Unified Orbit-Attitude Estimation and Sensor Tasking Framework for Autonomous Cislunar Space Domain Awareness Using Multiplicative Unscented Kalman Filter

Cet article présente un cadre unifié pour la conscience de la situation spatiale en cis-lune, combinant l'optimisation de l'architecture des capteurs via l'algorithme Tree of Parzen Estimators et une gestion des tâches basée sur l'information mutuelle couplée à un filtre de Kalman unscented multiplicatif pour estimer avec précision les états orbitaux et d'attitude malgré la dynamique non linéaire du régime.

L'essentiel

Imaginez que la Lune n'est plus un simple point lumineux dans le ciel, mais une autoroute cosmique très fréquentée. Avec les projets d'exploration lunaire (comme le programme Artemis) et l'arrivée de nombreuses entreprises privées, l'espace entre la Terre et la Lune va se remplir de satellites, de vaisseaux et de débris.

Le problème ? C'est un espace immense, sombre et chaotique. Contrairement à l'espace proche de la Terre où tout est "propre" et prévisible, l'espace cislunaire est régi par une danse gravitationnelle complexe entre la Terre, la Lune et le Soleil. Les objets y bougent de manière imprévisible, comme des feuilles emportées par un courant d'air turbulent.

Voici comment les auteurs de ce papier proposent de résoudre ce casse-tête, expliqué simplement :

1. Le Défi : Trouver l'Aiguille dans la Paille Cosmique

Pour surveiller cette "autoroute", nous avons besoin de caméras (capteurs) placées sur des satellites. Mais où les mettre ? Et combien en faut-il ?

• Le problème de l'angle : Si vous regardez un objet trop loin, il devient trop petit ou trop sombre. De plus, le Soleil, la Lune et la Terre peuvent vous aveugler ou cacher les objets (comme un nuage qui cache un avion).
• Le problème du mouvement : Les objets ne suivent pas des lignes droites. Ils oscillent, tournent et accélèrent de façon bizarre.

2. La Solution en Deux Temps

Les chercheurs ont créé un "système de gestion du trafic spatial" en deux étapes clés.

Étape 1 : Choisir le meilleur emplacement pour les caméras (L'Architecture)

Imaginez que vous devez placer des caméras de sécurité pour surveiller un grand parc. Vous ne les mettez pas au hasard. Vous devez trouver les meilleurs points de vue.

• L'approche : Au lieu de deviner, ils ont utilisé un algorithme intelligent (appelé "Tree of Parzen Estimators") qui agit comme un détective très rapide. Il teste des milliers de combinaisons de trajectoires de satellites.
• Le critère de choix : L'algorithme cherche à maximiser la vue tout en minimisant le nombre de satellites (pour économiser de l'argent) et en évitant les orbites instables (qui feraient tomber les satellites).
• Le résultat : Ils ont trouvé des configurations optimales utilisant entre 20 et 43 satellites placés sur des orbites spécifiques (comme des boucles autour de points d'équilibre gravitationnel appelés "points de Lagrange"). C'est comme placer des caméras sur des perchoirs naturels qui offrent une vue parfaite sur tout le parc.

Étape 2 : Décider qui regarde quoi et quand (La Tâche des Capteurs)

Une fois les caméras en place, il faut décider quoi filmer. Si vous avez 20 caméras et 100 objets, vous ne pouvez pas tout filmer en même temps avec précision.

• Le dilemme : Doit-on regarder le vaisseau A ou le débris B ?
• La stratégie : Ils utilisent une notion appelée "Information Mutuelle". C'est comme si chaque caméra demandait : "Qu'est-ce que je vais apprendre de plus si je regarde cet objet maintenant ?". Le système choisit les objets qui nous donnent le plus d'informations nouvelles.
• La fréquence : Les caméras ne changent pas de cible toutes les secondes. Elles prennent une décision toutes les heures (ou 30 minutes), mais entre-temps, elles continuent de suivre les objets très rapidement (toutes les 30 secondes) pour ne pas les perdre de vue.

3. Le Moteur de Suivi : Le "Filtraire" Magique

Pour suivre ces objets, ils utilisent un outil mathématique sophistiqué appelé Filtre de Kalman Multiplicatif.

• L'analogie : Imaginez que vous essayez de deviner la trajectoire d'une balle de tennis lancée dans le vent, mais vous ne la voyez que par intermittence et avec des lunettes de soleil ternes.
• Le filtre : Il combine deux choses :
  1. La prédiction : "Selon la physique, l'objet devrait être ici."
  2. La mesure : "Mais ma caméra le voit là-bas."
     Le filtre fusionne ces deux informations pour donner la meilleure estimation possible de la position (où il est) et de l'attitude (comment il tourne).

