논문 요약: 대리 센서 모델링을 통한 추정 프레임워크 내 상태 예측 (STATE FORECASTING IN AN ESTIMATION FRAMEWORK WITH SURROGATE SENSOR MODELING)

1. 문제 정의 (Problem Statement)

• 배경: 우주 상황 인식 (SSA) 분야에서 거주 우주 물체 (RSO) 의 궤도 예측은 충돌 회피 및 conjunction 분석에 필수적입니다.
• 핵심 과제:
  • 기존 물리 기반 모델 (Keplerian 등) 은 대기 저항, 태양 복사압, 천체 중력 섭동 등 복잡한 우주 환경 요인을 완전히 반영하기 어려워 예측 오차가 큽니다.
  • 관측 데이터 (레이더, 광학 센서 등) 가 불완전하거나 간헐적으로만 수집되는 경우 (Partial Observations), 정확한 상태 추정이 어렵습니다.
  • 머신러닝 (ML) 이나 시스템 식별 (SID) 기법을 적용할 때, 물리 법칙과 어떻게 통합하여 신뢰성 있고 일관된 예측을 할 수 있는지에 대한 방법론적 부재가 존재합니다.
• 목표: 제한된 관측 데이터와 센서 능력의 한계를 극복하기 위해, 단순화된 물리 모델과 데이터 기반 대리 (Surrogate) 모델을 융합하여 불완전한 관측 하에서도 정밀한 상태 추정 및 예측을 가능하게 하는 프레임워크 개발.

2. 제안된 방법론 (Methodology)

저자들은 **대리 측정 모델 (Surrogate Measurement Model)**과 **참조 역학 모델 (Reference Dynamics Model)**을 확장 칼만 필터 (EKF) 프레임워크 내에서 융합하는 새로운 접근법을 제시합니다.

가. 핵심 구성 요소

1. 대리 측정 모델 (Surrogate Model):

   • 알고리즘: Hankel-DMD (Dynamic Mode Decomposition) 를 사용합니다.
   • 역할: Koopman 연산자 이론에 기반하여 비선형 동역학 시스템을 선형 관측 공간으로 변환합니다. 기존 측정 데이터 (거리, 방위각, 고도 등) 를 학습하여, 직접 관측이 불가능한 시점에서의 **측정값을 예측 (Extrapolation)**하는 역할을 수행합니다.
   • 특징: 물리적 의미를 부여할 필요 없이 순수하게 측정 데이터의 패턴을 학습합니다.

2. 참조 역학 모델 (Reference Dynamics Model):

   • 역할: 시스템의 근사적인 거동을 설명하는 "플레이스홀더 (Placeholder)" 모델입니다.
   • 구현: 복잡한 섭동력을 고려하지 않은 단순한 케플러 2-체 모델 (Keplerian 2-body model) 등을 사용합니다.
   • 장점: 복잡한 물리 모델링이 필요 없으며, 초기 상태 추정치 제공 및 시간 전파에 사용됩니다.

3. 융합 프레임워크 (Fusion Framework - EKF):

   • 프로세스:
     1. 초기화: 수집된 측정 데이터로 초기 궤도 결정 (IOD) 을 수행하여 초기 상태 확률 밀도 함수 (PDF) 를 설정합니다.
     2. 예측 (Prediction): 참조 역학 모델을 사용하여 다음 시간 단계의 상태 ($\hat{x}^-$) 와 공분산을 전파합니다.
     3. 측정 예측: Hankel-DMD 기반 대리 모델이 해당 시점의 측정값 ($z$) 을 예측합니다.
     4. 업데이트 (Update): EKF 의 업데이트 단계를 통해 참조 모델의 상태 예측과 대리 모델의 측정 예측을 융합하여 정밀한 상태 추정치 ($\hat{x}^+$) 를 도출합니다.

