como si vieras a un coche pasar por tu ventana tres veces en un segundo y pudieras calcular su velocidad y dirección perfectamente.

Pero en el espacio entre la Tierra y la Luna (el espacio cislunar), esto falla. ¿Por qué? Porque el movimiento no es una línea recta o una elipse simple; es como si el coche estuviera siendo empujado por dos vientos fuertes (la Tierra y la Luna) al mismo tiempo. Las reglas viejas ya no funcionan. Necesitamos una nueva forma de "atrapar" a estos objetos sin saber de antemano cómo se mueven.

2. La Solución: "El Arte de la Adivinanza Inteligente"

Los autores proponen un sistema de dos pasos para encontrar y seguir a estos objetos perdidos:

Paso 1: La "Foto Borrosa" (Determinación de Órbita Inicial)

Imagina que tienes un telescopio en Texas. Ves un objeto pasar por el cielo durante 10 o 20 horas (¡mucho más tiempo que los minutos que duran en órbita baja!).

• El truco: En lugar de intentar calcular la trayectoria exacta de inmediato, toman cientos de "fotos" de la posición del objeto.
• La magia: Como no saben la distancia exacta (es muy difícil medirla desde la Tierra), asumen que el objeto podría estar en cualquier lugar dentro de una zona gigante entre la Tierra y la Luna.
• El resultado: Crean una "nube de partículas". Imagina que lanzas miles de pelotas de ping-pong al aire; cada pelota es una posible ubicación del objeto. Al principio, la nube es enorme y desordenada, pero sabe que el objeto está dentro de ella. Es como tener una red gigante que cubre todo el océano para atrapar un solo pez.

Paso 2: El "Filtro PGM" (El Detective que Aprende)

Una vez que tienen esa nube gigante y desordenada, necesitan reducirla para saber dónde está el objeto realmente. Aquí entra el Filtro PGM (Filtro de Mezcla Gaussiana de Partículas).

• La analogía: Imagina que tienes un grupo de 100 detectives (las partículas). Todos tienen una teoría diferente sobre dónde está el objeto.
• El proceso: Cada vez que el telescopio toma una nueva medida (un nuevo ángulo de visión), el filtro les dice: "¡Oigan! La teoría de los detectives que estaban en la zona A coincide con lo que vemos, pero los que estaban en la zona B están equivocados".
• La limpieza: Los detectives equivocados son "despedidos" (se eliminan de la nube) y los correctos se multiplican. Con el tiempo, la nube gigante se contrae hasta convertirse en un punto muy preciso.

3. ¿Por qué es tan especial este método?

El artículo prueba que su sistema es un superhéroe en situaciones caóticas donde otros métodos fallan:

• El escenario del "Apagón": Imagina que el telescopio se rompe y no puede ver nada durante 10 días o incluso 150 días.
  • Los métodos antiguos (como el Filtro UKF o EnKF) se vuelven "demasiado seguros de sí mismos". Piensan: "Ya sabemos dónde está, no necesitamos mirar más". Pero como el movimiento es caótico, se equivocan y pierden al objeto.
  • El método PGM es más humilde. Reconoce que la nube se ha distorsionado y se ha vuelto extraña. Cuando el telescopio vuelve a encenderse, el filtro PGM es lo suficientemente flexible para "reorganizar" a sus detectives y volver a encontrar al objeto, incluso después de un apagón de meses.

4. Conclusión: Menos suposiciones, más realidad

La idea principal es: No asumas que sabes cómo se mueve el objeto.
En lugar de forzar al objeto a seguir reglas matemáticas estrictas (que no aplican en el espacio lunar), el método de los autores dice: "Vamos a observar, adivinar todas las posibilidades posibles, y dejar que la realidad (las nuevas observaciones) nos diga cuáles de esas posibilidades son correctas".

En resumen:
Han creado un sistema de rastreo que es como un cazador paciente. No necesita saber la velocidad exacta del objetivo al principio; solo necesita saber que está en algún lugar del "parque cislunar". Con el tiempo, y usando un filtro inteligente que se adapta al caos, logra atrapar al objetivo con una precisión increíble, incluso cuando las condiciones son extremas y los otros métodos se rinden.

Esto es crucial para el futuro, ya que con más misiones a la Luna (como las de China, India o la NASA), necesitamos asegurarnos de que nuestros cohetes no choquen con basura espacial en ese vasto y caótico territorio.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Probabilistic Methods for Initial Orbit Determination and Orbit Determination in Cislunar Space" (Métodos Probabilísticos para la Determinación Inicial de Órbita y Determinación de Órbita en el Espacio Cis-Lunar), estructurado según los puntos solicitados.

