Data-Driven Mission Recommendation for LEO Satellites using Random Forest and Hybrid Deep Learning Forecasting

Imagina que el cielo sobre nosotros está lleno de pequeños robots de alta velocidad llamados satélites. Estos no son solo cámaras flotantes; son máquinas complejas que necesitan comer energía para hacer su trabajo, como tomar fotos o enviar señales. Obtienen su alimento del sol, pero el sol no brilla sobre ellos todo el tiempo. Cuando vuelan en la sombra de la Tierra, tienen que depender de una batería, de forma muy parecida a como lo hace tu teléfono cuando olvidas el cargador. El gran desafío para las personas en tierra que controlan estos robots es saber exactamente cuánta "jugo de batería" queda antes de pedirle al satélite que realice una nueva tarea que consuma mucha energía. Si piden demasiado, el satélite podría desmayarse y fallar en su misión.

Durante mucho tiempo, averiguar esto fue como intentar predecir el clima mirando las nubes y esperando lo mejor. Los operadores experimentados usaban sus presentimientos y años de memoria para decidir si un satélite tenía suficiente energía. Pero las memorias pueden ser difusas, y diferentes personas podrían tener diferentes suposiciones. Este artículo presenta una nueva forma de resolver este rompecabezas utilizando un "cerebro digital" que aprende de seis años de historia. Combina dos tipos de matemáticas inteligentes: una que detecta patrones repetitivos (como la salida y puesta del sol) y otra que aprende de los detalles desordenados y sobrantes. El objetivo es convertir un sentimiento vago en una lista escrita y clara de exactamente qué tareas puede realizar el satélite de forma segura en este momento.

---

El dilema energético del satélite

Conoce al LAPAN-IPB, un satélite que orbita a 500 kilómetros sobre Indonesia. Es un satélite polar, lo que significa que vuela velozmente sobre los polos Norte y Sur, dando la vuelta a la Tierra unas 15 veces al día. Cada vez que vuela sobre Indonesia, tiene una ventana corta —de unos 10 a 15 minutos— para comunicarse con las estaciones terrestres. Durante esta diminuta ventana, los operadores en tierra pueden enviarle nuevas instrucciones, como "toma una foto de este bosque" o "escanea el océano".

Pero aquí está el problema: el satélite funciona con una batería. Entre esas breves ventanas, pasa tiempo en la oscuridad (eclipse), viviendo de su energía almacenada. Si la batería está demasiado baja, y los operadores envían un comando que consume demasiada potencia, el satélite podría colapsar o perder su capacidad de funcionar.

Durante años, los operadores en la Agencia Nacional de Investigación e Innovación (BRIN) en Indonesia tuvieron que tomar estas decisiones de vida o muerte basadas en el "conocimiento tácito". Esa es una forma elegante de decir "presentimiento basado en la experiencia". Si un operador había estado allí durante diez años, podría saber: "Oh, la batería parece un poco baja hoy, así que saltémonos la misión pesada de la cámara". Pero si un nuevo operador tomaba el relevo, no tendría esa experiencia. Podría adivinar mal, o dos operadores podrían discutir sobre la misma situación. No había un libro de reglas escrito, ni un rastro de auditoría claro, ni una forma de probar por qué se tomó una decisión.

El nuevo "Copiloto Digital"

Este artículo describe un nuevo sistema diseñado para reemplazar esa conjetura con un motor de recomendación basado en datos. Piensa en él como un copiloto que lee los signos vitales del satélite y le entrega al operador una lista clasificada de tareas seguras. El sistema fue construido utilizando seis años de datos (desde enero de 2019 hasta diciembre de 2024), que incluyeron más de 25,000 registros del voltaje y la corriente de la batería del satélite.

Los investigadores dividieron el problema en tres pasos principales, utilizando una mezcla inteligente de estadística tradicional y aprendizaje profundo moderno.

1. Prediciendo el voltaje futuro
Primero, el sistema necesita adivinar cuál será el voltaje de la batería en la próxima vez que el satélite se comunique con la tierra. Para hacer esto, utilizaron un modelo "Híbrido". Imagina intentar predecir la marea. Sabes que la marea sube y baja en un ciclo regular (esa es la parte fácil). Pero a veces, una tormenta o un viento fuerte cambia el nivel del agua inesperadamente (esa es la parte difícil).

Los investigadores utilizaron un modelo estadístico llamado SARIMAX para manejar el ciclo regular y predecible de carga y descarga de la batería. Luego, utilizaron un modelo de Aprendizaje Profundo (específicamente un tipo llamado LSTM) para descifrar los restos desordenados e impredecibles. Al combinarlos, obtuvieron una predicción muy precisa. En sus datos de prueba, este modelo híbrico fue capaz de predecir el voltaje con un error promedio de solo 0.1042 V (Voltios). Eso es increíblemente preciso, especialmente dado que el voltaje de la batería suele rondar los 16 o 17 Voltios.

