技術要約：角度のみのシスルナ軌道決定のための物理情報付き条件付き正規化流

問題提起

本研究は、シスルナ（地球・月間）環境における**初期軌道決定（IOD）の課題に取り組んでいる。具体的には、地球－月 $L_2$ 点周りの近直線性ハロ軌道（NRHO）を周回する宇宙機を対象としている。問題は角度のみ（angles-only）**の推定タスクとして定式化されており、目的は、地上局（スペイン、セブレロス）によって収集された方位角および仰角の観測値（$\theta, \phi$）の短いアークのみに基づいて、対象の初期地球中心状態（$X_1 \in \mathbb{R}^6$）の確率分布を推論することである。

この問題は、以下の顕著な困難を伴う：

• データの希少性: 観測は、短いアーク（50～150分）と疎なケイデンスに限定されている。
• 力学的な複雑さ: シスルナ環境は円制限三体問題（CR3BP）によって支配されており、本質的な不安定性とカオス的挙動を示す。
• 事前情報の欠如: 定常的な軌道決定（OD）とは異なり、IODには事前の状態情報が存在しないため、逆問題は極めて非線形であり、従来の最適化手法では局所解に陥りやすい。
• GNSSの不在: シスルナ領域には専用のグローバル・ナビゲーション・サテライト・システム（GNSS）が存在しないため、光学追跡への依存が必要となる。

手法

著者らは、軌道決定を条件付き密度推定問題として扱う**生成アストロダイナミクス（Generative Astrodynamics）**フレームワークを提案している。単一の状態ベクトルを直接解くのではなく、モデルは観測シーケンス $Y_k$ に条件付けられた条件付き確率分布 $p(\bar{X}_1 | Y)$ を学習する。

1. 生成アーキテクチャ：条件付き正規化流

本手法の中核は、**条件付き正規化流（Conditional Normalizing Flow: CNF）**モデル、具体的には Real Non-Volume Preserving (Real-NVP) アーキテクチャである。

• 変換: モデルは、対象の初期状態 $\bar{X}_1$ を既知の基底分布（標準多変量ガウス分布）から導出された潜在変数 $w$ へと変換する可逆写像 $f: \mathbb{R}^6 \to \mathbb{R}^6$ を定義する。
• 条件付け: フローは観測アーク $Y_k$ に条件付けられる。可変長の観測シーケンスと多様な観測点の位置を扱うために、Transformerベースのエンコーダが観測シーケンス $Y_k$ を固定サイズの表現 $\tilde{Y}_k$ に処理し、これが各カップリング層においてマスクされた状態成分と結合される。
• サンプリング: 推論時、訓練データから導出された潜在コードを用いて潜在変数を摂動させることで（$w_{inf} = w_{train} + 0.1\varepsilon$）、一連の統計的に一貫した初期状態の仮説を生成する。これは逆フロー $g(w|Y_{new})$ を通じてマップされる。

2. 物理情報付き正則化

手法の重要な構成要素は、物理法則を訓練損失関数に統合し、力学的な整合性を確保することである。

• 標準損失: モデルは、条件付き分布の負の対数尤度（$L_{flow}$）を最小化する。
• 物理損失 ($L_{phys}$): 統計的に確からしいものの、運動方程式に違反する状態にペナルティを与える追加項が導入される。これは以下のように計算される：
  1. 生成された初期状態を、CR3BPの運動方程式（RK4による積分）を用いて時間方向に前方伝播させる。
  2. 予測される角度のみの観測量を計算する。
  3. 予測値と実際の観測値の間の残差ベクトル $\bar{\sigma}$ を計算する。
  4. これらの残差の二乗ノルムを最小化する。
• 全目的関数: 合計損失は $L = L_{flow} + \beta L_{phys}$ であり、ここで $\beta$ は訓練の最初の100エポック中に線形に増加する重み係数である。

3. ハイブリッド推定パイプライン

生成モデルは、古典的な推定アルゴリズムのための**ウォームスタート（暖機運転）**として機能する。ワークフローは以下の通りである：

1. 生成: CNFは、新しい観測値に条件付けられた複数の妥当な初期状態仮説を生成する。
2. 精緻化: これらの仮説は、推定値を精緻化し観測残差を最小化するために、**非線形最小二乗推定（NLSE）**アルゴリズム（ガウス＝ニュートン反復スキーム）に投入される。

主な貢献

1. IODの生成的定式化: 本論文は、IODを決定論的な逆問題ではなく、条件付き密度推定タスクとして捉えることで、生成アストロダイナミクスをシスルナ領域へと拡張した。これにより、マルチモーダルな事後分布と固有の不確実性定量化の表現が可能となった。
2. 物理情報付き正規化流: 正規化流の尤度ベースの学習を、物理情報付きの損失項（$L_{phys}$）で増強することが不可欠であることを示した。フローは、この項がなくても訓練データを再構成するように学習できるが、物理損失は、学習された潜在多様体が力学的な整合性を保持することを保証する正則化因子として機能し、推論時に物理的に不適当な状態が生成されるのを防ぐ。
3. 堅牢な初期化戦略: CNFが、単純な近似（例：月の状態をプロキシとして使用するもの）と比較して、古典的なNLSEに対する優れた初期化戦略であることを検証した。

結果

モデルは、10個の異なるNRHO軌道から導出された4,119個の有効な観測アークを含む合成データセットを用いて訓練された。

• 訓練のダイナミクス: $L_{phys}$ の導入により、潜在分布が基底ガウス分布に近い状態を維持しながら、物理的な忠実度のための必要な偏差を捉えるという、安定した訓練プロセスが実現した。
• 性能比較:
  • 月ベースの近似との比較: フローベースの初期化は、月の状態に基づく初期化を大幅に上回り、より低い位置／速度誤差と、はるかに小さい適合後残差を実現した。月ベースのアプローチは頻繁に局所解に収束した。
  • 厳密な初期化との比較: フローベースのアプローチは、NLSEを厳密な真の状態で初期化した場合と同等の精度を達成し、高品質な開始点を提供する能力を示した。
• アブレーション研究: 物理情報付き損失項を取り除くと、堅牢性が低下した。平均的な残差は低く保たれたものの、モデルは大きな最大誤差（位置で最大約9,600 km）を生成しており、これは訓練の即時的な多様体の外側において、物理的に一貫した解への汎化に失敗していることを示している。

意義と主張

本論文は、複雑な現実世界のナビゲーション問題（シスルナIOD）に条件付き正規化流を適用することに成功した点において、生成アストロダイナミクスにおける重要な進展であると主張している。

主な意義は、生成AIと物理法則の相乗効果にある。著者らは以下の通り述べている：

• 純粋にデータ駆動型の生成モデルは、統計的に妥当であっても力学的に不可能な状態を生成する可能性がある。
• 物理情報付き損失は、単なる性能向上策ではなく、生成モデルがCR3BPの基礎となる力学構造を学習することを保証するための必須の制約である。
• 提案手法は、決定論的なODに対する確率的な代替手段を提供し、不確実性定量化や、マルチモーダルな解空間（例：同じ短いアークに適合する複数の有効な軌道）を扱うための自然なメカニズムを提供する。
• 古典的なアルゴリズムのためのウォームスタートとして、この手法は局所解への収束リスクを軽減する。これは、観測アークが短くノイズが多い、極めて非線形なシスルナ環境において決定的な利点となる。

著者らは、将来の研究が実際の観測データで検証されることを前提として、このアプローチが、希薄な観測や自律的なオンボード航法を含む、より広範な宇宙ナビゲーションシナリオに拡張できる可能性があると結論付けている。