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

Imaginez que le ciel au-dessus de nous soit rempli de minuscules robots à grande vitesse appelés satellites. Ce ne sont pas seulement des caméras flottantes ; ce sont des machines complexes qui doivent consommer de l'énergie pour accomplir leurs tâches, comme prendre des photos ou envoyer des signaux. Ils tirent leur nourriture du soleil, mais le soleil ne brille pas sur eux tout le temps. Lorsqu'ils entrent dans l'ombre de la Terre, ils doivent compter sur une batterie, un peu comme votre téléphone le fait lorsque vous oubliez votre chargeur. Le grand défi pour les personnes au sol qui contrôlent ces robots est de savoir exactement combien de « jus de batterie » il reste avant de leur demander une nouvelle tâche gourmande en énergie. Si on leur demande trop, le satellite pourrait s'évanouir et échouer dans sa mission.

Pendant longtemps, déterminer cela revenait à essayer de deviner la météo en regardant les nuages et en espérant que tout se passe bien. Des opérateurs expérimentés utilisaient leur intuition et des années de mémoire pour décider si un satellite avait assez d'énergie. Mais les mémoires peuvent être floues, et différentes personnes peuvent faire des estimations différentes. Ce document présente une nouvelle façon de résoudre ce casse-tête en utilisant un « cerveau numérique » qui apprend de six années d'histoire. Il combine deux types de mathématiques intelligentes : une qui repère les motifs répétitifs (comme le lever et le coucher du soleil) et une autre qui apprend des détails désordonnés et restants. L'objectif est de transformer un sentiment vague en une liste écrite claire de précisément quelles tâches le satellite peut effectuer en toute sécurité dès maintenant.

---

Le dilemme énergétique du satellite

Rencontrez LAPAN-IPB, un satellite en orbite à 500 kilomètres au-dessus de l'Indonésie. C'est un satellite polaire, ce qui signifie qu'il file au-dessus des pôles Nord et Sud, faisant le tour de la Terre environ 15 fois par jour. Chaque fois qu'il survole l'Indonésie, il dispose d'une courte fenêtre — environ 10 à 15 minutes — pour communiquer avec les stations au sol. Pendant cette minuscule fenêtre, les opérateurs au sol peuvent lui envoyer de nouvelles instructions, comme « prend une photo de cette forêt » ou « scanne l'océan ».

Mais voici le piège : le satellite fonctionne sur une batterie. Entre ces courtes fenêtres, il passe du temps dans l'obscurité (éclipse), vivant grâce à son énergie stockée. Si la batterie est trop faible et que les opérateurs envoient une commande qui consomme trop de puissance, le satellite pourrait planter ou perdre sa capacité à fonctionner.

Pendant des années, les opérateurs de l'Agence nationale de recherche et d'innovation (BRIN) en Indonésie ont dû prendre ces décisions de vie ou de mort en se basant sur des « connaissances tacites ». C'est une façon élégante de dire « un pressentiment construit sur l'expérience ». Si un opérateur était présent depuis dix ans, il pouvait savoir : « Oh, la batterie semble un peu basse aujourd'hui, donc sautons la mission lourde de la caméra. » Mais si un nouvel opérateur prenait le relais, il n'aurait pas cette expérience. Il pourrait se tromper ou deux opérateurs pourraient se disputer sur une même situation. Il n'y avait pas de carnet de règles écrit, pas de piste d'audit claire, et aucun moyen de prouver pourquoi une décision avait été prise.

Le nouveau « Copilote Numérique »

Ce document décrit un nouveau système conçu pour remplacer ces supposations par un moteur de recommandation basé sur les données. Considérez-le comme un copilote qui lit les signes vitaux du satellite et remet à l'opérateur une liste classée de tâches sûres. Le système a été construit à partir de six années de données (de janvier 2019 à décembre 2024), qui comprenaient plus de 25 000 enregistrements de la tension et du courant de la batterie du satellite.

Les chercheurs ont décomposé le problème en trois étapes principales, en utilisant un mélange astucieux de statistiques classiques et de deep learning moderne.

1. Prédire la tension future
D'abord, le système doit deviner quelle sera la tension de la batterie lors de la prochaine fois où le satellite communiquera avec le sol. Pour ce faire, ils ont utilisé un modèle « hybride ». Imaginez essayer de prédire la marée. Vous savez que la marée monte et descend selon un cycle régulier (c'est la partie facile). Mais parfois, une tempête ou un vent fort change le niveau de l'eau de manière inattendue (c'est la partie difficile).

