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

기술 요약: 마이크로새틀라이트 비행 데이터를 이용한 머신러닝 기반 자세 센서 특성 평가

문제 정의
전통적인 위성 자세 결정은 대개 사전 정의된 물리 모델과 백색 잡음(white-noise) 가정을 기반으로 한 배치 추정(batch estimation) 또는 칼만 필터링에 의존한다. 이러한 방식은 미션 요구사항을 충족하는 데는 효과적이지만, 태양 센서나 자기장 센서와 같은 저정밀 자세 센서의 실제 관측 데이터에 내재된 복잡하고 구조적이며 비선형적인 오차 패턴을 완전히 포착하지 못할 수 있다. 전통적인 접근 방식은 이러한 모델링되지 않은 효과를 무작위 오차로 취급한다. 또한, 위성 운용의 효율성 증대, 발사 비용 절감, 저궤도에서의 신속한 배포 필요성이 증가함에 따라 인간의 작업량과 운용 시간을 줄일 수 있는 기술이 필요하다. 본 연구는 고전적인 필터링을 넘어 머신러닝(ML) 역량을 탐구함으로써, 완료된 마이크로새틀라이트 미션의 실제 비행 데이터를 사용하여 자세 결정 성능 및 센서 오차 특성을 재평가하는 과제를 다룬다.

연구 방법론
본 연구는 RISING-4 마이크로새틀라이트(2021년부터 2023년까지 도호쿠 대학교에서 운용된 50cm급 위성)의 비행 데이터를 활용한다. 방법론으로는 온보드 별 추적 센서(star sensor)와 파이버 광학 자이로(FOG)로부터 도출된 고품질 자세 결정 결과를 "그라운드 트루스(ground truth)"로 사용하는 지도 학습 방식을 채택한다.

• 데이터 준비: 5개의 온오빗(on-orbit) 관측 로그 세트를 사용하였다. 4개의 패스(P1–P4)는 학습용으로 지정되었고, 1개의 독립적인 패스(P5)는 테스트용으로 사용되었다. 입력 데이터($X$)는 저정밀 센서(태양 센서 및 자기장 센서)의 시계열 측정값, 모델 유도 벡터(관성 좌표계에서의 태양, 자기장, 지구 방향), 그리고 자이로 각속도로 구성되었다. 출력($Y$)은 자세 쿼터니언(quaternion)이며, 이는 수정 로드리게스 파라미터(MRP)로 변환되었다.
• 모델 아키텍처: 1차원 합성곱 신경망(Conv1D)이 사용되었다. 이 아키텍처는 연속적인 시계열 센서 측정값(기본값으로 시간 창 $n=5$ 채택)을 처리하여 자세를 회귀적으로 예측한다. 모델은 입력 벡터를 확장된 특징 차원(21 $\to$ 64 $\to$ 128)을 통해 변환한 후, ReLU 활성화 함수와 과적합 방지를 위한 1% 드롭아웃 비율을 사용하여 출력(3개 요소)으로 압축한다.
• 학습 전략: 모델은 예측된 자세와 그라운드 트루스 사이의 제곱평균제곱근(RMS) 회전각 오차를 최소화하도록 학습되었다. 시간적 편향을 피하기 위해, 시계열 데이터에서 생성된 학습 세트는 학습 전 무작위로 셔플링되었다.

주요 기여

1. 소급적 ML 적용: 본 연구는 AI 없이 개발 및 운용된 미션의 비행 데이터에 머신러닝 기술을 적용함으로써, ML이 과거 데이터로부터 구조적 오차 패턴을 추출할 수 있음을 입증하였다.
2. 센서 특성 규명: 별 추적 센서/FOG 데이터를 그라운드 트루스로 취급함으로써 태양 및 자기장 센서의 오차 특성을 재평가하였으며, 비선형 바이어스(bias)와 정렬 오차가 학습 및 보정될 수 있음을 확인하였다.
3. 단일 센서 가능성 조사: 물리적 모델 없이 단일 센서 유형(예: 일식 기간 중 자기 센서 단독 사용) 또는 조합을 사용하는 자세 결정의 타당성을 조사하였다. 이를 통해 ML이 입력 특징에 두 벡터(TRIAD 방식의 필수 조건)가 엄격히 충족되지 않는 상황에서도 센서 측정값과 자세 사이의 관계를 학습할 수 있음을 보여주었다.