4. Ce qu'ils ont découvert (Les Résultats)

• La position est facile, la rotation est dure : Le système est excellent pour dire où se trouve un objet (position et vitesse), même s'il y a beaucoup de cibles. C'est comme savoir où se trouve une voiture sur l'autoroute.
• Le problème de la "tête" : Par contre, savoir comment l'objet tourne sur lui-même (son attitude) est beaucoup plus difficile. Si vous avez trop d'objets à surveiller par rapport au nombre de caméras, le système commence à se tromper sur la rotation. C'est comme essayer de deviner si une toupie tourne à gauche ou à droite quand elle est très loin et que vous ne la voyez que par intermittence.
• Le rythme compte : Si vous attendez trop longtemps entre deux décisions de changement de cible (par exemple, 4 heures au lieu de 30 minutes), la précision sur la rotation chute drastiquement. Il faut être réactif.

En Résumé

Ce papier propose un plan pour transformer l'espace entre la Terre et la Lune en une zone surveillée de manière intelligente.

1. On place les caméras aux endroits les plus stratégiques grâce à une intelligence artificielle.
2. On leur dit quoi regarder en temps réel pour maximiser l'information.
3. On utilise un algorithme mathématique pour deviner la position et l'orientation des objets, même avec des données imparfaites.

C'est une étape cruciale pour éviter les collisions et assurer la sécurité de nos futures missions lunaires, un peu comme un contrôleur aérien pour l'espace profond, mais qui fonctionne de manière autonome et très intelligente.

Résumé technique

1. Problématique et Contexte

L'article aborde le défi croissant de la Conscience de la Situation Spatiale (SDA) dans le régime cis-lunaire (l'espace entre la Terre et la Lune). Contrairement à l'environnement orbital terrestre proche, le régime cis-lunaire présente des dynamiques fortement non linéaires et non képlériennes, gouvernées par le problème des trois corps restreints (CR3BP). Ces dynamiques complexes dégradent la précision de la propagation des incertitudes et de l'estimation d'état (orbite et attitude).

Les principaux obstacles identifiés sont :

• Contraintes d'observation : Distances élevées, géométries d'observation restrictives, occultations, et conditions d'éclairement variables (éclipses, zones d'exclusion Soleil-Terre-Lune).
• Manque de maturité : Les cadres de gestion du trafic spatial et de la SDA pour le cis-lunaire sont moins développés que pour l'orbite terrestre basse.
• Complexité de l'estimation : La nécessité de suivre simultanément la position (translation) et l'orientation (attitude) d'objets non coopératifs, avec des capteurs passifs (optiques), rend l'estimation d'attitude particulièrement sensible aux conditions d'observation.

L'objectif est de développer un cadre unifié pour optimiser l'architecture des capteurs (où les placer et combien en utiliser) et leur tâche (quel objet surveiller à quel moment) afin de maximiser la performance de l'estimation d'état autonome.

2. Méthodologie

Le travail propose une approche en deux étapes interconnectées :

A. Optimisation de l'Architecture des Observateurs (Tâche 1)

L'objectif est de déterminer la configuration optimale d'une constellation de satellites observateurs.

• Espace de conception : Sélection parmi 13 familles d'orbites périodiques du CR3BP (Halo, Lyapunov, Butterfly, Dragonfly, etc.) autour des points de Lagrange L1, L2 et L3.
• Cibles : Un ensemble d'objets statiques dans le référentiel tournant du CR3BP, générés à partir de missions cis-lunaires réelles et prévues, et regroupés par clustering (k-means) pour représenter différentes densités de trafic (Scénarios A, B et C).
• Fonction de coût composite : Une nouvelle fonction de coût $J$ est définie comme le produit de six termes pondérés pour équilibrer :
  1. Le nombre total de satellites (minimisation des coûts).
  2. La stabilité orbitale (basée sur l'indice de stabilité de Floquet).
  3. L'observabilité cumulative des cibles sur une période de 30 jours.
  4. La fréquence d'observation par cible.
  5. La proximité aux corps primaires (Terre/Lune).
  6. L'unicité des orbites sélectionnées.
• Algorithme d'optimisation : Utilisation de l'algorithme Tree of Parzen Estimators (TPE), une méthode d'optimisation bayésienne, pour explorer efficacement l'espace de conception discret et complexe, comparé à une recherche aléatoire (Random Search).

B. Tâche de Capteurs et Estimation d'État Intégrée (Tâche 2)

Une fois l'architecture fixée, une stratégie de gestion des capteurs est mise en œuvre.

