Unified Orbit-Attitude Estimation and Sensor Tasking Framework for Autonomous Cislunar Space Domain Awareness Using Multiplicative Unscented Kalman Filter

Questo lavoro presenta un quadro avanzato per la consapevolezza dello spazio cislunare che integra un filtro di Kalman unscented moltiplicativo per la stima congiunta di orbita e assetto con un'ottimizzazione dell'architettura dei sensori e dell'attività di puntamento basata su algoritmi evolutivi e informazione mutua, dimostrando tramite simulazioni come tali strategie permettano di gestire le dinamiche non lineari del regime cislunare e di bilanciare le risorse di sensing con le prestazioni di stima.

L'essenziale

Immagina lo spazio tra la Terra e la Luna non come un vuoto silenzioso, ma come un'autostrada cosmica sempre più affollata. Con la missione Artemis, nuovi satelliti commerciali e missioni internazionali, ci sono sempre più "auto" (oggetti spaziali) che viaggiano in questa zona. Il problema? È un'autostrada molto strana: le regole della fisica qui sono diverse da quelle vicino alla Terra, e c'è molta nebbia (oscurità, angoli di visibilità difficili) che rende difficile vedere chi c'è intorno e cosa sta facendo.

Questo articolo scientifico propone un sistema intelligente per gestire il traffico spaziale cislunare, diviso in due grandi passi, come se dovessimo organizzare un servizio di sicurezza per questa autostrada.

Passo 1: Dove posizionare le telecamere? (L'Architettura)

Immagina di dover installare delle telecamere di sicurezza per monitorare un vasto parco giochi. Non puoi metterle a caso. Se le metti tutte vicine, vedi solo una piccola parte. Se le metti troppo distanti, perdi i dettagli.

Gli autori hanno creato un algoritmo intelligente (chiamato "Tree of Parzen Estimators", che puoi immaginare come un detective molto esperto che prova milioni di combinazioni) per trovare la disposizione perfetta di questi satelliti "osservatori".

• La sfida: Devono scegliere tra centinaia di possibili orbite (come strade diverse nel cielo) e decidere quanti satelliti mettere su ciascuna.
• Il costo: Non vogliono sprecare soldi. Vogliono usare il minor numero di satelliti possibile, ma che siano stabili (che non si rompano o non escano di strada) e che coprano il maggior numero di "auto" possibili.
• Il risultato: L'algoritmo ha trovato che la soluzione migliore non è mettere satelliti ovunque, ma concentrarli su orbite specifiche (come le "Halo" intorno ai punti di equilibrio gravitazionale) e usarne meno di quanto ci si aspetterebbe, ottenendo comunque una copertura eccellente. È come trovare il punto esatto da cui guardare un concerto per vedere tutto il palco senza dover spostare la sedia.

Passo 2: Cosa guardare e quando? (L'Assegnazione dei Compiti)

Una volta posizionati i satelliti, il problema diventa: chi guarda cosa e per quanto tempo?

Immagina di avere 20 guardie (i satelliti) e 100 ladri sospetti (gli oggetti da monitorare). Non puoi far guardare tutte le guardie a tutti i ladri contemporaneamente. Devi decidere chi segue chi.

• La strategia: Il sistema usa una "bussola matematica" basata sull'informazione reciproca. In parole povere, chiede: "Qual è la prossima mossa che ci darà la massima informazione possibile su dove si trovano questi oggetti?"
• Il ritmo: Le guardie non cambiano obiettivo ogni secondo (sarebbe troppo confuso). Cambiano obiettivo ogni ora (o ogni mezz'ora), ma tra un cambio e l'altro, continuano a tracciare la posizione degli oggetti ogni pochi secondi con un calcolatore super-veloce (il Filtro di Kalman).

Cosa hanno scoperto? (Le Sorprese)

I ricercatori hanno simulato questa situazione e hanno trovato due cose molto interessanti, che possiamo paragonare a due tipi di guida:

1. Dove si trova l'oggetto (Posizione): È come guidare un'auto. Anche se hai pochi satelliti o cambi obiettivo ogni tanto, riesci a capire abbastanza bene dove si trova l'oggetto. Il sistema è molto bravo a dire "L'oggetto è qui".
2. Come gira l'oggetto (Orientamento/Attitudine): Questo è come capire se l'auto sta facendo una curva stretta, se sta scivolando o se sta ruotando su se stessa. Qui le cose si complicano.
   • Se hai tanti oggetti da monitorare e poche guardie, il sistema inizia a "confondersi" su come ruotano gli oggetti.
   • Se fai cambiare obiettivo alle guardie troppo raramente (ogni 4 ore invece che ogni 30 minuti), la stima della rotazione diventa molto imprecisa. È come se guardassi un ballerino solo una volta ogni ora: non riesci a capire se sta facendo una piroetta veloce o un passo lento.