2. Aprendiendo las "Huellas Digitales de Energía"
A continuación, el sistema necesitaba saber cuánta energía utiliza cada misión específica. El satélite tiene 20 tipos diferentes de misiones (como "tomar una foto", "escanear el océano", etc.), y cada una activa diferentes interruptores y utiliza diferentes cantidades de energía.

Los investigadores enseñaron a un clasificador de Bosque Aleatorio (un tipo de aprendizaje automático que funciona como un equipo de árboles de decisión) a reconocer la "huella digital de energía" de cada misión. Observaron la corriente y el voltaje de la batería durante misiones pasadas para ver qué "sentía" cada una. Sin embargo, tuvieron que ser cuidadosos. El satélite envía datos muchas veces durante un solo paso de 15 minutos. Si trataban cada punto de datos como una lección separada, la computadora se confundiría, pensando que estaba aprendiendo de 25,000 eventos diferentes cuando en realidad solo estaba viendo el mismo evento repetido una y otra vez. Lo solucionaron agrupando los datos en "pasos", de modo que la computadora aprendiera de 6,833 eventos únicos en lugar de 25,000 duplicados confusos.

¿El resultado? La computadora aprendió a identificar los 20 tipos de misiones con un alto grado de precisión, adivinando correctamente el tipo de misión aproximadamente el 82% de las veces, y haciendo un gran trabajo incluso con las misiones raras o menos comunes.

3. La Verificación de Seguridad y Clasificación
Finalmente, el sistema une todo. Toma el voltaje predicho en el futuro y lo compara con un "umbral de seguridad" para cada una de las 20 misiones. ¿De dónde salieron estos umbrales? Los investigadores utilizaron un truco estadístico ingenioso llamado valla superior de Tukey. Imagina que tienes un montón de datos que muestran qué tan alto era el voltaje de la batería cuando una misión específica se ejecutó con éxito en el pasado. La valla de Tukey encuentra el "límite superior seguro" de ese montón. Si el voltaje predicho es mayor que este límite, la misión es segura.

Para asegurarse de que estos límites fueran confiables, los verificaron de dos maneras: una vez usando los datos brutos, y otra vez usando la lógica interna del modelo de aprendizaje automático. Descubrieron que para las 20 misiones, los dos métodos coincidían casi perfectamente (la diferencia era menor a 0.0843 V, lo cual es más pequeño que el propio error de predicción). Esto significa que los límites de seguridad son sumamente sólidos.

El Resultado: Una Lista Clara y Clasificada

Cuando el satélite está a punto de establecer contacto con la tierra, el sistema realiza un cálculo rápido. Predice el voltaje de la batería, lo compara con los 20 límites de seguridad y arroja una lista clasificada.

• Misiones Factibles: Estas son las tareas que la batería definitivamente puede manejar.
• La Clasificación: El sistema no solo dice "Sí" o "No". Clasifica las misiones del "Sí" según su margen de energía. Este es la diferencia entre el voltaje predicho y el límite de seguridad.
  • Una misión con un margen enorme (ej. +0.77 V) es súper segura.
  • Una misión con un margen diminuto (ej. +0.02 V) es técnicamente posible pero arriesgada, como caminar por la cuerda floja.

Esto le da al operador un punto de partida claro y basado en evidencia. En lugar de adivinar, pueden ver: "La Misión A es segura con un gran margen, pero la Misión B está muy ajustada". Si la batería está baja, el sistema podría decir: "Solo estas tres tareas de bajo consumo son seguras hoy". Si la batería está llena, podría decir: "Puedes hacer casi cualquier cosa, pero la Misión C es la apuesta más segura".

Por qué esto es importante

La mayor victoria aquí no es solo que las matemáticas funcionen; es que el proceso es ahora reproducible y auditable. Antes, si una misión fallaba, no podías estar seguro de si era porque el operador cometió un error de cálculo o si el satélite simplemente tuvo mala suerte. Ahora, cada decisión está respaldada por seis años de datos y una regla clara y documentada.

El sistema no reemplaza al operador humano; le otorga un superpoder. Convierte un sentimiento vago en una lista de opciones precisa y clasificada, asegurando que, sin importar quién esté de turno, el satélite reciba el mejor cuidado posible. Los investigadores encontraron que este enfoque es estable, confiable y está listo para ayudar al satélite LAPAN-IPB a seguir volando de forma segura durante los años venideros.