Riassunto Tecnico: Flussi Normalizzanti Condizionali Physics-Informed per la Determinazione dell'Orbita Solo-Angoli in Ambiente Cislunare

Definizione del Problema

Questo lavoro affronta la sfida della Determinazione dell'Orbita Iniziale (IOD) all'interno dell'ambiente cislunare, specificamente per veicoli spaziali che operano in Orbite Halo Rettilinee Vicine (NRHO) attorno al punto $L_2$ Terra-Luna. Il problema è formulato come un compito di stima solo-angoli (angles-only), dove l'obiettivo è inferire la distribuzione di probabilità dello stato geocentrico iniziale di un bersaglio ($X_1 \in \mathbb{R}^6$) basandosi esclusivamente su un arco breve di misurazioni di azimut ed elevazione ($\theta, \phi$) raccolte da una stazione a terra (Cebreros, Spagna).

Il problema è caratterizzato da difficoltà significative:

• Scarsità di Dati: Le osservazioni sono limitate ad archi brevi (50–150 minuti) con cadenza sparsa.
• Complessità Dinamica: L'ambiente cislunare è governato dal Problema dei Tre Corpi Ristretto Circolare (CR3BP), che esibisce un'instabilità intrinseca e un comportamento caotico.
• Assenza di Prior: A differenza della determinazione orbitale (OD) di routine, l'IOD manca di informazioni sullo stato pregresse, rendendo il problema inverso altamente non lineare e incline a minimi locali nei metodi di ottimizzazione tradizionali.
• Assenza di GNSS: Non esiste un sistema di navigazione satellitare globale (GNSS) dedicato alla regione cislunare, rendendo necessaria la dipendenza dal tracciamento ottico.

Metodologia

Gli autori propongono un framework di Astrodinamica Generativa che tratta la determinazione dell'orbita come un problema di stima della densità condizionale. Invece di risolvere direttamente per un singolo vettore di stato, il modello apprende la distribuzione di probabilità condizionata $p(\bar{X}_1 | Y)$, dove $Y$ rappresenta la sequenza di osservazioni solo-angoli.

1. Architettura Generativa: Flussi Normalizzanti Condizionali

Il nucleo dell'approccio è un modello di Flusso Normalizzante Condizionale (CNF), nello specifico un'architettura Real Non-Volume Preserving (Real-NVP).

• Trasformazione: Il modello definisce una mappatura invertibile $f: \mathbb{R}^6 \to \mathbb{R}^6$ che trasforma lo stato iniziale target $\bar{X}_1$ in una variabile latente $w$ estratta da una distribuzione di base nota (Gaussiana multivariata standard).
• Condizionamento: Il flusso è condizionato sull'arco di osservazione $Y_k$. Per gestire sequenze di osservazione a lunghezza variabile e diverse posizioni degli osservatori, un encoder basato su Transformer elabora la sequenza di osservazione $Y_k$ in una rappresentazione di dimensione fissa $\tilde{Y}_k$, che viene poi concatenata con le componenti di stato mascherate in ogni strato di accoppiamento (coupling layer).
• Campionamento: Durante l'inferenza, i campioni latenti vengono generati perturbando i codici latenti derivati dai dati di addestramento ($w_{inf} = w_{train} + 0.1\varepsilon$). Questi vengono mappati attraverso il flusso inverso $g(w|Y_{new})$ per generare un insieme di ipotesi di stato iniziale statisticamente coerenti.

2. Regolarizzazione Physics-Informed

Una componente critica della metodologia è l'integrazione delle leggi fisiche nella funzione di perdita (loss function) di addestramento per garantire la coerenza dinamica.

• Loss Standard: Il modello minimizza la log-verosimiglianza negativa della distribuzione condizionata ($L_{flow}$).
• Loss Fisica ($L_{phys}$): Viene introdotto un termine aggiuntivo per penalizzare gli stati che, pur essendo statisticamente probabili, violano le equazioni del moto. Questo viene calcolato:
  1. Propagando lo stato iniziale generato nel tempo utilizzando le Equazioni del Moto del CR3BP (integrate tramite RK4).
  2. Calcolando gli osservabili solo-angoli predetti.
  3. Calcolando il vettore residuo $\bar{\sigma}$ tra le misurazioni predette e quelle reali.
  4. Minimizzando la norma al quadrato di questi residui.
• Obiettivo Totale: La loss combinata è $L = L_{flow} + \beta L_{phys}$, dove $\beta$ è un coefficiente di ponderazione che aumenta linearmente durante i primi 100 epoche di addestramento.