In sintesi

Questo studio ci dice che per monitorare lo spazio profondo (tra Terra e Luna) non serve necessariamente un esercito infinito di satelliti. Serve intelligenza:

1. Posizionarli nei punti giusti (le orbite giuste).
2. Farli lavorare in squadra, decidendo strategicamente chi guardare.

Il sistema funziona benissimo per sapere dove sono le cose, ma ha bisogno di più risorse o aggiornamenti più frequenti per capire esattamente come stanno ruotando. È un passo fondamentale per rendere lo spazio cislunare sicuro, pulito e gestibile per le future missioni umane e commerciali.

Sommario tecnico

Titolo: Quadro Unificato per la Stima Orbitale-Attitudinale e l'Assegnazione dei Sensori per la Consapevolezza del Dominio Spaziale Cis-Lunare Autonomo

1. Il Problema

Con l'aumento previsto delle attività umane e commerciali nello spazio cis-lunare (la regione tra la Terra e la Luna), c'è un bisogno critico di estendere le capacità di Consapevolezza del Dominio Spaziale (SDA) oltre l'orbita terrestre bassa. Tuttavia, il monitoraggio in questa regione presenta sfide uniche rispetto all'orbita terrestre:

• Dinamiche Complesse: Il regime cis-lunare è governato da dinamiche fortemente non lineari e non kepleriane (modello del Problema dei Tre Corpi Circolari Restretto - CR3BP), che complicano la propagazione dell'incertezza e la stima dello stato.
• Vincoli Osservativi: Le lunghe distanze di osservazione, le geometrie di visibilità restrittive, le occultazioni e le condizioni di illuminazione variabili (eclissi, zone di esclusione Sole-Terra-Luna) degradano il rapporto segnale-rumore e riducono le finestre di osservazione.
• Scalabilità: La necessità di monitorare un volume spaziale vasto con risorse sensoriali limitate richiede un'ottimizzazione sistematica sia del posizionamento dei sensori (architettura) che della loro gestione operativa (tasking).

2. Metodologia

Gli autori propongono un framework integrato che affronta due compiti principali sequenziali ma interconnessi:

Compito 1: Ottimizzazione dell'Architettura degli Osservatori

• Obiettivo: Identificare la configurazione ottimale di orbite e numero di satelliti osservatori.
• Spazio di Ricerca: Vengono considerate 13 famiglie di orbite periodiche nel sistema Terra-Luna (es. orbite Halo, Lyapunov, Butterfly, Dragonfly) attorno ai punti di Lagrange.
• Ottimizzazione: Viene utilizzata un'ottimizzazione Bayesiana basata sull'algoritmo Tree-structured Parzen Estimator (TPE) per esplorare lo spazio di progettazione ad alta dimensionalità.
• Funzione di Costo: È stata sviluppata una nuova funzione di costo composita ($J$) che bilancia sei fattori:
  1. Numero totale di satelliti (penalizza l'eccesso).
  2. Stabilità orbitale (basata sugli autovalori della matrice di monodromia).
  3. Osservabilità cumulativa dei target.
  4. Frequenza di osservazione per singolo target.
  5. Prossimità ai corpi primari (Terra e Luna).
  6. Unicità delle orbite selezionate.
• Scenario: L'ottimizzazione è stata testata su tre scenari di densità di target statici (100, 2000, 10000 punti fissi nel frame rotante CR3BP).

