Probabilistic Artificial Intelligence Framework for Data Association in Distributed Multi-Sensor Space Object Tracking under Sparse Measurement Regimes

हमारे ऊपर का आकाश तेजी से भीड़भाड़ वाला होता जा रहा है। दृश्यमान तारों और उपग्रहों की कभी-कभार दिखने वाली चमक के परे, पृथ्वी की कक्षा में मानव निर्मित वस्तुओं का एक शांत ट्रैफिक जाम बना हुआ है। यह आबादी, जिसे निवासी अंतरिक्ष वस्तुएं (resident space objects) कहा जाता है, सक्रिय उपग्रहों, निष्क्रिय अंतरिक्ष यानों, छोड़े गए रॉकेट निकायों और मलबे के अनगिनत छोटे टुकड़ों को शामिल करती है। हालांकि इनमें से सबसे बड़ी वस्तुओं को जमीनी स्तर के रडार स्टेशनों द्वारा ट्रैक किया जाता है, लेकिन इन वस्तुओं की विशाल संख्या—जिसमें सूचीबद्ध वस्तुओं के लिए दसियों हजार और छोटे, अनट्रेकेबल टुकड़ों के लिए लाखों संख्या है—एक खतरनाक वातावरण बनाती है। अंतरिक्ष एजेंसियों के लिए प्राथमिक चुनौती केवल इन वस्तुओं को देखना नहीं है, बल्कि यह जानना है कि वे वास्तव में कहाँ हैं और वे आगे कहाँ जाएँगी। यह उन उपग्रहों के टकराव को रोकने के लिए महत्वपूर्ण है जो मूल्यवान उपग्रहों को नष्ट कर सकते हैं या और भी अधिक मलबा पैदा कर सकते हैं। हालाँकि, इन वस्तुओं को ट्रैक करने के लिए उपयोग की जाने वाली वर्तमान विधियाँ तब संघर्ष करती हैं जब डेटा अधूरा होता है। रडार स्टेशन अक्सर उपग्रह को केवल तभी देख पाते हैं जब वह उनके ऊपर से गुजरता है, जिससे जानकारी का एक संक्षिप्त, विरल आर्क (arc) मिलता है न कि एक निरंतर प्रवाह। इन कठिन परिस्थितियों में, पारंपरिक गणितीय उपकरण अक्सर इन बिंदुओं को जोड़ने में विफल रहते हैं, जिससे हमारे ज्ञान के परिदृश्य में अंतराल रह जाता है।

इस बढ़ती जटिलता को संबोधित करने के लिए, भारत में निट्टे यूनिवर्सिटी के शोधकर्ता मेहर ताज और डॉ. ज़बीहा खान ने एक नई, एकीकृत प्रणाली विकसित की है जो तीन कठिन समस्याओं को एक साथ हल करने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करती है: यह पहचानना कि कौन सा रडार ब्लिप किस वस्तु से संबंधित है, यह तय करना कि अगला रडार कहाँ देखना चाहिए, और वस्तु के पथ की उच्च सटीकता के साथ गणना करना। उनका कार्य इन कार्यों को अलग-अलग संभालने के पुराने तरीके से हटकर है, जहाँ एक कंप्यूटर प्रोग्राम किसी वस्तु की पहचान का अनुमान लगाता है और दूसरा यह तय करता है कि रडार को कहाँ निर्देशित किया जाए। इसके बजाय, उन्होंने एक एकल, एकीकृत ढांचा बनाया है जो तीनों कार्यों को एक साथ करना सीखता है। यह दृष्टिकोण विशेष रूप से "स्पार्स मेजरमेंट" (विरल माप) शासन के लिए डिज़ाइन किया गया है, जहाँ रडार स्टेशनों को किसी वस्तु पर दृश्य से गायब होने से पहले केवल कुछ सेकंड का डेटा मिलता है। विभिन्न प्रकार के आर्टिफिशियल इंटेलिजेंस को जोड़कर, टीम ने एक ऐसा सिस्टम बनाया है जो एक विशेषज्ञ मानव विश्लेषक के उस तरीके की नकल करता है जिससे वह अनिश्चितता के माध्यम से तर्क करता है, लेकिन मशीन की गति और निरंतरता के साथ।

