Continuous-Time Probabilistic Correctors for Uncertainty-Aware Physics-Based Spacecraft Trajectory Forecasting

기술 요약: 불확실성을 고려한 물리 기반 우주선 궤적 예측을 위한 연속 시간 확률적 교정기

문제 정의

장기적인 우주선 궤적 예측은 충돌 위험 평가 및 접근 분석을 포함한 우주 영역 인식(SDA)에 있어 매우 중요합니다. NASA의 GMAT(General Mission Analysis Tool)과 같은 고충실도 물리 기반 전파기는 정확한 결정론적 예측을 제공하지만, 관측이 없는 장기 구간에서 신뢰할 수 있고 보정된 불확실성 추정치를 제공하는 데는 한계가 있습니다. 교정 관측을 사용할 수 없는 운용 환경에서는 미모델링된 역학, 파라미터 불일치, 수치적 근사화로 인해 예측 오차가 누적됩니다. 결과적으로 표준 전파기가 보고하는 오차 공분산은 과도하게 낙관적이 되어, 실제 불확실성과 관련된 충돌 위험을 과소평가하게 됩니다. 기존의 머신러닝 접근 방식은 완전한 공분산 불확실성 추정치를 제공하지 못하거나, 실제 텔레메트리에서 흔히 발생하는 불규칙하게 샘플링된 데이터 및 누락된 특징들을 처리하는 데 어려움을 겪습니다.

방법론

저자들은 기존의 결정론적 물리 기반 시뮬레이터(특히 GMAT)를 감싸서 정확도와 불확실성 정량화를 모두 향상시키도록 설계된 예측-교정(Predictor–Corrector) 프레임워크를 제안합니다.

1. 프레임워크 아키텍처

이 프레임워크는 두 가지 구성 요소로 이루어집니다:

• 예측기(Predictor): 기저 궤적을 생성하는 연속 시간 결정론적 예측기(예: GMAT)입니다.
• 교정기(Corrector): 예측기의 예측 오차의 시간적 진화를 모델링하는 학습된 연속 시간 확률적 모듈입니다.

2. 핵심 아키텍ator: 잠재 신경 제어 미분 방정식(Latent Neural Controlled Differential Equations, Latent NCDEs)

주요 기여는 Latent NCDE를 활용하는 CTPC-CDE++ 변형 모델입니다. 이 아키텍처는 인코더-디코더 구조를 채택합니다:

• 인코더(Encoder): NCDE를 사용하여 과거의 GMAT 예측 오차 이력(시간 $t_{T'}$까지 관측됨)을 처리합니다. 이는 이력을 잠재 분포(대각 가우시안)로 매핑하며, 이는 사전 분포 역할을 합니다.
• 디코더(Decoder): 예측 호라이즌($t_{T'}$에서 $t_T$까지) 동안의 오차의 확률적 진화를 모델링합니다. 디코더는 GMAT의 결정론적 예측으로부터 구축된 제어 경로(control path)에 의해 구동되는 NCDE입니다. 잠재 분포에서 샘플링하여 디코더를 초기화함으로써, 모델은 다양한 오차 궤적을 생성하여 에피스테믹(epistemic) 유사 불확실성을 포착합니다.
• 예측 헤드(Prediction Head): 디코더의 은닉 상태를 예측 오차에 대한 다변량 Student-$t$ 분포(평균 $\mu_t$ 및 전체 공분산 $\Sigma_t$)의 파라미터로 매핑합니다.

3. 학습 목적 함수

모델은 날카로움(sharpness)과 보정(calibration)을 모두 보장하도록 설계된 복합 손실 함수를 사용하여 학습됩니다:

• Student-$t$ 음의 로그 가능도(Negative Log-Likelihood, NLL): 두꺼운 꼬리(heavy-tailed)를 가진 오차 분포를 포착합니다.
• 연속 순위 확률 점수(Continuous Ranked Probability Score, CRPS): 잘 보정된 예측 분포를 장려하는 엄격하게 적절한 점수 규칙(strictly proper scoring rule)입니다.
• KL 정규화(KL Regularization): 잠재 사후 분포가 표준 정규 사전 분포와 가깝게 유지되도록 합니다.