1. Planteamiento del Problema

El objetivo principal es extender las capacidades de Conciencia Situacional Espacial (SSA) al dominio cis-lunar (la región entre la Tierra y la Luna). Este dominio presenta desafíos únicos para la determinación de órbita (OD) y la determinación inicial de órbita (IOD):

• Dinámica Compleja: A diferencia de las órbitas cercanas a la Tierra (LEO/GEO) gobernadas por la dinámica de dos cuerpos (Kepleriana), el dominio cis-lunar está dominado por la dinámica de tres cuerpos (Tierra-Luna-Satélite). Esto invalida las suposiciones fundamentales de los métodos clásicos como el de Gauss.
• Incompatibilidad del Método de Gauss: El método de Gauss, estándar para IOD, asume movimiento kepleriano y mediciones de arco corto. En el espacio cis-lunar, el movimiento no es planar y las órbitas no son necesariamente elípticas, lo que hace que el método de Gauss falle.
• Limitaciones de los Métodos Probabilísticos Actuales: Métodos existentes como la Región Admisible Probabilística (PAR) requieren suposiciones a priori significativas sobre la geometría del objetivo, las capacidades de los sensores y estadísticas de elementos orbitales, lo cual es problemático cuando se tienen pocas o nulas mediciones de rango.
• Desafío de la No-Gaussianidad: Los sistemas dinámicos cis-lunares son altamente no lineales y caóticos. Los filtros tradicionales (EKF, UKF, EnKF) que asumen distribuciones Gaussianas o aproximaciones locales a menudo fallan o se vuelven "demasiado seguros" (overconfident), perdiendo la custodia del objetivo tras periodos de desconexión del sensor o en trayectorias caóticas.

2. Metodología Propuesta

Los autores proponen un marco integrado IOD/OD basado en mínimos supuestos y métodos probabilísticos avanzados:

A. Determinación Inicial de Órbita (IOD) por Ajuste Cinemático

En lugar de depender de la dinámica de tres cuerpos para calcular la órbita inicial, el método utiliza un enfoque puramente cinemático:

1. Observaciones: Se aprovecha que los objetos en el espacio cis-lunar permanecen en el campo de visión de un observador terrestre durante periodos largos (10-20 horas), permitiendo decenas de mediciones.
2. Modelado: Se toman series temporales de mediciones de ángulos (Azimut y Elevación) combinadas con información de rango (que puede ser ruidosa o inferida).
3. Ajuste Polinómico: Se ajusta una curva spline polinómica (de cuarto orden) a las posiciones estimadas en el sistema de referencia topocéntrico.
4. Derivación del Estado: La velocidad se obtiene derivando temporalmente el polinomio ajustado.
5. Generación de Nube de Partículas: Mediante el método de Monte Carlo, se perturban las mediciones (ruido angular y de rango) miles de veces. Esto genera una "nube de partículas" que representa una Distribución de Densidad de Probabilidad (PDF) inicial. Esta PDF es grande y no necesariamente Gaussiana, pero encapsula la verdad del objetivo.

B. Determinación de Órbita (OD) con Filtro de Mezcla Gaussiana de Partículas (PGM)

Para reducir la incertidumbre de la estimación inicial a lo largo del tiempo, se utiliza el Filtro PGM (Particle Gaussian Mixture):

• Modelo de Mezcla: A diferencia de los filtros que fuerzan una distribución Gaussiana, el PGM modela la PDF a priori como una Mezcla Gaussiana (GMM).
• Proceso Iterativo: El filtro consta de cuatro pasos:
  1. Propagación: Se propagan las partículas usando el modelo dinámico de tres cuerpos restringido circular (CR3BP).
  2. Agrupamiento (Clustering): Se agrupan las partículas en clústeres (usando k-means) para formar componentes Gaussianos.
  3. Actualización: Se actualizan los componentes de la GMM utilizando mediciones de ángulos (Azimut/Elevación) mediante una actualización tipo EnKF (Filtro de Kalman de Conjunto).
  4. Remuestreo: Se generan nuevas partículas basadas en la GMM actualizada.
• Ventaja: Este enfoque maneja la no-gaussianidad y la bifurcación caótica de las trayectorias, eliminando componentes de la mezcla que no son consistentes con las observaciones.