Les chercheurs ont utilisé un modèle statistique appelé SARIMAX pour gérer le cycle régulier et prévisible de charge et de décharge de la batterie. Ensuite, ils ont utilisé un modèle de Deep Learning (plus précisément un type appelé LSTM) pour comprendre les résidus désordonnés et imprévisibles. En les combinant, ils ont obtenu une prédiction très précise. Sur leurs données de test, ce modèle hybride a été capable de prédire la tension avec une erreur moyenne de seulement 0,1042 V (Volts). C'est incroyablement précis, étant donné que la tension de la batterie oscille généralement entre 16 et 17 Volts.

2. Apprendre les « empreintes énergétiques »
Ensuite, le système devait savoir quelle énergie chaque mission spécifique consomme. Le satellite possède 20 types de missions différents (comme « prendre une photo », « scanner l'océan », etc.), et chacune d'elles active différents interrupteurs et utilise des quantités de puissance différentes.

Les chercheurs ont appris à un classificateur Random Forest (un type de machine learning qui fonctionne comme une équipe d'arbres de décision) à reconnaître l'« empreinte énergétique » de chaque mission. Ils ont observé le courant et la tension de la batterie lors des missions passées pour voir ce que chacune d'elles « ressentait ». Cependant, ils ont dû être prudents. Le satellite envoie des données de nombreuses fois au cours d'un seul passage de 15 minutes. S'ils avaient traité chaque point de donnée comme une leçon séparée, l'ordinateur se serait confondu, pensant qu'il apprenait de 25 000 événements différents alors qu'il ne voyait en fait que le même événement répété plusieurs fois. Ils ont corrigé cela en regroupant les données en « passages », de sorte que l'ordinateur apprenne de 6 833 événements uniques au lieu de 25 000 doublons confus.

Le résultat ? L'ordinateur a appris à identifier les 20 types de missions avec un haut degré de précision, devinant correctement le type de mission environ 82 % du temps, et réussissant très bien même avec les missions rares et moins fréquentes.

3. La vérification de sécurité et le classement
Enfin, le système rassemble tout. Il prend la tension future prédite et la compare à un « seuil de sécurité » pour chacune des 20 missions. D'où viennent ces seuils ? Les chercheurs ont utilisé une astuce statistique ingénieuse appelée la limite supérieure de Tukey (Tukey upper fence). Imaginez que vous avez un tas de données montrant jusqu'où la tension de la batterie est montée lorsqu'une mission spécifique a été exécutée avec succès par le passé. La limite de Tukey trouve la « limite supérieure sûre » de ce tas. Si la tension prédite est supérieure à cette limite, la mission est sûre.

Pour s'assurer que ces limites étaient dignes de confiance, ils les ont vérifiées de deux manières : une fois en utilisant les données brutes, et une fois en utilisant la logique interne du modèle de machine learning. Ils ont constaté que pour les 20 missions, les deux méthodes concordaient presque parfaitement (la différence était inférieure à 0,0843 V, ce qui est plus petit que l'erreur de prédiction elle-même). Cela signifie que les limites de sécurité sont très solides.

Le résultat : Une liste classée et claire

Lorsque le satellite est sur le point d'établir le contact avec le sol, le système effectue un calcul rapide. Il prédit la tension de la batterie, la compare aux 20 limites de sécurité et génère une liste classée.

• Missions réalisables : Ce sont les tâches que la batterie peut absolument supporter.
• Le classement : Le système ne se contente pas de dire « Oui » ou « Non ». Il classe les missions « Oui » par leur marge d'énergie. C'est la différence entre la tension prédite et la limite de sécurité.
  • Une mission avec une grande marge (ex: +0,77 V) est très sûre.
  • Une mission avec une marge infime (ex: +0,02 V) est techniquement possible mais risquée, comme marcher sur une corde raide.

Cela donne à l'opérateur un point de départ clair et fondé sur des preuves. Au lieu de deviner, il peut voir : « La mission A est sûre avec une grande marge de sécurité, mais la mission B est très serrée. » Si la batterie est basse, le système peut dire : « Seules ces trois tâches à faible consommation d'énergie sont sûres aujourd'hui. » Si la batterie est pleine, il peut dire : « Vous pouvez presque tout faire, mais la mission C est la plus sûre. »

Pourquoi cela importe

La plus grande victoire ici n'est pas seulement que les mathématiques fonctionnent ; c'est que le processus est désormais reproductible et auditable. Auparavant, si une mission échouait, on ne pouvait pas être sûr si c'était parce que l'opérateur avait fait une mauvaise supposition ou si le satellite avait simplement eu de la malchance. Désormais, chaque décision est appuyée par six années de données et une règle claire et documentée.

Le système ne remplace pas l'opérateur humain ; il lui donne un super-pouvoir. Il transforme un sentiment vague en une liste d'options précises et classées, garantissant que, peu importe qui est de service, le satellite reçoit les meilleurs soins possibles. Les chercheurs ont constaté que cette approche est stable, fiable et prête à aider le satellite LAPAN-IPB à continuer de voler en toute sécurité pendant des années à venir.