Resumen Técnico: Flujos Normalizadores Condicionales Informados por la Física para la Determinación de Órbitas en Cislunar Basada Solo en Ángulos

Declaración del Problema

Este trabajo aborda el desafío de la Determinación Inicial de Órbitas (IOD) en el entorno cislunar, específicamente para naves espaciales que operan en Órbitas Halo Casi Rectilíneas (NRHO) alrededor del punto $L_2$ Tierra-Luna. El problema se formula como una tarea de estimación de solo ángulos, donde el objetivo es inferir la distribución de probabilidad del estado geocéntrico inicial de un objetivo ($X_1 \in \mathbb{R}^6$) basándose únicamente en un arco corto de mediciones de azimut y elevación ($\theta, \phi$) recolectadas por una estación terrestre (Cebreros, España).

El problema se caracteriza por dificultades significativas:

• Escasez de Datos: Las observaciones están limitadas a arcos cortos (50–150 minutos) con una cadencia dispersa.
• Complejidad Dinámica: El entorno cislunar está gobernado por el Problema de los Tres Cuerpos Restringido Circular (CR3BP), el cual exhibe un comportamiento intrínsecamente inestable y caótico.
• Falta de Priores: A diferencia de la Determinación de Órbita (OD) rutinaria, la IOD carece de información previa del estado, lo que hace que el problema inverso sea altamente no lineal y propenso a mínimos locales en la optimización tradicional.
• Ausencia de GNSS: No existe un Sistema Global de Navegación por Satélite dedicado para la región cislunar, lo que obliga a depender del seguimiento óptico.

Metodología

Los autores proponen un marco de Astrodinámica Generativa que trata la determinación de órbitas como un problema de estimación de densidad condicional. En lugar de resolver directamente para un único vector de estado, el modelo aprende la distribución de probabilidad condicional $p(\bar{X}_1 | Y)$, donde $Y$ representa la secuencia de observaciones de solo ángulos.

1. Arquitectura Generativa: Flujos Normalizadores Condicionales

El núcleo del enfoque es un modelo de Flujo Normalizador Condicional (CNF), específicamente una arquitectura de Flujo Normalizador No Volumétrico Real (Real-NVP).

• Transformación: El modelo define un mapeo invertible $f: \mathbb{R}^6 \to \mathbb{R}^6$ que transforma el estado inicial objetivo $\bar{X}_1$ en una variable latente $w$ extraída de una distribución base conocida (Gaussiana multivariante estándar).
• Condicionamiento: El flujo está condicionado por el arco de observación $Y_k$. Para manejar secuencias de observación de longitud variable y diversas ubicaciones de observadores, un codificador basado en Transformer procesa la secuencia de observación $Y_k$ en una representación de tamaño fijo $\tilde{Y}_k$, la cual se concatena con los componentes de estado enmascarados en cada capa de acoplamiento.
• Muestreo: Durante la inferencia, se generan muestras latentes perturbando los códigos latentes derivados de los datos de entrenamiento ($w_{inf} = w_{train} + 0.1\varepsilon$). Estos se mapean de vuelta a través del flujo inverso $g(w|Y_{new})$ para generar un conjunto de hipótesis de estado inicial estadísticamente consistentes.

2. Regularización Informada por la Física

Un componente crítico de la metodología es la integración de las leyes físicas en la función de pérdida de entrenamiento para asegurar la consistencia dinámica.

• Pérdida Estándar: El modelo minimiza la log-verosimilitud negativa de la distribución condicional ($L_{flow}$).
• Pérdida de Física ($L_{phys}$): Se introduce un término adicional para penalizar los estados que, aunque sean estadísticamente probables, violan las ecuaciones de movimiento. Esto se calcula mediante:
  1. La propagación del estado inicial generado hacia adelante en el tiempo utilizando las Ecuaciones de Movimiento del CR3BP (integradas mediante RK4).
  2. El cálculo de los observables de solo ángulos predichos.
  3. El cálculo del vector de residuo $\bar{\sigma}$ entre las mediciones reales y las predichas.
  4. La minimización de la norma al cuadrado de estos residuos.
• Objetivo Total: La pérdida combinada es $L = L_{flow} + \beta L_{phys}$, donde $\beta$ es un coeficiente de ponderación que aumenta linealmente durante los primeros 100 épocas de entrenamiento.

