Machine Learning-Based Evaluation of Attitude Sensor Characteristics Using Microsatellite Flight Data

Sintesi Tecnica: Valutazione delle Caratteristiche dei Sensori di Assetto Basata sul Machine Learning Utilizzando Dati di Volo di Microsatelliti

Definizione del Problema
La determinazione dell'assetto dei satelliti convenzionali si basa spesso sulla stima a pacchetti (batch estimation) o sul filtraggio di Kalman basato su modelli fisici predefiniti e assunzioni di rumore bianco. Sebbene efficaci per i requisiti di missione, tali metodi potrebbero non catturare appieno i compliessi pattern di errore strutturali e non lineari incorporati nei dati osservativi reali, particolarmente per i sensori di assetto grossolani come i sensori solari e i sensori di campo magnetico. Gli approcci tradizionali trattano spesso questi effetti non modellati come errori casuali. Inoltre, la crescente necessità di operazioni satellitari efficienti, costi di lancio ridotti e una rapida implementazione in orbite a bassa quota richiede tecnologie in grado di ridurre il carico di lavoro umano e i tempi operativi. Questo studio affronta la sfida di rivalutare le prestazioni della determinazione dell'assetto e le caratteristiche di errore dei sensori utilizzando dati di volo reali provenienti da una missione conclusa di un microsatellite, andando oltre il filtraggio classico per esplorare le capacità del machine learning (ML).

Metodologia
Lo studio utilizza i dati di volo del microsatellite RISING-4 (un satellite di classe 50 cm gestito dalla Tohoku University dal 2021 al 2023). La metodologia impiega un approccio di apprendimento supervisionato in cui i risultati di determinazione dell'assetto di alta qualità, derivati da sensori stellari di bordo e da una giroscopio a fibra ottica (FOG), fungono da "ground truth".

• Preparazione dei Dati: Sono stati utilizzati cinque set di log di osservazione in orbita. Quattro passaggi (P1–P4) sono stati designati per l'addestramento, e un passaggio indipendente (P5) è stato utilizzato per il test. I dati di input ($X$) consistevano in misurazioni di serie temporali da sensori grossolani (sensori solari e sensori di campo magnetico), vettori derivati da modelli (direzioni del Sole, del campo magnetico e della Terra nel sistema inerziale) e velocità angolari del giroscopio. L'output ($Y$) è il quaternione di assetto, convertito in Parametri di Rodrigues Modificati (MRP).
• Architettura del Modello: È stata impiegata una rete neurale convoluzionale monodimensionale (Conv1D). Questa architettura elabora misurazioni di sensori in sequenze temporali consecutive (è stata adottata una finestra temporale di $n=5$ come base) per predire regressivamente l'assetto. Il modello trasforma i vettori di input attraverso dimensioni di caratteristiche espanse (da 21 a 64 a 128) e li comprime nuovamente verso l'output (3 elementi) utilizzando funzioni di attivazione ReLU e un tasso di dropout dell'1% per prevenire l'overfitting.
• Strategia di Addestramento: Il modello è stato addestrato per minimizzare l'errore dell'angolo di rotazione RMS tra l'assetto predetto e la ground truth. Per evitare il bias temporale, i set di addestramento generati dai dati di serie temporali sono stati rimescolati casualmente prima dell'addestramento.

Contributi Chiave

1. Applicazione Retroattiva del ML: Lo studio dimostra l'applicazione di tecniche di machine learning a dati di volo di una missione che è stata originariamente sviluppata e operata senza l'uso dell'IA, provando che il ML può estrarre pattern di errore strutturali da dati storici.
2. Caratterizzazione dei Sensori: Trattando i dati dei sensori stellari/FOG come ground truth, lo studio rivaluta le caratteristiche di errore dei sensori solari e magnetici, identificando che i bias non lineari e gli errori di allineamento possono essere appresi e corretti.
3. Fattibilità del Sensore Singolo: La ricerca indaga la fattibilità della determinazione dell'assetto utilizzando singoli tipi di sensore (ad esempio, solo sensori magnetici durante l'eclissi) o combinazioni senza espliciti modelli fisici, mostrando che il ML può apprendere la relazione tra le misurazioni dei sensori e l'assetto anche quando i vincoli di osservabilità tradizionali (come il metodo TRIAD che richiede due vettori) non sono strettamente soddisfatti nelle caratteristiche di input.

