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

私たちの頭上の空は、ますます混雑してきています。目に見える星々や時折現れる人工衛星の閃光を超えて、人類が作った物体による静かな交通渋滞が地球の軌道を回っています。この集団は「居住宇宙物体（resident space objects）」として知られ、稼働中の人工衛星、機能停止した宇宙船、使い古されたロケットの本体、そして数え切れないほどの小さな破片（デブリ）を含んでいます。これらの中で最も大きなものは地上設置のレーダー基地によって追跡されていますが、物体の膨大な数（カタログ化された項目だけでも数万個、追跡不可能な小さな破片に至っては数百万個）が、危険な環境を生み出しています。宇宙機関にとっての主要な課題は、単にこれらの物体を見つけることではなく、それらが正確にどこにあり、次にどこへ向かうのかを知ることです。これは、貴重な人工衛星を破壊したり、さらなるデブリを生み出したりする衝突を防ぐために極めて重要です。しかし、現在これらの物体を追跡するために用いられている手法は、データが不完全な場合に困難に直面します。レーダー基地は、人工衛星が頭上を通過する際にほんの一瞬の姿を捉えるだけであり、連続的なストリームではなく、断片的で乏しい情報の弧（アーク）しか提供できないことがよくあります。このような困難な条件下では、従来の数学的ツールは点と点を結びつけることに失敗し、軌道の景観に関する知識に空白を残してしまうのです。

この増大する複雑さに対処するため、インドのニッテ大学の研究者であるメハル・タージ氏とザビハ・カーン博士は、人工知能を用いて3つの困難な問題を同時に解決する、新しい統合システムを開発しました。それは、どのレーダーの反応（ブリップ）がどの物体に属するかを特定し、次にどのレーダーがどこを見るべきかを決定し、そして物体の経路を高精度に計算するというものです。彼らの研究は、一つのコンピュータプログラムが物体の正体を推測し、別のプログラムがレーダーの向きを決めるという、これらのタスクを別々に処理するという古い手法から脱却しています。代わりに、彼らはこれら3つすべてを同時に学習する、単一の統合されたフレームワークを作り上げました。このアプローチは、レーダー基地が物体に対して数秒間のデータしか得られない「疎な測定（sparse measurement）」の領域に特化して設計されています。異なる種類の人工知能を組み合わせることで、チームは、専門の人間アナリストが不確実性の中で推論する方法を模倣しつつ、機械としてのスピードと一貫性を備えたシステムを構築しました。

彼らの解決策の核心は、新しいレーダーデータと既存の宇宙物体の記録をどのように結びつけるかにあります。混雑した空では、レーダーが1秒間に100個のブリップを検出することもありますが、どのブリップが既知の人工衛星に対応しているのかはすぐには分かりません。従来の手法は、あらゆる可能な組み合わせをテストすることでこれを解決しようとしますが、物体の数が増えるにつれて、このプロセスは不可能に近いほど遅くなります。新しいシステムは、多くの異なるアイテム間の関係を理解することに長けた人工知能の一種である「グラフベース・ニューラルネットワーク」を使用しています。これは、レーダーの測定値と既知の人工衛星の軌道を地図上の点として扱い、それらの間の適合の可能性に基づいて線を描くものです。決定的なのは、このネットワークが軌道物理学の理解に基づいて構築されている点です。つまり、物体は重力によって支配される特定の予測可能な方法で移動するということを知っているのです。これにより、システムはすべての可能性を計算することなく、不可能な一致を即座に排除することができます。テストにおいて、この手法は、特にレーダーデータが非常に短い場合、従来の技術よりも遥かに高速かつ正確であることが証明されました。

システムがどのブリップがどの物体に属するかを特定したら、次はレーダー基地の限られた時間をどのように使うかを決定しなければなりません。レーダーはすべてを一度に監視することはできず、最も有用な情報を得るためにどの物体を追跡すべきかを選択する必要があります。研究者たちは、試行錯誤を通じて学習する人工知能の一種である「強化学習エージェント」を、スマートなスケジューラーとして訓練しました。このエージェントは、宇宙物体の全カタログと現在の不確実性のレベルを確認します。もし人工衛星の位置が十分に把握されていない場合は、その人工衛星を優先し、レーダーにさらなるデータを収集するよう指示します。もし人工衛星が十分に追跡されている場合は、エージェントは次の対象へと移ります。この動的なアプローチにより、レーダーネットワークは固定された厳格なスケジュールに従うのではなく、最も必要とされる場所にエネルギーを集中させることができます。結果として、このインテリジェントなスケジューリングは、標準的なルールベースのスケジューリング手法と比較して、宇宙カタログ全体の不確実性を最大75パーセント減少させました。

パズルの最後のピースは、これらの疎で短いデータの断片に基づいて、人工衛星の正確な経路を決定することです。標準的な数学モデルは、測定誤差が単純なベル型の曲線に従うと仮定することが多く、これはデータが豊富な場合にはうまく機能します。しかし、データが乏しい場合、真の不確実性は複雑で不規則なものになります。研究者たちは、これらの標準的なモデルを「ニューラル常微分方程式（neural ordinary differential equation）」システムに置き換えました。これは物理法則によって制約された機械学習モデルであり、予測される経路が常に現実世界において理にかなったものになるようにしつつ、乱雑な現実世界のデータからも学習できるものです。このハイブリッドなアプローチにより、システムは従来のメソッドよりも大幅に高い精度で物体の位置と速度を計算することができました。人工衛星が数百の破片に分裂する「断片化イベント」を含むシミュレーションにおいて、この新システムは、既存の最良の標準的手法と比較して、位置推定の誤差を78パーセント減少させました。

研究者たちは、空が静かで物体が少ない状況から、数百の人工衛星やデブリの破片が存在する混沌とした環境に至るまで、5つの異なるシナリオで彼らのフレームワークをテストしました。あらゆるケースにおいて、統合されたシステムは、データの関連付け、スケジューリング、および軌道計算を別々のステップとして扱う従来の手法を凌駕しました。最も劇的な改善が見られたのは、物体の数が多く、レーダーデータが極めて短い、最も困難な状況でした。800個の物体を含む極端な断片化イベントを用いたテストでは、従来の手法はデータを処理するのに時間がかかりすぎてリアルタイム運用ができなくなりましたが、新システムは数分の一秒というわずかな時間でタスクを完了しました。この研究は、これらの問題を単一の、つながった課題として扱うことが、一つずつ個別に解決するよりも優れた結果をもたらすことを裏付けています。この研究は高精度なシミュレーション内で行われており、インド宇宙研究機関（ISRO）からのライブレーダーデータに対してまだテストされていませんが、その結果は、宇宙の交通量を管理するための強力な新しい方向性を示唆しています。「見る」「決める」「予測する」というタスクを統合することで、このフレームワークは、増大する宇宙交通の複雑さを、より高いスピードと信頼性をもって管理する方法を提供しています。