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

Cet article présente un cadre probabiliste combinant une méthode d'initialisation d'orbite par ajustement cinématique d'observations et un filtre PGF pour déterminer et suivre avec précision les objets spatiaux en domaine cislunaire, où la dynamique à trois corps rend les méthodes classiques comme celle de Gauss inapplicables.

L'essentiel

🌌 Le Grand Défi : Chasser des fantômes dans l'océan lunaire

Imaginez que vous essayez de suivre un oiseau qui vole dans un immense océan. Mais cet océan, c'est l'espace entre la Terre et la Lune (ce qu'on appelle l'espace cislunaire). Et l'oiseau ? C'est un satellite ou une sonde spatiale.

Le problème, c'est que dans cet océan, les règles du jeu ont changé. Près de la Terre, les objets suivent des trajectoires prévisibles (comme des planètes autour du soleil). Mais entre la Terre et la Lune, la gravité de notre planète et celle de la Lune se battent constamment, créant des courants chaotiques et imprévisibles.

Les méthodes classiques pour deviner où se trouve un objet (appelées "méthodes de Gauss") sont comme une boussole qui ne fonctionne plus : elles supposent que l'objet suit une trajectoire simple et droite, ce qui est faux ici. Si on utilise ces vieilles méthodes, on perd le satellite de vue très vite.

🕵️‍♂️ La Solution : Une approche en deux temps

Les auteurs de ce papier (des chercheurs de l'Université Texas A&M) ont créé une nouvelle méthode pour ne jamais perdre le fil. Ils l'ont divisée en deux étapes magiques :

Étape 1 : Le "Devine-moi" initial (Détermination d'orbite initiale)

Imaginons que vous voyez un avion dans le ciel, mais vous ne savez pas à quelle distance il est. Vous savez seulement sa direction (gauche/droite, haut/bas).

• L'ancien problème : Dans l'espace lointain, on ne peut pas mesurer la distance facilement. C'est comme essayer de deviner si un avion est à 1 km ou à 100 km juste en le regardant.
• La nouvelle astuce : Au lieu de deviner une seule position, les chercheurs disent : "Et si on imagine des milliers de positions possibles ?"
  • Ils prennent les mesures de direction (azimut et élévation).
  • Ils ajoutent un peu de "bruit" (des erreurs possibles) pour simuler des milliers de scénarios différents.
  • Ils utilisent une courbe mathématique (un polynôme) pour relier ces points dans le temps, comme si on dessinait la trajectoire de l'oiseau en pointillés.
  • Le résultat : Au lieu d'avoir un seul point précis, ils obtiennent un nuage de points (une "nuée de particules"). C'est comme avoir un filet de pêche géant qui couvre toutes les zones où l'objet pourrait être. C'est flou, mais c'est sûr : l'objet est quelque part dedans.

Étape 2 : Le "Filtre Magique" (Le Filtre PGM)

Maintenant que vous avez ce gros nuage flou, il faut le réduire pour savoir exactement où est l'objet. C'est là qu'intervient le Filtre PGM (Filtre à Mélange Gaussien de Particules).

• L'analogie du tamis : Imaginez que vous avez un gros tas de sable (votre nuage de points) et que vous voulez garder seulement les grains qui correspondent à la réalité.
• Comment ça marche ?
  1. Le filtre prend ce gros nuage et le divise en plusieurs petits groupes (des "clusters").
  2. À chaque fois qu'on regarde l'objet avec un télescope (une nouvelle mesure), le filtre dit : "Tiens, ce groupe de grains correspond à ce que je vois, gardons-le. Ce groupe-là ne correspond pas du tout, jetez-le !"
  3. Il recommence ce processus encore et encore.
• La magie : Contrairement aux autres filtres qui s'effondrent quand le mouvement devient trop chaotique (comme un puzzle qui se casse), le filtre PGM est très flexible. Il peut se réorganiser, changer de forme et continuer à suivre l'objet même si sa trajectoire devient folle.

🚀 Pourquoi c'est génial ? (Les exemples du papier)

Les chercheurs ont testé leur méthode sur trois scénarios difficiles :

1. L'Orbitale "Autoroute" (NRHO) : C'est l'orbite choisie par la NASA pour sa future station spatiale (Gateway). Le filtre a réussi à suivre l'objet avec une précision incroyable, passant d'une erreur de 1000 km à moins de 1 km !
2. Le Point de Chaos (L2) : Il y a des points dans l'espace où la gravité est instable. Un petit souffle et l'objet part dans une direction totalement imprévisible. Les autres filtres (comme le UKF ou l'EnKF) ont paniqué et ont perdu la cible après quelques jours sans observation. Le filtre PGM, lui, a gardé le cap.
3. L'Épreuve du Feu (150 jours sans contact) : C'est le test ultime. Imaginez que vous perdez le contact avec votre satellite pendant 5 mois (150 jours) ! Pendant ce temps, le nuage de points s'est étiré, tordu et déformé de manière chaotique.
   • Quand le contact a été rétabli, les autres filtres ont dit : "C'est fini, on ne sait plus où il est."
   • Le filtre PGM a dit : "Attends, je vais juste regarder une nouvelle fois, et je vais rétrécir mon nuage." Et il a réussi à retrouver la cible sans avoir besoin de recommencer tout le calcul depuis le début.