나. 프레임워크의 특징

• 비결합 (Decoupling) 접근법: 데이터 기반 모델은 측정값 학습에만 집중하고, 물리 모델은 상태 전파에만 집중하도록 역할을 분리하여 모델링 복잡도를 줄이고 견고성을 높였습니다.
• 유연성: EKF 를 주 알고리즘으로 사용하지만, UKF 나 Particle Filter 등 다른 필터링 알고리즘과도 호환 가능합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 추정 프레임워크 제안: 물리 기반 모델과 데이터 기반 대리 모델을 EKF 를 통해 통합하여, 불완전한 관측 데이터 하에서도 시스템 동역학을 정확하게 재구성하는 방법론을 제시했습니다.
2. Hankel-DMD 기반 측정 예측: 비선형 시스템의 측정값을 Koopman 연산자 이론을 통해 선형적으로 모델링하고, 이를 필터링 프레임워크에 효과적으로 통합하는 기법을 검증했습니다.
3. 일관성 분석 (Consistency Analysis): Hankel-DMD 기반 대리 모델의 추정 오차 특성을 수학적으로 분석하여, 대리 모델의 예측 오차 공분산이 시간이 지남에 따라 증가할 수 있음을 증명하고, 이를 보정하기 위한 주기적 재학습 (Retraining) 의 필요성을 강조했습니다.
4. 다양한 시나리오 검증: 단순 진자, 국제우주정거장 (ISS), Molniya 궤도, Van der Pol 발진자, 그리고 지구 - 달 간 (Cislunar) Halo 궤도 등 다양한 동역학 시스템에 대한 적용 사례를 통해 프레임워크의 유효성과 한계를 규명했습니다.

4. 실험 결과 (Results)

• 단순 진자 (Simple Pendulum):
  • 감쇠가 없는 단순 모델 (참조 모델) 만으로는 오차가 매우 큽니다.
  • 제안된 프레임워크는 감쇠 효과를 학습한 대리 모델과 결합하여, 이상적인 측정값이 있는 경우와 유사한 성능을 보였으나, 장기적으로는 감쇠 효과의 비선형성으로 인해 성능이 저하되는 것을 확인했습니다.
• 국제우주정거장 (ISS):
  • 무잡음/잡음 위치 관측: $J_2$ 섭동 및 대기 저항 (Drag) 이 포함된 실제 동역학에 대해, 단순 케플러 모델을 참조로 사용했을 때 제안된 프레임워크가 높은 정확도를 보였습니다.
  • 비선형 관측 (거리, 방위각, 고도): 잡음이 포함된 비선형 관측 데이터에서도 프레임워크가 효과적으로 노이즈를 필터링하고 정확한 상태 추정을 수행했습니다.
• 한계 사례 분석:
  • Molniya-3-50 (고이심률 궤도): 궤도 주기가 길고 섭동 영향이 커서 Hankel-DMD 가 주파수 스펙트럼을 정확히 포착하지 못해 예측 오차가 크게 발생했습니다. (단일 학습의 한계)
  • Van der Pol 발진자: 참조 모델의 파라미터 ($\mu$) 가 실제 시스템과 너무 다르면 (예: $\mu=1$ vs $\mu=2$), EKF 융합만으로는 오차를 보정할 수 없어 추정이 실패했습니다. 이는 참조 모델의 초기 정확도가 중요함을 시사합니다.
• Cislunar (지구 - 달 간) 환경:
  • CR3BP (원형 제한 3 체 문제) 환경에서 잡음이 있는 관측 데이터에 대해 프레임워크가 효과적으로 작동하여, 3-$\sigma$ 신뢰 구간 내에서 안정적인 상태 추정을 가능하게 했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용적 가치: 우주 공간에서 센서 데이터가 부족하거나 간헐적인 상황에서도, 복잡한 물리 모델을 정교하게 구축하지 않고도 단순한 모델과 데이터 기반 기법의 결합을 통해 정밀한 상태 추정이 가능함을 입증했습니다.
• 방법론적 통찰:
  • 대리 모델은 측정값 예측에 특화되고, 물리 모델은 상태 전파에 특화되는 역할 분담이 핵심 성공 요인입니다.
  • 그러나 대리 모델의 외삽 능력은 제한적이므로, 새로운 측정 데이터가 들어올 때마다 모델을 **주기적으로 재학습 (Retraining)**해야 장기적인 정확도를 유지할 수 있습니다.
• 향후 과제:
  • 단일 학습 (One-shot learning) 에서의 한계를 극복하기 위한 반복적 학습 전략 개발.
  • 다중 측정 데이터 처리 및 "Double dipping" (데이터 재사용으로 인한 편향) 문제 해결에 대한 이론적 보장 강화.

이 논문은 데이터 기반 기법과 전통적인 물리 기반 추정 기법의 장점을 결합하여, 우주 상황 인식 및 복잡한 동역학 시스템의 상태 예측 분야에서 새로운 패러다임을 제시한다는 점에서 의의가 큽니다.