3. Pipeline di Stima Ibrida

Il modello generativo funge da warm start per gli algoritmi di stima classici. Il flusso di lavoro è:

1. Generazione: Il CNF genera molteplici ipotesi di stato iniziale plausibili condizionate dalle nuove misurazioni.
2. Raffinamento: Queste ipotesi vengono fornite a un algoritmo di Stima dei Minimi Quadrati Non Lineari (NLSE) (schema iterativo di Gauss-Newton) per raffinare le stime e minimizzare i residui di misura.

Contributi Chiave

1. Formulazione Generativa dell'IOD: Il documento estende l'Astrodinamica Generativa al dominio cislunare, inquadrando l'IOD come un compito di stima della densità condizionale piuttosto che come un problema inverso deterministico. Ciò consente la rappresentazione di posteriore multimodali e della relativa quantificazione dell'incertezza.
2. Flussi Normalizzanti Physics-Informed: Gli autori dimostrano che aumentare l'addestramento basato sulla verosimiglianza dei flussi normalizzanti con un termine di perdita informato dalla fisica ($L_{phys}$) è essenziale. Sebbene il flusso possa apprendere a ricostruire i dati di addestramento senza questo termine, la loss fisica agisce come regolarizzatore che assicura che il manifold latente appreso preservi la coerenza dinamica, impedendo la generazione di stati fisicamente inadmissibili durante l'inferenza.
3. Strategia di Inizializzazione Robusta: Lo studio valida il CNF come una strategia di inizializzazione superiore per la NLSE classica rispetto alle approssimazioni naive (ad esempio, l'uso dello stato della Luna come proxy).

Risultati

Il modello è stato addestrato su un dataset sintetico di 4.119 archi di osservazione validi derivati da 10 traiettorie NRHO distinte.

• Dinamica di Addestramento: L'inclusione di $L_{phys}$ ha portato a un processo di addestramento stabile in cui la distribuzione latente è rimasta vicina alla Gaussiana di base pur catturando le deviazioni necessarie per la fedeltà fisica.
• Confronto delle Prestazioni:
  • Vs. Approssimazione Basata sulla Luna: L'inizializzazione basata sul flusso ha superato significativamente l'inizializzazione basata sullo stato della Luna, producendo errori di posizione/velocità inferiori e residui post-fit molto più piccoli. L'approccio basato sulla Luna spesso convergeva verso minimi locali.
  • Vs. Inizializzazione Esatta: L'approccio basato sul flusso ha raggiunto un'accuratezza comparabile all'inizializzazione della NLSE con lo stato reale esatto, dimostrando la sua capacità di fornire punti di partenza di alta qualità.
• Studio di Ablazione: La rimozione del termine di perdita physics-informed ha portato a un degrado della robustezza. Sebbene i residui medi rimanessero bassi, il modello produceva errori massimi elevati (fino a circa 9.600 km in posizione), indicando un fallimento nel generalizzare verso soluzioni fisicamente coerenti al di fuori del manifold immediato di addestramento.

Significato e Rivendicazioni

Il documento afferma che questo lavoro rappresenta un passo avanti significativo nell'Astrodinamica Generativa, applicando con successo i flussi normalizzanti condizionali a un problema di navigazione complesso e reale (IOD cislunare).

La principale significatività risiede nella sinergia tra AI generativa e leggi fisiche. Gli autori sostengono che:

• I modelli generativi puramente basati sui dati possono produrre stati statisticamente plausibili ma dinamicamente impossibili.
• La loss physics-informed non è solo un potenziatore delle prestazioni, ma un vincolo necessario per garantire che il modello generativo apprenda la struttura dinamica sottostante del CR3BP.
• Il metodo proposto offre un'alternativa probabilistica alla OD deterministica, offrendo un meccanismo naturale per la quantificazione dell'incertezza e la gestione di spazi di soluzione multimodali (ad esempio, più orbite valide che si adattano allo stesso arco breve).
• Come warm start per gli algoritmi classici, il metodo mitiga il rischio di convergenza verso minimi locali, un vantaggio critico nell'ambiente cislunare altamente non lineare dove gli archi di osservazione sono brevi e rumorosi.

Gli autori concludono che questo approccio ha il potenziale per essere esteso a scenari di navigazione spaziale più ampi, inclusi l'osservazione sparsa e la navigazione autonoma a bordo, a condizione che il lavoro futuro ne validi le prestazioni su dati osservativi reali.