Risultati

• Confronto delle Prestazioni: La determinazione dell'assetto convenzionale tramite il metodo TRIAD ha prodotto errori RMS nell'ordine di 7,34 gradi. Al contrario, l'approccio ML proposto ha ottenuto errori significativamente inferiori:
  • Set di Addestramento: Sono stati raggiunti errori RMS di circa 0,7 gradi per le configurazioni ottimali (ad esempio, i casi C1e e C1f, che includevano sia sensori solari che magnetici insieme ai vettori di modello e ai dati del giroscopio).
  • Set di Test: Sul passaggio di test indipendente (P5), i modelli con le migliori prestazioni hanno ottenuto errori RMS compresi tra 2,1 e 3,0 gradi, a seconda della combinazione di sensori.
• Combinazioni di Sensori:
  • La combinazione di sensori solari, sensori magnetici e vettori derivati dal modello ha fornito prestazioni favorevoli.
  • Quando le misurazioni del giroscopio sono state escluse, la combinazione di sensori solari e magnetici è rimasta efficace.
  • Fondamentalmente, lo studio ha rilevato che la determinazione dell'assetto utilizzando solo le misurazioni del campo magnetico (Caso C3f) ha prodotto un RMS nel set di test di 2,1 gradi, suggerendo che un certo livello di precisione è raggiungibile durante le condizioni di eclissi in cui i sensori solari non sono disponibili.
  • L'utilizzo di un singolo tipo di sensore senza vettori di modello (ad esempio, solo sensori solari) ha comportato errori significativamente più elevati, indicando l'importanza di dati supplementari o di un contesto appreso.
• Generalizzazione: Lo studio ha notato che il modello con le migliori prestazioni sul set di addestramento non ha sempre prodotto i risultati migliori sul set di test, evidenziando l'importanza di valutare le capacità di generalizzazione. La forte somiglianza tra i profili dei dati in serie temporali tra i passaggi di addestramento e di test (dovuta a strategie di manovra standardizzate) ha contribuito all'efficacia del modello.

Significatività e Rivendicazioni
Il documento sostiene che i metodi basati sul machine learning siano candidati promettenti sia per il calcolo di bordo in futuri satelliti, sia per l'analisi offline di missioni passate. Lo studio sottolinea che l'approccio proposto è particolarmente prezioso per:

• Supporto all'Acquisizione Iniziale: Guidare il veicolo spaziale verso assetti ottimali per l'acquisizione del sensore stellare o la comunicazione con la stazione di terra senza fare affidamento sui sensori stellari.
• Ridondanza: Fornire una stima dell'assetto ausiliaria quando i sensori primari falliscono o non sono disponibili.
• Efficienza Operativa: Ridurre la necessità di complessi modelli fisici e l'intervento umano nelle operazioni satellitari.

Tuttavia, gli autori mantengono una posizione modesta riguardo alla generalizzabilità di queste scoperte. Essi dichiarano esplicitamente che i risultati dipendono dall'apprendimento supervisionato in cui era disponibile una ground truth di alta qualità (da sensori stellari/FOG) per addestrare il modello. Il documento non afferma che la determinazione dell'assetto sia generalmente possibile utilizzando un solo sensore grossolano in assenza di tale ground truth o dati di simulazione. Piuttosto, pone che il modello ML incorpora implicitamente i bias non lineari dei sensori e le caratteristiche di disturbo specifiche del veicolo spaziale presenti nel reale ambiente di volo. Gli autori suggeriscono che i lavori futuri potrebbero esplorare l'uso di informazioni di ground-truth indirette (come immagini di osservazione terrestre o telecamere fisheye) per addestrare modelli dove i dati diretti di assetto ad alta precisione non sono disponibili, ma questo rimane una proposta per la ricerca futura piuttosto che un risultato dimostrato dello studio attuale.