उनके समाधान का मूल तत्व यह है कि सिस्टम नए रडार डेटा को अंतरिक्ष वस्तुओं के मौजूदा रिकॉर्ड से कैसे जोड़ता है। एक भीड़भाड़ वाले आकाश में, एक रडार एक ही सेकंड में सौ ब्लिप का पता लगा सकता है, लेकिन उसे तुरंत यह पता नहीं चलता कि कौन सा ब्लिप ज्ञात उपग्रहों में से किससे मेल खाता है। पारंपरिक विधियाँ इसे हर संभावित संयोजन का परीक्षण करके हल करने का प्रयास करती हैं, एक ऐसी प्रक्रिया जो वस्तुओं की संख्या बढ़ने पर असंभव रूपसाथ धीमी हो जाती है। नया सिस्टम एक ग्राफ-आधारित न्यूरल नेटवर्क का उपयोग करता है, जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है और कई अलग-अलग वस्तुओं के बीच संबंधों को समझने में उत्कृष्ट है। यह रडार मापों और ज्ञात उपग्रह ट्रैकों को एक मानचित्र पर बिंदुओं के रूप में मानता है, और उनके बीच रेखाएं खींचता है कि वे कितनी संभावना के साथ मेल खाते हैं। महत्वपूर्ण रूप से, यह नेटवर्क कक्षीय भौतिकी (orbital physics) की समझ के साथ बनाया गया है, जिसका अर्थ है कि यह जानता है कि वस्तुएं गुरुत्वाकर्षण द्वारा नियंत्रित विशिष्ट और अनुमानित तरीकों से चलती हैं। यह सिस्टम बिना हर एक संभावना की गणना किए, असंभव मिलानों को तुरंत खारिज करने की अनुमति देता है। अपने परीक्षणों में, यह विधि पुरानी तकनीकों की तुलना में बहुत तेज़ और अधिक सटीक साबित हुई, विशेष रूप से जब रडार डेटा बहुत संक्षिप्त था।

एक बार जब सिस्टम जान लेता है कि कौन से ब्लिप किन वस्तुओं के हैं, तो उसे रडार स्टेशनों के सीमित समय का उपयोग कैसे करना है, यह तय करना होता है। रडार सब कुछ एक साथ नहीं देख सकते; उन्हें सबसे उपयोगी जानकारी प्राप्त करने के लिए यह चुनना होगा कि किन वस्तुओं को ट्रैक किया जाए। शोधकर्ताओं ने एक सुदृढीकरण शिक्षण एजेंट (reinforcement learning agent), जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है और जो प्रयास और त्रुटि (trial and error) से सीखता है, को एक स्मार्ट शेड्यूलर के रूप में कार्य करने के लिए प्रशिक्षित किया है। यह एजेंट अंतरिक्ष वस्तुओं के पूरे कैटलॉग और उनकी वर्तमान अनिश्चितता के स्तर को देखता है। यदि किसी उपग्रह की स्थिति का ज्ञान कम है, तो एजेंट उसे प्राथमिकता देता है, और रडार को अधिक डेटा एकत्र करने के लिए निर्देशित करता है। यदि कोई उपग्रह अच्छी तरह से ट्रैक किया गया है, तो एजेंट दूसरों की ओर बढ़ जाता है। यह गतिशील दृष्टिकोण सुनिश्चित करता है कि रडार नेटवर्क अपनी ऊर्जा वहाँ केंद्रित करे जहाँ इसकी सबसे अधिक आवश्यकता है, न कि एक कठोर, पूर्व-निर्धारित कार्यक्रम का पालन करे। परिणामों ने दिखाया कि इस बुद्धिमान शेड्यूलिंग ने मानक, नियम-आधारित शेड्यूलिंग विधियों की तुलना में पूरे अंतरिक्ष कैटलॉग की समग्र अनिश्चितता को 75 प्रतिशत तक कम कर दिया।

