State Forecasting in an Estimation Framework with Surrogate Sensor Modeling

Resumen Técnico: Predicción de Estado con Modelado de Sensores Sustitutos

1. Planteamiento del Problema

En el dominio de la Conciencia Situacional Espacial (SSA, por sus siglas en inglés), la estimación precisa de la trayectoria de Objetos Espaciales Residentes (RSO) es crítica para la prevención de colisiones y el análisis de conjunciones. Sin embargo, existen desafíos significativos:

• Observabilidad Parcial: Las mediciones disponibles (rango, acimut, elevación) son a menudo incompletas, intermitentes o ruidosas.
• Limitaciones de Modelos Físicos: Los métodos tradicionales basados puramente en física (como modelos keplerianos) carecen de robustez ante perturbaciones complejas (arrastre atmosférico, presión de radiación solar, $J_2$) y no capturan la dinámica real con suficiente precisión sin datos exhaustivos.
• Desafío de Extrapolación: ¿Cómo extraer información significativa de mediciones parciales para predecir el estado futuro cuando los sensores no están disponibles continuamente?

El objetivo principal es desarrollar un marco que integre modelos físicos simplificados con técnicas de aprendizaje de datos para mejorar la estimación de estados bajo condiciones de observabilidad limitada.

2. Metodología Propuesta

Los autores proponen un marco novedoso que desacopla el aprendizaje de las mediciones de la dinámica del sistema, fusionando ambos en un filtro de estimación estándar (principalmente un Filtro de Kalman Extendido - EKF).

Componentes Clave:

1. Modelo de Dinámica de Referencia (Placeholder):
   • Es un modelo físico simplificado (ej. modelo de dos cuerpos kepleriano) que no incluye perturbaciones complejas.
   • Su función es proporcionar una estimación aproximada del estado y propagar la incertidumbre inicial. No necesita ser altamente preciso, solo "suficientemente bueno" para servir como base.
2. Modelo Sustituto de Medición (Surrogate Model):
   • Basado en datos, utiliza el algoritmo Hankel-DMD (Descomposición en Modos Dinámicos con Reconstrucción de Hankel).
   • Se entrena exclusivamente con datos de mediciones históricas para aprender la evolución temporal de las observaciones (rango, azimut, etc.).
   • No intenta modelar la física subyacente del estado, sino que predice directamente qué medición se obtendría en el siguiente paso de tiempo.
3. Fusión mediante EKF:
   • El marco utiliza un Filtro de Kalman Extendido (EKF) para fusionar la predicción de estado del modelo de referencia con la predicción de mediciones del modelo sustituto.
   • Paso de Predicción: El modelo de referencia propaga el estado y la covarianza.
   • Paso de Actualización: El modelo sustituto proporciona una predicción de la medición ($z$) que se compara con la medición real (o simulada) para corregir el estado estimado.

Flujo del Proceso:

• Se recopilan mediciones en lotes para entrenar el modelo Hankel-DMD.
• Se determina una condición inicial (IOD - Determinación de Órbita Inicial) para el modelo de referencia.
• El modelo de referencia propaga el estado; el modelo sustituto predice la medición futura.
• El EKF fusiona ambas fuentes para obtener una estimación de estado posterior refinada.

3. Contribuciones Clave

• Desacoplamiento de Modelos: Separar el aprendizaje de las mediciones (datos) de la dinámica del sistema (física) simplifica el modelado y aumenta la robustez. El modelo sustituto no necesita tener significado físico, solo capacidad predictiva de mediciones.
• Marco Generalizado: La metodología es adaptable a diferentes algoritmos de filtrado (EKF, UKF, Filtros de Partículas) y a diversos dominios (mecánica orbital, péndulos, osciladores).
• Análisis de Consistencia: Se presenta un análisis teórico que demuestra que el operador lineal $A$ obtenido por Hankel-DMD es insesgado ($E[A] = A$), aunque la varianza del error de extrapolación crece con el tiempo, lo que subraya la necesidad de reentrenamiento periódico.
• Validación en Escenarios Complejos: Demostración de la eficacia del método en entornos no lineales y con perturbaciones, incluyendo órbitas cislunares.

4. Resultados y Evaluación

Los autores evaluaron el marco en múltiples escenarios comparándolo con: (i) el uso del modelo de referencia solo, (ii) el marco propuesto (DMD + EKF), y (iii) un caso hipotético con mediciones perfectas continuas.

• Péndulo Simple: El método propuesto logró estimar el estado con alta precisión, superando al modelo de referencia (que ignoraba la amortiguación) y acercándose al caso hipotético ideal durante un horizonte temporal razonable.
• Estación Espacial Internacional (ISS):
  • En escenarios con mediciones de posición sin ruido y con ruido (5%), el marco filtró eficazmente el ruido y capturó la dinámica no kepleriana (perturbaciones $J_2$ y arrastre).
  • En el caso de observables no lineales (rango, azimut, elevación), el método mantuvo la precisión gracias a la naturaleza periódica de las órbitas, que el DMD puede capturar bien.
• Órbita L1 Halo (Entorno Cislunar): En el problema de los tres cuerpos restringido circular (CR3BP) con ruido, el marco logró estimaciones estables dentro de los límites de 3-$\sigma$, mientras que el modelo de referencia solo divergía.
• Limitaciones Identificadas (Casos de Fallo):
  • Satélite Molniya-3-50: El método falló debido a la alta excentricidad y las escalas de tiempo largas, donde las perturbaciones alteran el espectro de frecuencia más rápido de lo que el modelo sustituto puede adaptarse sin reentrenamiento.
  • Oscilador Van der Pol: Si el modelo de referencia tiene parámetros muy diferentes a la realidad (ej. coeficiente de amortiguamiento incorrecto), la fusión no puede compensar la discrepancia, llevando a estimaciones pobres. Esto resalta la importancia de que el modelo de referencia sea una aproximación razonable.

5. Significado e Implicaciones

Este trabajo representa un avance significativo en la estimación de estados para el sector aeroespacial al ofrecer una solución híbrida que combina lo mejor de los modelos físicos y el aprendizaje de datos:

• Robustez ante Datos Incompletos: Permite realizar predicciones fiables incluso cuando los sensores tienen periodos de inactividad o son intermitentes.
• Eficiencia Computacional: Al utilizar un modelo físico simple como "placeholder" y un modelo de datos ligero para las mediciones, se evita la necesidad de modelos físicos hiper-complejos y costosos computacionalmente.
• Adaptabilidad: El marco es flexible y puede aplicarse a problemas más allá de la mecánica orbital, como robótica o predicción meteorológica.
• Dirección Futura: El análisis de consistencia sugiere que para aplicaciones a largo plazo, es crucial implementar mecanismos de reentrenamiento iterativo del modelo sustituto a medida que llegan nuevas mediciones, para evitar la degradación de la precisión por error de extrapolación.

En conclusión, el marco propuesto demuestra que la integración de modelos sustitutos de datos con dinámicas de referencia simplificadas dentro de un filtro de estimación es una estrategia viable y potente para mejorar la conciencia situacional espacial en entornos dinámicos y con datos limitados.