Neural-Enhanced Micro-Kalman Filtering for Satellite Tracking: A Comparative Study

तकनीकी सारांश: उपग्रह ट्रैकिंग के लिए न्यूरल-एन्हांस्ड माइक्रो-कलमन फ़िल्टरिंग

समस्या विवरण
कक्षीय नेविगेशन, टकराव से बचाव और स्वायत्त मिशन योजना के लिए सटीक उपग्रह अवस्था अनुमान (state estimation) अत्यंत महत्वपूर्ण है। हालांकि, पारंपरिक कलमन फ़िल्टरिंग तकनीकें अक्सर तब संघर्ष करती हैं जब प्रक्रिया (process) और माप (measurement) शोर सांख्यिकी अनिश्चित या समय-परिवर्तनीय होती है, जिससे प्रदर्शन में गिरावट आती है। जबकि विस्तारित कलमन फ़िल्टर (EKF) और अनसेंटेड कलमन फ़िल्टर (UKF) जैसे विस्तार गैर-रैखिकता (nonlinearity) को संबोधित करते हैं, और अनुकूली (adaptive) फ़िल्टर शोर सांख्यिकी को ऑनलाइन समायोजित करने का प्रयास करते हैं, फिर भी ऐसे ढांचों की आवश्यकता बनी हुई है जो कम्प्यूटेशनल दक्षता के साथ मजबूत अनुकूलन क्षमता को जोड़ सकें। विशेष रूप से, उपग्रह ट्रैकिंग के लिए सूचना-रूप (information-form) माइक्रो-कलमन फ़िल्टर (µKF) में हल्के न्यूरल तंत्रों (lightweight neural mechanisms) के समावेश पर सीमित ध्यान दिया गया है।

कार्यप्रणाली
यह शोध पत्र एक न्यूरल-एन्हांस्ड माइक्रो-कलमन फ़िल्टर (Neural-µKF) का प्रस्ताव करता है जो एक सूचना-रूप अवस्था अनुमान ढांचे के भीतर कार्य करता है। कार्यप्रणाली इस प्रकार है:

1. सिस्टम मॉडलिंग: उपग्रह गतिकी (dynamics) को एक नाममात्र वृत्ताकार कक्षा (nominal circular orbit) के आसपास प्राप्त रैखिक अवस्था-स्थान प्रतिनिधित्व (linearized state-space representation) का उपयोग करके मॉडल किया गया है। सिस्टम को एक विविक्त-समय रैखिक स्टोकेस्टिक मॉडल द्वारा परिभाषित किया गया है जहाँ अवस्था वेक्टर (state vector) में रेडियल और कोणीय विचलन तथा उनके वेग शामिल हैं।
2. सूचना-रूप ढांचा (Information-Form Framework): शास्त्रीय सहप्रसरण-आधारित (covariance-based) कलमन फ़िल्टर के विपरीत, प्रस्तावित विधि सूचना-रूप (व्युत्क्रम सहप्रसरण) का उपयोग करती है। यह सूत्रीकरण, जिसे µKF के रूप में जाना जाता है, वितरित अनुमान (distributed estimation) के लिए फायदेमंद है और अपडेट चरण के दौरान स्पष्ट कलमन गेन (Kalman gain) की गणना से बचता है।
3. न्यूरल कोवेरियेंस स्केलिंग: शोर सांख्यिकी में अनिश्चितताओं को दूर करने के लिए, एक हल्का न्यूरल स्केलिंग तंत्र पेश किया गया है। पूर्ण कोवेरियेंस मैट्रिसेस का अनुमान लगाने के बजाय, न्यूरल नेटवर्क दो धनात्मक स्केलिंग कारकों ($\alpha_k$ माप शोर के लिए और $\beta_k$ प्रक्रिया शोर के लिए) की भविष्यवाणी करता है।
   • इनपुट: नेटवर्क इनपुट के रूप में इनोवेशन अनुक्रम (innovation sequence) के वर्ग के परिमाण ($\|e_k\|^2$) और उसके पिछले मान को लेता है।
   • आउटपुट: बाउंडेड (bounded) स्केलिंग कारक सिग्मॉइड सक्रियण फ़ंक्शन (sigmoid activation function) और प्रशिक्षित भार (trainable weights) का उपयोग करके कंप्यूट किए जाते हैं।
   • अनुकूलन (Adaptation): ये कारक मूल कोवेरियेंस मैट्रिसेस ($\Sigma_v$ और $\Sigma_q$) को उनकी धनात्मक निश्चितता (positive definiteness) को बनाए रखते हुए ऑनलाइन गतिशील रूप से समायोजित करते हैं।
4. एकीकरण: स्केल्ड कोवेरियेंस को मानक सूचना-रूप अपडेट और प्रेडिक्शन समीकरणों में फीड किया जाता है। यह फ़िल्टर को मूल बायेसियन अनुमान संरचना को बदले बिना बदलते अनिश्चितता स्तरों के अनुकूल होने की अनुमति देता है।

