Résumé Technique : Correcteurs Probabilistes en Temps Continu pour la Prévision de Trajectoires de Satellites avec Prise en Compte de l'Incertitude

Énoncé du Problème

La prévision de trajectoires de satellites à long terme est cruciale pour la Connaissance de la Domaine Spatial (SDA), incluant l'évaluation des risques de collision et l'analyse de conjonction. Bien que les propagateurs déterministes à haute fidélité basés sur la physique, tels que l'outil GMAT (General Mission Analysis Tool) de la NASA, fournissent des prévisions déterministes précises, ils manquent d'estimations d'incertitude fiables et calibrées sur de longs horizons sans observations. Dans les régimes opérationnels où aucune observation corrective n'est disponible, les dynamiques non modélisées, les désaccords paramétriques et les approximations numériques provoquent une accumulation des erreurs de prévision. Par conséquent, la covariance d'erreur rapportée par les propagateurs standards devient souvent surconfiante, sous-estimant l'incertitude réelle et les risques de collision associés. Les approches d'apprentissage automatique existantes échouent souvent à fournir des estimations d'incertitude de pleine covariance ou peinent à gérer les données échantillonnées de manière irrégulière et les caractéristiques manquantes, fréquentes dans la télémétrie réelle.

Méthodologie

Les auteurs proposent un cadre Prédicteur–Correcteur conçu pour s'appuyer sur les simulateurs déterministes existants basés sur la physique (spécifiquement GMAT) afin d'améliorer à la fois la précision et la quantification de l'incertitude.

1. Architecture du Cadre

Le cadre se compose de deux éléments :

• Prédicteur : Un forecaster déterministe en temps continu (ex. : GMAT) qui génère la trajectoire de base.
• Correcteur : Un module probabiliste appris en temps continu qui modélise l'évolution temporelle des erreurs de prévision du prédicteur.

2. Architecture Centrale : Équations Différentielles Contrôlées Neurales Latentes (Latent NCDEs)

La contribution principale est la variante CTPC-CDE++, qui utilise des Latent NCDEs. Cette architecture emploie une structure encodeur-décodeur :

• Encodeur : Traite l'historique des erreurs de prévision de GMAT (observé jusqu'au temps $t_{T'}$) en utilisant une NCDE. Il projette cet historique dans une distribution latente (une gaussienne diagonale) qui sert de priorité (prior).
• Décodeur : Modélise l'évolution probabiliste des erreurs sur l'horizon de prévision ($t_{T'}$ à $t_T$). Le décodeur est une NCDE pilotée par un chemin de contrôle construit à partir des prévisions déterministes de GMAT. En échantillonnant la distribution latente pour initialiser le décodeur, le modèle génère des trajectoires d'erreurs diverses, capturant ainsi l'incertitude de type épistémique.
• Tête de Prédiction : Projette l'état caché du décodeur vers les paramètres d'une distribution Student-$t$ multivariée (moyenne $\mu_t$ et pleine covariance $\Sigma_t$) pour l'erreur de prévision.

3. Objectif d'Entraînement

Le modèle est entraîné à l'aide d'une fonction de perte composite conçue pour assurer à la fois la netteté (sharpness) et le calibrage :

• Log-Vraisemblance Négative (NLL) de Student-$t$ : Capture les distributions d'erreurs à queues lourdes.
• Score de Probabilité Classé Continu (CRPS) : Une règle de score strictement propre qui encourage des distributions prédictives bien calibrées.
• Régularisation KL : Garantit que la distribution postérieure latente reste proche d'une distribution normale standard.

4. Inférence

Lors de l'inférence, le cadre agrège $K$ échantillons de Monte Carlo provenant de l'espace latent. L'estimation finale de l'incertitude combine la variance intra-échantillon (aléatoire) et la variance inter-échantillon (induite par le latent), créant ainsi un effet de type ensemble sans nécessordre d'entraîner plusieurs réseaux distincts.