3. Contribuciones Clave

1. Método IOD de Mínimos Supuestos: Se presenta un método que no asume dinámica kepleriana ni requiere suposiciones complejas sobre la región admisible, basándose únicamente en el ajuste cinemático de observaciones consecutivas.
2. Adaptación al Dominio Cis-Lunar: Se demuestra que el ajuste polinómico de series temporales de ángulos y rangos ruidosos es viable para generar estimaciones iniciales en un entorno de tres cuerpos.
3. Robustez del Filtro PGM: Se valida que el filtro PGM es superior a los filtros estándar (UKF, EnKF) en escenarios cis-lunares, especialmente ante:
   • Trayectorias caóticas cerca de los puntos de Lagrange (L1, L2).
   • Periodos de desconexión del sensor (shutoffs) prolongados (hasta 150 días).
   • Estimaciones iniciales con alta incertidumbre y no-gaussianidad.
4. Análisis de Suposiciones de Rango: Se evalúa el impacto de diferentes suposiciones de información de rango (ruido alto vs. límites uniformes del dominio cis-lunar) y se demuestra que, aunque afectan la precisión a corto plazo, el filtro PGM converge a una precisión similar a largo plazo independientemente de la suposición inicial, siempre que se utilice el marco correcto.

4. Resultados y Desempeño

Los autores probaron el marco en tres escenarios distintos:

• Órbita NRHO 9:2 (Resonante): Similar a la órbita de la NASA Gateway. El filtro PGM redujo la incertidumbre de posición de ~1000-1300 km a ~1.5-7.5 km y la velocidad de ~1.4-5.6 km/s a ~18-45 cm/s en solo 6 pases. La entropía (medida de incertidumbre) disminuyó drásticamente.
• Trayectoria Caótica cerca de L2: Un objetivo que pasa cerca del punto de Lagrange L2. Tras un apagado del sensor de 10 días, la distribución de probabilidad se deformó caóticamente. El UKF y el EnKF fallaron (se volvieron inconsistentes o perdieron el objetivo), mientras que el PGM logró recuperar la custodia con una sola observación posterior.
• Órbita NRHO 3:1 con Apagado de 150 Días: En el caso más extremo, tras 150 días sin observaciones, el PGM mantuvo la custodia del objetivo sin necesidad de re-ejecutar el IOD, demostrando una capacidad de recuperación superior.

Comparación de Filtros:

• UKF: Tiende a volverse "demasiado seguro" (overconfident) con el tiempo en sistemas no lineales, llevando a inconsistencias rápidas tras periodos largos sin datos.
• EnKF: Es menos seguro que el UKF pero sufre de agotamiento de partículas y divergencia en entornos caóticos, fallando en mantener la custodia en trayectorias complejas.
• PGM: Mantiene una representación de la incertidumbre más fiel (mediante múltiples componentes Gaussianos), permitiendo que los componentes incorrectos se desvanezcan y los correctos se refinen, manteniendo la consistencia a largo plazo.

5. Significado e Impacto

Este trabajo es significativo para la seguridad y operación de misiones espaciales futuras (como el programa Artemis y la estación Gateway) por varias razones:

• Viabilidad Operativa: Proporciona una solución robusta para rastrear objetos en el espacio cis-lunar donde los métodos tradicionales fallan, crucial para la coordinación del tráfico espacial y la detección de colisiones.
• Reducción de Dependencia de Sensores: Demuestra que es posible mantener la custodia de objetivos incluso con sensores de rango de baja precisión o tras periodos de desconexión prolongados, reduciendo la carga operativa y los requisitos de hardware.
• Marco Generalizable: La metodología de "ajuste cinemático + filtro de mezcla de partículas" ofrece un paradigma para la determinación de órbitas en regímenes de dinámica compleja donde las suposiciones de modelos simples no son válidas.
• Limitaciones y Futuro: El artículo reconoce que el método puede tener dificultades con órbitas muy cercanas a la Tierra (debajo de los límites cis-lunares definidos) debido a problemas de acondicionamiento en el agrupamiento, sugiriendo futuras mejoras en estrategias de clustering y la extensión a modelos dinámicos más complejos (como el problema de cuatro cuerpos).

En resumen, el artículo establece un nuevo estándar para la determinación de órbitas en el espacio cis-lunar, combinando una estimación inicial flexible basada en datos con un filtro probabilístico avanzado capaz de manejar la complejidad dinámica y la incertidumbre extrema.