प्रमुख योगदान
शोध पत्र तीन प्राथमिक योगदानों को रेखांकित करता है:

• नवीन ढांचा: एक न्यूरल-एन्हांस्ड सूचना-रूप µKF का प्रस्ताव जो मूल सूचना-रूप फ़िल्टरिंग समीकरणों को सख्ती से संरक्षित करते हुए अनुकूली न्यूरल कोवेरियेंस स्केलिंग को एकीकृत करता है।
• तुलनात्मक मूल्यांकन: समान परिचालन स्थितियों के तहत प्रस्तावित एस्टिमेटर का शास्त्रीय कलमन फ़िल्टर (KF), विस्तारित कलमन फ़िल्टर (EKF), अनसेंटेड कलमन फ़िल्टर (UKF) और एक मानक अनुकूली कलमन फ़िल्टर के विरुद्ध व्यापक संख्यात्मक तुलना।
• प्रदर्शन सत्यापन: यह प्रदर्शन करना कि प्रस्तावित विधि कम मीन स्क्वायर एरर (MSE) के साथ सटीक अवस्था अनुमान प्राप्त करती है, जो सूचना-रूप दृष्टिकोण के कम्प्यूटेशनल लाभों को बनाए रखती है।

परिणाम
प्रस्तावित Neural-µKF का मूल्यांकन दस मोंटे कार्लो रन के माध्यम से 1,000 टाइम स्टेप्स पर एक लीनियर गॉसियन सैटेलाइट ट्रैकिंग मॉडल का उपयोग करके संख्यात्मक सिमुलेशन के माध्यम से किया गया।

• सटीकता: Neural-µKF ने कम मीन स्क्वायर एस्टिमेशन एरर (MSEE) के साथ उपग्रह अवस्थाओं (रेडियल स्थिति, रेडियल वेग, स्केल्ड कोणीय स्थिति और स्केल्ड कोणीय वेग) को लगातार ट्रैक किया।
• तुलना: आधारभूत कलमन फ़िल्टर की तुलना में, Neural-µKF ने कुल मिलाकर तुलनीय प्रदर्शन हासिल किया। विशेष रूप से, इसने रेडियल वेग और स्केल्ड कोणीय स्थिति अवस्थाओं के लिए थोड़ा कम औसत MSEE (AMSEE) प्रदर्शित किया।
• मजबूती (Robustness): विधि ने विभिन्न सिमुलेशन रन में स्थिर प्रदर्शन बनाए रखा, जो स्टोकेस्टिक प्रक्रिया और माप शोर के विरुद्ध मजबूती का संकेत देता है।
• बेंचमार्किंग: व्यापक तुलनाओं में, Neural-µKF ने EKF, UKF और अनुकूली कलमन फ़िल्टर के तुलनीय प्रदर्शन किया। सिम्युलेटेड मॉडल की रैखिक प्रकृति को देखते हुए, EKF और UKF ने शास्त्रीय KF के समान प्रदर्शन दिखाया, जबकि Neural-µKF ने उच्च-क्रम सन्निकटन (higher-order approximations) के कम्प्यूटेशनल ओवरहेड के बिना अनुकूली कोवेरियेंस स्केलिंग का अतिरिक्त लाभ प्रदान किया।

महत्व और दावे
शोध पत्र का दावा है कि µKF में हल्के न्यूरल कोवेरियेंस अनुकूलन को एकीकृत करने से उपग्रह अवस्था अनुमान के लिए एक प्रभावी और लचीला ढांचा प्राप्त होता है। इसका महत्व अनिश्चित शोर सांख्यिकी की उपस्थिति में अनुमान प्रदर्शन को बढ़ाने की क्षमता में निहित है, जबकि सूचना-रूप सूत्रीकरण में अंतर्निहित कम्प्यूटेशनल लाभों को बनाए रखा जाता है। लेखक तर्क देते हैं कि प्रस्तावित विधि बायेसियन अनुमान ढांचे को प्रतिस्थापित नहीं करती है बल्कि इसके पूरक के रूप में कार्य करती है, जो डेटा-संचालित अनुकूलन क्षमता और संरचनात्मक दक्षता के बीच संतुलन प्रदान करती है।

लेखक अपने निष्कर्षों के दायरे के संबंध में विनम्र बने हुए हैं, यह नोट करते हुए कि वर्तमान परिणाम रैखिक गतिकी (linearized dynamics) पर आधारित हैं। वे भविष्य के कार्य के रूप में इस ढांचे को गैर-रैखिक कक्षीय गतिकी तक विस्तारित करने, दोष पहचान (fault detection) के लिए अधिक उन्नत अनुकूली रणनीतियों को विकसित करने और विधि को विकेंद्रीकृत मल्टी-एजेंट सिस्टम और एकीकृत नियंत्रण रणनीतियों पर लागू करने की पहचान करते हैं।