3. Pipeline de Estimación Híbrida

El modelo generativo sirve como un arranque en caliente (warm start) para los algoritmos de estimación clásicos. El flujo de trabajo es:

1. Generación: El CNF genera múltiples hipótesis de estado inicial plausibles condicionadas a las nuevas mediciones.
2. Refinamiento: Estas hipótesis se introducen en un algoritmo de Estimación de Mínimos Cuadrados No Lineales (NLSE) (esquema iterativo de Gauss-Newton) para refinar las estimaciones y minimizar los residuos de medición.

Principales Contribuciones

1. Formulación Generativa de la IOD: El artículo extiende la Astrodinámica Generativa al dominio cislunar, enmarcando la IOD como una tarea de estimación de densidad condicional en lugar de un problema inverso determinista. Esto permite la representación de posteriores multimodales y la cuantificación de la incertidumbre inherente.
2. Flujos Normalizadores Informados por la Física: Los autores demuestran que aumentar el entrenamiento basado en la verosimilitud de los flujos normalizadores con un término de pérdida informado por la física ($L_{phys}$) es esencial. Si bien el flujo puede aprender a reconstruir los datos de entrenamiento sin este término, la pérdida de física actúa como un regularizador que asegura que el espacio latente aprendido preserve la consistencia dinámica, evitando la generación de estados físicamente inadmisibles durante la inferencia.
3. Estrategia de Inicialización Robusta: El estudio valida el CNF como una estrategia de inicialización superior para la NLSE clásica en comparación con aproximaciones ingenuas (por ejemplo, usar el estado de la Luna como un proxy).

Resultados

El modelo fue entrenado con un conjunto de datos sintéticos de 4,119 arcos de observación válidos derivados de 10 trayectorias NRHO distintas.

• Dinámica de Entrenamiento: La inclusión de $L_{phys}$ resultó en un proceso de entrenamiento estable donde la distribución latente permaneció cerca de la Gaussiana base mientras capturaba las desviaciones necesarias para la fidelidad física.
• Comparación de Rendimiento:
  • Vs. Aproximación Basada en la Luna: La inicialización basada en el flujo superó significativamente a la inicialización basada en el estado de la Luna, produciendo errores de posición/velocidad mucho menores y residuos post-ajuste considerablemente más pequeños. El enfoque basado en la Luna frecuentemente convergía a mínimos locales.
  • Vs. Inicialización Exacta: El enfoque basado en el flujo alcanzó una precisión comparable a la de inicializar la NLSE con el estado real exacto, demostrando su capacidad para proporcionar puntos de partida de alta calidad.
• Estudio de Ablación: La eliminación del término de pérdida informado por la física provocó una degradación en la robustez. Aunque los residuos promedio se mantuvieron bajos, el modelo produjo errores máximos grandes (hasta ~9,600 km en posición), lo que indica una falla al generalizar hacia soluciones físicamente consistentes fuera del manifold inmediato de entrenamiento.

Significado y Reivindicaciones

El artículo afirma que este trabajo representa un paso significativo hacia la Astrodinámica Generativa al aplicar con éxito flujos normalizadores condicionales a un problema de navegación complejo y real (IOD cislunar).

La principal significancia reside en la sinergia entre la IA generativa y las leyes físicas. Los autores argumentan que:

• Los modelos generativos puramente basados en datos pueden producir estados que son estadísticamente plausibles pero dinámicamente imposibles.
• La pérdida informada por la física no es simplemente un potenciador de rendimiento, sino una restricción necesaria para asegurar que el modelo generativo aprenda la estructura dinámica subyacente del CR3BP.
• El método propuesto ofrece una alternativa probabilística a la OD determinista, proporcionando un mecanismo natural para la cuantificación de la incertidumbre y la capacidad de manejar espacios de solución multimodales (por ejemplo, múltiples órbitas válidas que se ajustan al mismo arco corto).
• Como arranque en caliente para algoritmos clásicos, el método mitiga el riesgo de convergencia a mínimos locales, una ventaja crítica en el entorno cislunar altamente no lineal donde los arcos de observación son cortos y ruidosos.

Los autores concluyen que este enfoque tiene el potencial de extenderse a escenarios de navegación espacial más amplios, incluyendo observaciones dispersas y navegación autónoma a bordo, siempre que trabajos futuros validen el rendimiento con datos observacionales reales.