पहेली का अंतिम हिस्सा विरल, छोटे डेटा के आधार पर उपग्रह के सटीक पथ को निर्धारित करना है। मानक गणितीय मॉडल अक्सर यह मान लेते हैं कि माप की त्रुटियां एक सरल, घंटी के आकार के वक्र (bell-shaped curve) का पालन करती हैं, जो पर्याप्त डेटा होने पर अच्छा काम करता है। हालाँकि, जब डेटा कम होता है, तो वास्तविक अनिश्चितता जटिल और अनियमित हो सकती है। शोधकर्ताओं ने इन मानक मॉडलों को एक 'न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशन' सिस्टम से बदल दिया। यह एक मशीन लर्निंग मॉडल है जो भौतिकी के नियमों द्वारा बाधित है, जो यह सुनिश्चित करता है कि अनुमानित पथ वास्तविक दुनिया में हमेशा तर्कसंगत हों, जबकि वे वास्तविक, अव्यवस्थित डेटा से भी सीखते रहें। इस हाइब्रिड दृष्टिकोण ने सिस्टम को पारंपरिक तरीकों की तुलना में काफी उच्च सटीकता के साथ वस्तुओं की स्थिति और गति की गणना करने की अनुमति दी। विखंडन की घटना (fragmentation event) वाले सिमुलेशन में, जहाँ एक उपग्रह सैकड़ों टुकड़ों में टूट जाता है, नए सिस्टम ने मौजूदा सर्वोत्तम मानक पद्धति की तुलना में स्थिति अनुमान में त्रुटि को 78 प्रतिशत तक कम कर दिया।

शोधकर्ताओं ने अपने ढांचे का पांच अलग-अलग परिदृश्यों में परीक्षण किया, जिसमें कम वस्तुओं वाले शांत आकाश से लेकर सैकड़ों उपग्रहों और मलबे के टुकड़ों वाले अराजक वातावरण तक शामिल थे। हर मामले में, एकीकृत प्रणाली ने उन पारंपरिक तरीकों से बेहतर प्रदर्शन किया जो डेटा एसोसिएशन, शेड्यूलिंग और ऑर्बिट गणना को अलग-अलग चरणों के रूप में संभालते हैं। सबसे नाटकीय सुधार सबसे कठिन स्थितियों में दिखाई दिए, जहाँ वस्तुओं की संख्या अधिक थी और रडार डेटा अत्यंत संक्षिप्त था। 800 वस्तुओं वाली एक विखंडन घटना से जुड़े एक चरम परीक्षण में, पारंपरिक विधियों को डेटा को प्रोसेस करने में इतना समय लगा कि वे वास्तविक समय के संचालन के लिए अनुपयोगी हो गईं, जबकि नए सिस्टम ने एक सेकंड के एक अंश में कार्य पूरा कर लिया। यह अध्ययन पुष्टि करता है कि इन समस्याओं को एक एकल, जुड़े हुए चुनौती के रूप में देखने से एक-एक करके हल करने की तुलना में बेहतर परिणाम मिलते हैं। हालांकि यह कार्य एक हाई-फिडेलिटी सिमुलेशन में किया गया था और अभी तक भारतीय अंतरिक्ष अनुसंधान संगठन के लाइव रडार डेटा पर परीक्षण नहीं किया गया है, फिर भी इसके परिणाम अंतरिक्ष यातायात को सुरक्षित रखने के लिए एक शक्तिशाली नई दिशा का सुझाव देते हैं। देखने, निर्णय लेने और भविष्यवाणी करने के कार्यों को एकीकृत करके, यह ढांचा बढ़ते अंतरिक्ष यातायात की जटिलता को अधिक गति और विश्वसनीयता के साथ प्रबंधित करने का एक तरीका प्रदान करता है।