• Modélisation des mesures :
  • Luminosité : Utilisation d'un modèle BRDF (Bidirectional Reflectance Distribution Function) physique de type Cook-Torrance pour simuler la brillance des surfaces (incluant réflexion spéculaire et diffuse) lors de la simulation de données réelles. Pour l'optimisation rapide, un modèle analytique sphérique est utilisé.
  • Angles : Mesures de droite ascension et déclinaison.
• Stratégie de tâche (Tasking) : Une approche gourmande (greedy) à un pas est utilisée pour maximiser l'information mutuelle entre les états estimés et les mesures potentielles. Les décisions de tâche sont mises à jour à un rythme grossier (ex: toutes les 30 min à 4 heures).
• Estimation d'État : Entre les mises à jour de tâche, l'estimation d'état (orbite et attitude) est effectuée à une résolution temporelle fine (ex: 30 secondes) via un Filtre de Kalman Unscented Multiplicatif à État d'Erreur (Error-State Multiplicative UKF).
  • L'attitude est représentée globalement par des quaternions, mais les erreurs sont paramétrées localement par des Paramètres de Rodrigues Généralisés (GRP) pour éviter les singularités et assurer une représentation minimale (3 paramètres).
  • Le filtre traite les dynamiques non linéaires du CR3BP et les modèles de mesure non linéaires.

3. Contributions Clés

1. Cadre Unifié : Intégration de l'optimisation de l'architecture de la constellation et de la tâche des capteurs pour la SDA cis-lunaire, un domaine souvent négligé par rapport à l'orbite terrestre.
2. Fonction de Coût Composite : Développement d'une métrique d'optimisation multidimensionnelle qui capture les compromis réels entre le coût (nombre de satellites), la stabilité, la couverture et la proximité.
3. Algorithme TPE Appliqué : Démonstration de la supériorité de l'optimisation bayésienne (TPE) par rapport à la recherche aléatoire pour la conception de constellations complexes dans des espaces de recherche discontinus.
4. Estimation Couplée Orbite-Attitude : Mise en œuvre d'un UKF multiplicatif capable de suivre simultanément la translation et la rotation d'objets non coopératifs dans un environnement dynamique complexe (CR3BP), en utilisant des mesures photométriques et angulaires.
5. Analyse de Sensibilité : Évaluation rigoureuse de l'impact du ratio observateurs/cibles et de la fréquence de tâche sur la convergence de l'estimation, mettant en évidence la vulnérabilité spécifique de l'estimation d'attitude.

4. Résultats Principaux

Les simulations numériques ont été menées sur trois scénarios de densité de cibles (100, 2000 et 10 000 cibles statiques).

• Optimisation de l'Architecture (Tâche 1) :

  • L'optimiseur TPE a trouvé des architectures avec moins de satellites mais des coûts inférieurs que la recherche aléatoire.
  • Pour les scénarios A, B et C, les meilleures architectures comportent respectivement 20, 33 et 43 satellites.
  • Les orbites Halo Nord et Sud autour de L2 sont apparues comme les plus préférées pour les observateurs, offrant un bon compromis de couverture et de stabilité.

• Performance de l'Estimation (Tâche 2) :

  • État de Translation : L'estimation de la position et de la vitesse reste satisfaisante sur une large gamme de ratios cibles/observateurs, même avec des intervalles de tâche allongés.
  • État d'Attitude : L'estimation de l'attitude est beaucoup plus sensible.
    • Lorsque le nombre de cibles augmente par rapport au nombre d'observateurs, la dégradation de l'estimation d'attitude est significative, menant à des événements de divergence (instabilité du filtre).
    • L'augmentation de l'intervalle de tâche (de 30 min à 4 heures) a un impact négligeable sur la translation mais dégrade fortement l'attitude, augmentant l'incertitude et la fréquence de divergence.
  • Cause Racine : La faible observabilité de l'attitude via des mesures optiques passives sous des géométries contraintes, couplée au fait que la fonction de coût de tâche (information mutuelle) est basée principalement sur la covariance orbitale et ne priorise pas explicitement l'incertitude de rotation.

5. Signification et Perspectives

Ce travail fournit une base théorique et pratique essentielle pour le déploiement futur de systèmes autonomes de surveillance dans l'espace cis-lunaire, un environnement critique pour les missions Artemis et l'exploration lunaire commerciale.

• Importance Stratégique : La capacité à estimer avec précision l'attitude d'objets inconnus est cruciale pour la caractérisation des menaces et la gestion du trafic spatial, au-delà de la simple localisation.
• Limites et Futur : L'étude révèle que les stratégies de tâche actuelles, axées sur l'orbite, sont insuffisantes pour maintenir la stabilité de l'estimation d'attitude dans des scénarios de forte densité.
• Travaux Futurs : Les auteurs suggèrent d'intégrer des architectures de capteurs hétérogènes, des stratégies de fusion de capteurs, et de développer des métriques de tâche qui équilibrent explicitement le gain d'information pour les états de translation et de rotation. L'optimisation de la géométrie de la constellation pour améliorer spécifiquement l'observabilité de l'attitude est également identifiée comme une direction prioritaire.

En résumé, l'article démontre qu'une approche unifiée et optimisée est nécessaire pour la SDA cis-lunaire, mais met en garde contre la difficulté accrue de l'estimation d'attitude dans des environnements à forte densité de trafic et avec des ressources de capteurs limitées.