Compito 2: Assegnazione dei Sensori e Stima dello Stato

• Obiettivo: Gestire dinamicamente i sensori per tracciare target in movimento e stimare sia lo stato traslazionale (orbita) che quello rotazionale (assetto).
• Strategia di Tasking: Utilizza un approccio "greedy" (avido) a singolo passo che massimizza l'Informazione Mutua tra le assegnazioni sensore-target. Le decisioni di tasking sono aggiornate a intervalli discreti (es. ogni 30 min - 4 ore).
• Stima dello Stato: Tra un aggiornamento di tasking e l'altro, lo stato viene stimato a una risoluzione temporale più fine (30 secondi) utilizzando un Filtro di Kalman Unscented Multiplicativo in Stato di Errore (Error-State Multiplicative UKF).
  • Modellazione: L'assetto è rappresentato globalmente da quaternioni, mentre gli errori di assetto sono parametrizzati localmente con i Parametri Generalizzati di Rodrigues (GRP) per evitare singolarità.
  • Misurazioni: Angoli di linea di vista (ascensione retta e declinazione) e magnitudine fotometrica.
  • Fotometria: Per la simulazione ad alta fedeltà viene utilizzato il modello Cook-Torrance BRDF (Bidirectional Reflectance Distribution Function) basato su micro-facce, che cattura riflessioni speculari e diffuse realistiche. Per l'ottimizzazione architetturale, viene usato un modello analitico semplificato (sfera Lambertiana) per ridurre il costo computazionale.

3. Contributi Chiave

1. Framework Unificato: Integrazione di ottimizzazione architetturale e gestione operativa dei sensori in un unico flusso di lavoro per l'SDA cis-lunare.
2. Nuova Funzione di Costo: Sviluppo di una metrica composita che cattura i compromessi critici tra costi, stabilità, osservabilità e geometria per l'ottimizzazione delle costellazioni.
3. Algoritmo di Ottimizzazione: Applicazione efficace del TPE (Bayesian Optimization) per risolvere problemi di selezione di orbite e assegnazione di risorse in spazi di ricerca complessi e discontinui, superando le prestazioni della ricerca casuale.
4. Stima Accoppiata Orbita-Assetto: Implementazione di un UKF che stima simultaneamente posizione, velocità, assetto e velocità angolare in un ambiente dinamico non kepleriano, utilizzando misurazioni ottiche passive.
5. Analisi di Scalabilità: Studio sistematico di come il rapporto tra numero di target e numero di osservatori, nonché l'intervallo di tasking, influenzino la convergenza della stima, con particolare attenzione alla divergenza dello stato rotazionale.

4. Risultati

• Ottimizzazione Architetturale (Task 1):
  • L'algoritmo TPE ha identificato architetture con un numero inferiore di sensori rispetto alla ricerca casuale, ottenendo valori di funzione di costo significativamente migliori.
  • Le soluzioni ottimali hanno selezionato tra 20 e 43 osservatori a seconda della densità dei target, privilegiando le famiglie di orbite Halo Nord e Sud attorno a L2.
• Prestazioni di Stima (Task 2):
  • Stato Traslazionale: La stima della posizione e della velocità rimane soddisfacente su un'ampia gamma di rapporti target/osservatori e intervalli di tasking.
  • Stato Attitudinale (Assetto): La stima dell'assetto è molto più sensibile.
    • Quando il numero di target è uguale o inferiore al numero di osservatori, le prestazioni sono buone.
    • All'aumentare del rapporto target/osservatori e con intervalli di tasking più lunghi (es. 4 ore), si osservano frequenti divergenze nello stato rotazionale, mentre lo stato traslazionale rimane stabile.
  • Impatto del Tasking: Intervalli di tasking più lunghi degradano le prestazioni, ma l'effetto è molto più marcato per l'assetto rispetto all'orbita.

5. Significato e Implicazioni

Questo lavoro fornisce una base teorica e pratica fondamentale per lo sviluppo di sistemi autonomi di sorveglianza nello spazio cis-lunare. Dimostra che:

• È possibile progettare costellazioni efficienti di sensori ottici sfruttando le dinamiche complesse del CR3BP.
• Esiste un compromesso critico tra le risorse di sensing (numero di satelliti), la frequenza di aggiornamento delle decisioni (tasking) e la capacità di stimare l'assetto dei target.
• Le misurazioni ottiche passive, sebbene efficaci per la determinazione orbitale, offrono un'osservabilità limitata per l'assetto in geometrie vincolate, suggerendo la necessità di strategie di tasking future che bilancino esplicitamente l'informazione guadagnata sia per la traslazione che per la rotazione.
• Il framework proposto è scalabile e pronto per essere esteso a scenari con sensori eterogenei e vincoli di comunicazione inter-costellazione.