결과

• 성능 비교: TRIAD 방식을 사용한 전통적인 자세 결정은 약 7.34 deg 수준의 RMS 오차를 나타냈다. 반면, 제안된 ML 방식은 현저히 낮은 오차를 달 기록하였다:
  • 학습 세트: 최적의 구성(예: 태양 및 자기 센서와 모델 벡터, 자이로 데이터를 모두 포함한 Case C1e 및 C1f)에서 약 0.7 deg의 RMS 오차를 달성하였다.
  • 테스트 세트: 독립적인 테스트 패스(P5)에서 가장 성능이 좋은 모델들은 센서 조합에 따라 2.1 deg에서 3.0 deg 사이의 RMS 오차를 달성하였다.
• 센서 조합:
  • 태양 센서, 자기 센서 및 모델 유도 벡터의 조합은 유리한 성능을 제공하였다.
  • 자이로 측정값을 제외하더라도 태양 및 자기 센서의 조합은 여전히 효과적이었다.
  • 결정적으로, 본 연구는 자기장 측정만을 사용한 경우(Case C3f)에도 테스트 세트 RMS 2.1 deg를 기록하였으며, 이는 태양 센서를 사용할 수 없는 일식 조건에서도 일정 수준의 정확도 달성이 가능함을 시사한다.
  • 모델 벡터 없이 단일 센서 유형(예: 태양 센서 단독)만을 사용했을 때는 오차가 현저히 높아졌으며, 이는 보조 데이터나 학습된 컨텍스트의 중요성을 나타낸다.
• 일반화: 본 연구는 학습 세트에서 가장 우수한 성능을 보인 모델이 항상 테스트 세트에서 최고의 결과를 내는 것은 아니라는 점을 언급하며, 일반화 능력 평가의 중요성을 강조하였다. 표준화된 기동 전략 덕분에 학습 패스와 테스트 패스 간의 시계열 데이터 프로파일이 매우 유사했다는 점이 모델의 효과성에 기여하였다.

의의 및 주장
본 논문은 머신러닝 기반 방식이 미래 위성의 온보드 연산과 과거 미션의 오프라인 분석 모두에 유망한 후보임을 주장한다. 본 연구는 제안된 접근 방식이 특히 다음의 경우에 가치가 있다고 강조한다:

• 초기 획득 지원: 별 추적 센서에 의존하지 않고 별 추적 센서 획득이나 지상국 통신을 위한 최적의 자세로 우주선을 유도함.
• 중복성(Redundancy): 주요 센서가 고장 나거나 사용할 수 없을 때 보조적인 자세 추정을 제공함.
• 운용 효율성: 복잡한 물리적 모델링과 위성 운용에 필요한 인간의 개입을 줄임.

그러나 저자들은 이러한 결과의 일반화 가능성에 대해 신중한 입장을 유지한다. 그들은 결과가 고품질의 그라운드 트루스(별 추적 센서/FOG로부터 얻은)가 가용한 지도 학습에 의존한다는 점을 명시한다. 본 논문은 그라운드 트루스나 시뮬레이션 데이터가 없는 상태에서 단일 저정밀 센서만으로 자세 결정이 일반적으로 가능하다는 주장을 하지 않는다. 대신, ML 모델이 실제 비행 환경에 존재하는 비선형 센서 바이어스와 우주선 특유의 교란 특성을 암묵적으로 내포하고 있다고 본다. 저자들은 직접적인 고정밀 자세 데이터가 없는 경우, 간접적인 그라운드 트루스 정보(예: 지구 관측 영상 또는 피쉬아이 카메라 데이터)를 사용하여 모델을 학습하는 방안을 향후 연구 과제로 제안하였으나, 이는 현재 연구의 입증된 결과가 아닌 향후 연구를 위한 제안이다.