💡 En résumé

Ce papier nous dit essentiellement : "Ne cherchez pas la réponse parfaite tout de suite."

Au lieu de faire une hypothèse risquée sur la position d'un satellite, faites une hypothèse large (un gros nuage de possibilités). Ensuite, utilisez un outil intelligent et flexible (le filtre PGM) pour affiner cette hypothèse à chaque nouvelle observation, même si l'objet bouge de façon folle ou si vous ne le voyez pas pendant des mois.

C'est comme si vous cherchiez un ami perdu dans une ville immense. Au lieu de deviner une seule rue, vous imaginez qu'il pourrait être dans tout le quartier. Dès que vous avez un indice (un message, une photo), vous éliminez les rues impossibles. Même si vous ne l'avez pas vu pendant 5 mois, dès qu'il vous envoie un signe, vous savez exactement où il est, car votre "filet" était assez grand pour le capturer et assez intelligent pour se réorganiser.

C'est une avancée majeure pour la sécurité spatiale, surtout avec l'augmentation des missions vers la Lune.

Résumé technique

1. Problématique

Le domaine cis-lunaire (l'espace entre la Terre et la Lune) présente des défis uniques pour la surveillance de l'espace (SSA) et la détermination d'orbite (OD). Contrairement aux orbites géocentriques basses (LEO) ou géostationnaires (GEO) régies par la dynamique képlérienne (problème à deux corps), le domaine cis-lunaire est dominé par la dynamique à trois corps (Terre-Lune-Satellite).

Les principaux problèmes identifiés sont :

• Incompatibilité des méthodes classiques : La méthode de Gauss, standard pour la détermination initiale d'orbite (IOD), repose sur l'hypothèse de mouvements képlériens et planaires. Ces hypothèses sont invalides en espace cis-lunaire où les effets du problème à trois corps (CR3BP) rendent les trajectoires non planaires et souvent chaotiques.
• Manque d'informations précises : Les capteurs au sol ne peuvent souvent obtenir que des mesures angulaires (azimut et élévation) avec une grande précision, tandis que les mesures de distance (portée) sont bruitées, peu fiables, ou totalement absentes en raison des distances énormes et de la puissance du signal décroissante.
• Non-linéarité et chaos : Les trajectoires cis-lunaires, en particulier près des points de Lagrange (L1, L2, L3), sont hautement non linéaires et sensibles aux conditions initiales. Les filtres classiques (comme le Filtre de Kalman Étendu - EKF) peinent à gérer les distributions de probabilité non gaussiennes qui se développent rapidement dans ces environnements.

L'objectif est de développer un cadre de suivi probabiliste capable de fournir une estimation initiale d'état avec le minimum d'hypothèses possibles et de maintenir cette estimation sur le long terme malgré les dynamiques chaotiques et les interruptions de capteurs.

2. Méthodologie

Les auteurs proposent un cadre combiné IOD/OD (Détermination Initiale d'Orbite / Détermination d'Orbite) basé sur des méthodes probabilistes et un filtre avancé.

A. Détermination Initiale d'Orbite (IOD) : Ajustement Cinématique

Au lieu d'utiliser la méthode de Gauss, l'article propose une méthode d'ajustement cinématique :

1. Collecte de données : Utilisation d'une série de mesures consécutives (azimut, élévation et une estimation de portée bruitée ou bornée) sur une fenêtre de temps significative (10 à 20 heures de visibilité pour un objet cis-lunaire).
2. Ajustement polynomial : Les positions topocentriques sont estimées à partir des angles et de la portée. Des courbes de splines polynomiales (généralement d'ordre 4) sont ajustées aux séries temporelles de position $x(t), y(t), z(t)$ en utilisant une estimation par moindres carrés.
3. Dérivation : Les vitesses sont obtenues par dérivation temporelle de ces polynômes.
4. Approche Monte Carlo : Pour gérer l'incertitude, des milliers de jeux de mesures sont générés en perturbant les données selon les statistiques de bruit (bruit gaussien pour les angles, bruit élevé ou distribution uniforme pour la portée). Cela génère un "nuage de particules" représentant une densité de probabilité initiale (PDF) large mais cohérente.