Contributions Clés

1. Correcteurs Probabilistes en Temps Continu (CTPC) : Un cadre qui augmente les simulateurs physiques déterministes par des dynamiques d'erreur probabilistes apprises en temps continu.
2. Architecture CTPC-CDE++ : Une implémentation spécifique basée sur les Latent NCDEs qui supporte naturellement les observations échantillonnées de manière irrégulière et les caractéristiques manquantes via des chemins de contrôle par splines, contrairement aux Latent ODEs standards qui nécessitent un masquage explicite.
3. Calibrage et Netteté : L'introduction d'une fonction de perte combinant la vraisemblance de Student-$t$ et le CRPS, qui produit des estimations d'incertitude de pleine covariance nettes et bien calibrées sur de longs horizons (jusqu'à 4 jours).
4. Robustesse des Repères de Coordonnées : Démonstration théorique et empirique que les décodeurs basés sur NCDE peuvent modéliser les dynamiques d'erreur de manière robuste à travers différents repères de coordonnées (ECI et RTN), là où les décodeurs basés sur NODE sont restreints à des repères spécifiques (ex. : RTN) en raison de leur manque de conditionnement par chemin de contrôle explicite.

Résultats Expérimentaux

Le cadre a été évalué sur des données de trajectoires de satellites réelles provenant du système de données CDDIS de la NASA sur six fenêtres de test glissantes avec des horizons de prévision allant de 16 heures à 4 jours (5760 minutes).

• Précision : Toutes les variantes CTPC ont réduit de manière significative l'erreur quadratique moyenne (MSE) par rapport au baseline GMAT. La variante CTPC-CDE++ a obtenu les meilleures performances, réduisant la MSE d'environ 64 à 82 % sur divers horizons par rapport à GMAT seul.
• Calibrage : La méthode proposée a produit des estimations d'incertitude bien calibrées. La distance de Mahalanobis au carré normalisée ($\bar{d}^2$) est restée proche de la valeur idéale de 1,0 sur tous les horizons. En revanche, les modèles de base Latent ODE (même avec la perte CRPS) ont présenté une surconfiance sévère, avec des valeurs de $\bar{d}^2$ ordres de grandeur supérieures à 1.
• Netteté : Les modèles CTPC ont maintenu des ellipsoïdes d'incertitude nets (faible logarithme du déterminant de la covariance) sans sacrifier le calibrage, démontrant que l'incertitude n'a pas été artificiellement gonflée pour compenser une faible précision.
• Variabilité Latente : Les expériences ont montré que l'agrégation de la variance prédictive totale (incluant la variabilité induite par le latent) était critique pour le calibrage. L'utilisation de la seule variance prédictive moyenne entraînait une sous-estimation de l'incertitude et des prédictions surconfiantes.
• Robustesse des Coordonnées : Lors de tests dans le repère ECI (Earth-Centered Inertial), le CTPC-CDE basé sur NCDE a maintenu des améliorations substantielles de précision et de calibrage, tandis que le CTPC-ODE basé sur NODE a échoué à généraliser, montant une réduction de MSE négligeable et un mauvais calibrage sévère.

Signification et Revendications

L'article affirme que le Correcteur Probabiliste en Temps Continu proposé comble efficacement l'écart entre la propagation physique à haute fidélité et le besoin de fiabilité et de calibrage de l'incertitude pour les opérations spatiales critiques. En s'appuyant sur des outils existants comme GMAT, la méthode améliore la précision des prévisions tout en fournissant des estimations de pleine covariance de l'incertitude, robustes aux longs intervalles d'observation et à l'échantillonnage irrégulier des données.

Les auteurs soulignent que leur approche traite les modes de défaillance spécifiques des méthodes actuelles : la surconfiance des bases déterministes et le faible calibrage des modèles probabilistes standards sur de longs horizons. Leur analyse théorique fournit des garanties sur la stabilité du décodeur et la croissance bornée de la covariance, garantissant que la propagation de l'incertitude reste interprétable et ne diverge pas numériquement. Ce travail positionne le CTPC-CDE++ comme une solution flexible et généralisable pour la prévision de trajectoires consciente de l'incertitude, capable d'être adaptée à divers repères de coordonnées et contraintes opérationnelles sans modification architecturale.