Efficient Nonlinear Uncertainty Quantification for Spaceflight Leveraging Nonlinear Expansions

Resumen Técnico: Cuantificación Eficiente de Incertidumbre No Lineal para Vuelos Espaciales Aprovechando Expansiones No Lineales

Enunciado del Problema
La cuantificación fiable y eficiente de la incertidumbre (UQ) sigue siendo un desafío persistente en la astrodinámica moderna, particularmente dentro de regímenes no lineales y débilmente estables, como el vuelo cis-lunar, las operaciones de proximidad y la entrada atmosférica/aerocaptura. En estos entornos, las distribuciones gaussianas iniciales a menudo evolucionan hacia formas no gaussianas debido a perturbaciones, dinámicas no lineales y resonancias. Los métodos estándar enfrentan una compensación: los métodos de Monte Carlo (MC) de alta fidelidad son computacionalmente prohibitivos para una iteración rápida o un despliegue a bordo, mientras que la propagación de covarianza lineal de primer orden es eficiente pero falla en capturar el transporte de incertidumbre no lineal, representando potencialmente de manera errónea la geometría de la distribución. Los métodos intermedios como la Transformada Unscented (UT) y la Expansión de Caos Polinomial (PCE) ofrecen un equilibrio, pero aún requieren evaluaciones repetidas de la dinámica o un registro complejo para momentos de orden superior.

Metodología
Este artículo presenta un estudio comparativo de métodos modernos de UQ, centrándose en mejorar el rendimiento en tiempo real mediante el uso de Álgebra Diferencial (DA) y un enfoque novedoso de "Álgebra Diferencial Direccional" (DDA).

1. Álgebra Diferencial (DA) y DA Direccional (DDA):

   • DA: En lugar de reintegrar la dinámica no lineal completa para cada muestra, el DA calcula expansiones de Taylor de alto orden del mapa de flujo. Esto permite evaluaciones repetidas de UQ mediante operaciones algebraicas sobre los coeficientes de la expansión.
   • DDA: Para mitigar la explosión combinatoria de términos monomiales en las expansiones completas de DA, los autores emplean DDA. Esta técnica selecciona variables independientes alineadas con direcciones físicamente importantes (específicamente, la dirección de estiramiento linealizado máximo). Mantiene la dependencia no lineal completa a lo largo de esta dirección preferente mientras aplica solo correcciones de primer orden a las coordenadas transversales. Esto reduce significativamente el número de términos retenidos y la sobrecarga computacional.

2. Recuperación de Momentos de Orden Superior:
   El estudio evalúa varios métodos (MC, LinCov, UT, UT Conjugado [CUT4], PCE y Modelos de Mezcla Gaussiana [GMM]) por su capacidad para recuperar no solo la media y la covarianza, sino también momentos centrales de orden superior (asimetría y curtosis). CUT4 y PCE se destacan por su capacidad para extraer estos momentos a un costo menor que el MC de gran muestra.

3. Aproximación Analítica de "Banana":
   Aprovechando los momentos de tercer y cuarto orden calculados, los autores implementan una aproximación analítica para los límites de confianza no gaussianos. Tratando la distribución no gaussiana como una perturbación de una elipse gaussiana, aplican correcciones basadas en la asimetría (asimetría del eje largo) y la curtosis (curvatura transversal). Esto resulta en un contorno con forma de "banana" que captura efectos moderados de deformación no gaussiana sin requerir la reconstrucción explícita de la función de densidad de probabilidad completa.

Resultados Clave
Se realizaron estudios numéricos en dos casos de prueba: una órbita halo cis-lunar de cuerpo restringido y un escenario de aerocaptura de retorno a la Tierra.

• Eficiencia Computacional:

  • En la prueba cis-lunar, el MC directo requirió ~12.8 segundos para $10^4$ muestras.
  • Los mapas DA y DDA precalculados introdujeron un costo de construcción único (0.292s y 0.139s, respectivamente) pero redujeron drásticamente los tiempos de evaluación. Por ejemplo, evaluar 10,000 muestras mediante DDA+MC tomó solo 0.061s.
  • DDA fue consistentemente más rápido que DA completo, aunque incurrió en un ligero aumento en el error de covarianza debido a la truncación de términos fuera de la dirección.
  • El método de contorno analítico de banana para el problema de aerocaptura requirió 0.227s, que es aproximadamente 4.7 veces el tiempo de ejecución del método de covarianza lineal (LinCov) (0.048s), pero significativamente más rápido que los 18.6s requeridos para 2,000 muestras MC.

• Precisión y Cobertura:

  • Órbita Cis-lunar: DDA+UT mostró un error de covarianza relativo más alto en comparación con DA completo+UT, confirmando la compensación entre velocidad y fidelidad fuera de la dirección. Sin embargo, aún superó a LinCov.
  • Aerocaptura: El límite 3$\sigma$ de LinCov capturó solo el 88.6% de las muestras MC, fallando en representar la distribución cortada. En contraste, el contorno de banana capturó el 99.55% de las muestras, proporcionando una caracterización espacial mucho más precisa de la distribución no gaussiana con una sobrecarga computacional mínima. En siete casos de prueba de aerocaptura, el método de banana superó consistentemente a LinCov y redujo el sobreconservadurismo en comparación con los elipsoides de covarianza CUT4.

Significado y Afirmaciones
El artículo afirma que la metodología propuesta ofrece una vía práctica para una UQ eficiente y de alta fidelidad en problemas de vuelos espaciales no lineales. Al combinar DDA para la evaluación rápida del mapa de flujo con una aproximación analítica de banana para la reconstrucción del límite de confianza, los autores demuestran que:

1. Se puede lograr un rendimiento en tiempo real para la UQ no gaussiana, con tiempos de ejecución solo marginalmente superiores a los métodos de covarianza lineal (por ejemplo, ~5$\times$ el tiempo de ejecución de LinCov) mientras se capturan deformaciones no lineales críticas.
2. Los momentos de orden superior (asimetría y curtosis) son esenciales para describir con precisión las distribuciones en regímenes no lineales y pueden calcularse rápidamente utilizando métodos como CUT4 o DDA.
3. La aproximación de contorno de banana proporciona un límite de confianza totalmente analítico que es significativamente más preciso que los enfoques de covarianza lineal para problemas altamente no lineales, haciéndolo adecuado para aplicaciones que requieren guía con restricciones de probabilidad o estudios de intercambio rápidos.

Los autores sugieren que estos resultados apoyan la integración de la UQ basada en mapas en extensiones estocásticas de métodos de guía localizados rápidos, permitiendo el suministro de la información necesaria sobre los límites de confianza para variantes con restricciones de probabilidad sin el costo prohibitivo de la propagación no lineal repetida.