B. Détermination d'Orbite (OD) : Filtre Gaussian Mixture de Particules (PGM)

Pour réduire l'incertitude de l'estimation initiale et suivre l'objet dans un environnement non linéaire, le cadre utilise le Filtre PGM (Particle Gaussian Mixture) :

• Modélisation GMM : Contrairement aux filtres qui supposent une distribution gaussienne unique (EKF/UKF), le PGM modélise l'état a priori comme un mélange de plusieurs distributions gaussiennes (GMM).
• Processus itératif :
  1. Propagation : Les particules sont propagées via le modèle dynamique CR3BP.
  2. Clustering : Les particules sont regroupées en clusters (utilisant l'algorithme k-means) pour former les composantes du GMM.
  3. Mise à jour : Chaque composante du GMM est mise à jour individuellement en utilisant une mise à jour de type Filtre de Kalman à Ensemble (EnKF) avec les nouvelles mesures angulaires.
  4. Rééchantillonnage : Les poids des composantes sont ajustés en fonction de la vraisemblance des mesures, et les particules sont rééchantillonnées.
• Avantage : Cette approche permet de capturer la multimodalité et la non-gaussianité des distributions d'état qui se déforment dans les systèmes chaotiques, évitant ainsi l'effondrement du filtre (particle depletion).

3. Contributions Clés

1. Méthode IOD sans hypothèses dynamiques fortes : Une nouvelle approche d'IOD basée sur l'ajustement cinématique de polynômes qui ne nécessite pas de connaître la dynamique exacte (képlérienne) ni de faire des hypothèses restrictives sur les éléments orbitaux, fonctionnant uniquement avec des mesures angulaires et des bornes de portée.
2. Intégration du Filtre PGM pour l'espace cis-lunaire : Démonstration que le filtre PGM est supérieur aux filtres standards (UKF, EnKF) pour le suivi d'objets dans des dynamiques à trois corps chaotiques, en particulier après de longues périodes sans observation.
3. Analyse de la robustesse aux hypothèses de portée : Étude comparative montrant que même avec des hypothèses de portée très faibles (ex: distribution uniforme sur tout le domaine cis-lunaire) ou très bruitées, le cadre IOD/OD converge vers une estimation précise à long terme.
4. Gestion des arrêts de capteurs : Preuve que le cadre peut maintenir la "custody" (le suivi) d'un objet après des interruptions de capteurs allant jusqu'à 150 jours, là où les filtres classiques échouent.

4. Résultats

Les auteurs ont testé leur cadre sur trois types de trajectoires cis-lunaires :

• Orbite NRHO 9:2 (Orbite Halo quasi-rectiligne résonante) : Utilisée par le programme Gateway de la NASA. Le filtre a réduit l'incertitude de position de 1000-1300 km à 1,5-7,5 km et l'incertitude de vitesse de plusieurs km/s à quelques dizaines de cm/s sur 6 passages.
• Trajectoire passant par le point de Lagrange L2 : Un cas hautement chaotique. Après un arrêt de capteur de 10 jours, la distribution d'état s'est déformée de manière non gaussienne. Le filtre PGM a réussi à fusionner une nouvelle observation pour retrouver l'objet, tandis que les filtres UKF et EnKF sont devenus incohérents (perte de l'objet).
• Orbite NRHO 3:1 : Test avec un arrêt de capteur extrême de 150 jours. Le filtre PGM a maintenu la cohérence de l'estimation après la réouverture du capteur, alors que les filtres UKF et EnKF ont échoué immédiatement ou après quelques itérations.

Comparaison des filtres :

• UKF (Unscented Kalman Filter) : Devient rapidement "trop confiant" (overconfident) et incohérent face aux non-linéarités fortes et aux grandes incertitudes initiales.
• EnKF (Ensemble Kalman Filter) : Plus robuste que le UKF mais échoue à long terme dans les environnements chaotiques en raison de la dégradation de la représentation gaussienne de la PDF.
• PGM : Surpasse systématiquement les deux autres, maintenant une estimation précise même avec des distributions initiales massives et non gaussiennes.

Impact des hypothèses de portée :
L'étude montre que le nombre d'hypothèses sur la portée (mesure bruitée vs borne uniforme) affecte la précision à court terme (premiers passages), mais que la précision à long terme converge vers des valeurs similaires pour tous les cas, à condition d'utiliser le filtre PGM.

5. Signification et Conclusion

Ce travail est significatif car il offre une solution opérationnelle pour la surveillance de l'espace cis-lunaire, un domaine critique pour les futures missions lunaires (Artemis, etc.) et la coordination du trafic spatial.

• Indépendance des dynamiques : En s'éloignant de la méthode de Gauss (limitée au problème à deux corps), la méthode proposée est adaptable à des environnements complexes sans nécessiter de modèles dynamiques parfaits dès le début.
• Résilience : La capacité à récupérer le suivi après des mois d'absence de données est cruciale pour les missions où les capteurs peuvent être indisponibles ou où les objets peuvent être perdus de vue.
• Futur : Les auteurs soulignent la nécessité d'améliorer les stratégies de clustering pour gérer les cas limites (orbites très proches de la Terre) et d'étendre le cadre à des modèles dynamiques encore plus complexes (problème à quatre corps, ephémérides haute fidélité).

En résumé, l'article démontre qu'une approche probabiliste combinant un ajustement cinématique robuste et un filtre PGM permet de surmonter les limitations des méthodes traditionnelles pour le suivi d'objets dans l'environnement dynamique et chaotique de l'espace cis-lunaire.