4. 추론(Inference)

추론 과정에서 프레임워크는 잠재 공간으로부터 $K$개의 몬테카를로 샘플을 집계합니다. 최종 불확실성 추정치는 샘플 내(aleatoric) 분산과 샘플 간(latent-induced) 분산을 결합하여, 별도의 네트워크를 여러 개 학습시키지 않고도 앙상블과 같은 효과를 생성합니다.

주요 기여

1. 연속 시간 확률적 교정기(CTPC): 결정론적 물리 시뮬레이터를 학습된 연속 시간 확률적 오차 역학으로 보강하는 프레임워크입니다.
2. CTPC-CDE++ 아키텍처: Spline 기반의 제어 경로를 통해 불규칙하게 샘플링된 관측값과 누락된 특징을 자연스럽게 지원하는 Latent NCDE 기반의 특정 구현체입니다. 이는 명시적인 마스킹이 필요한 기존의 Latent ODE와 차별화됩니다.
3. 보정 및 날카로움: Student-$t$ 가능도와 CRPS를 결래한 손실 함수를 도입하여, 긴 호라이즌(최대 4일) 동안에도 잘 보정된 완전한 공분산 불질을 제공하는 날카로운 예측 분포를 생성합니다.
4. 좌표계 강건성: NCDE 기반 디코더가 ECI 및 RTN의 서로 다른 좌표계에서 오차 역학을 강건하게 모델링할 수 있다는 이론적 및 경험적 입증을 제공합니다. 반면, 명시적인 제어 경로 조건화가 부족한 NODE 기반 디코더는 특정 좌표계(예: RTN)에 국한됩니다.

실험 결과

프레임워크는 예측 호라이즌이 16시간에서 4일(5760분)에 이르는 6개의 롤링 테스트 윈도우에 대해 NASA의 CDDIS(Crustal Dynamics Data Information System)의 실제 우주선 궤적 데이터를 사용하여 평가되었습니다.

• 정확도: 모든 CTPC 변형 모델은 베이스라인인 GMAT에 비해 평균 제곱 오차(MSE)를 유의미하게 감소시켰습니다. CTPC-CDE++ 변형 모델은 다양한 호라이즌에 걸쳐 GMAT 단독 대비 MSE를 약 64~82% 감소시켜 최상의 성능을 달 기록했습니다.
• 보정: 제안된 방법은 잘 보정된 불확실성 추정치를 생성했습니다. 정규화된 제곱 마할라노비스 거리($\bar{d}^2$)는 모든 호라이즌에서 이상적인 값인 1.0에 가깝게 유지되었습니다. 반면, 베이스라인 Latent ODE 모델(CRPS 손실 사용 시에도)은 $\bar{d}^2$ 값이 1보다 수십 배 높은 값을 보이는 등 심각한 과잉 확신(overconfidence)을 나타냈습니다.
• 날카로움: CTPC 모델은 보정을 희생하지 않으면서도 날카로운 불확실성 타원체(낮은 공분산 로그 행렬식)를 유지하였으며, 이는 불확실성이 정확도 저하를 보완하기 위해 인위적으로 부풀려지지 않았음을 보여줍니다.
• 잠재 가변성: 전체 예측 분산(잠재 유도 가변성 포함)을 집계하는 것이 보정에 결정적임을 실험을 통해 확인했습니다. 평균 예측 분산만을 사용하는 경우 불확실성을 과소평가하고 과잉 확신된 예측을 낳았습니다.
• 좌표계 강건성: ECI 좌표계에서 테스트했을 때, NCDE 기반의 CTPC-CDE는 상당한 정확도와 보정 개선을 유지한 반면, NODE 기반의 CTPC-ODE는 일반화에 실패하여 MSE 감소가 미미하고 심각한 미보정(miscalibration) 현상을 보였습니다.

의의 및 주장

본 논문은 제안된 연속 시간 확률적 교정기가 고충실도 물리 기반 전파와 안전이 중요한 우주 작전을 위한 신뢰할 수 있고 보정된 불확실성 사이의 간극을 효과적으로 메울 수 있다고 주장합니다. GMAT과 같은 기존 도구를 활용함으로써, 이 방법은 예측 정확도를 높이는 동시에 불규칙한 데이터 샘플링과 긴 관측 공백에 강건한 완전 공분산 불확실성 추정치를 제공합니다.

저자들은 이 접근 방식이 현재 방법들의 실패 모드, 즉 결정론적 베이스라인의 과잉 확신과 장기 호라이즌에서의 표준 확률 모델의 낮은 보정 문제를 해결한다고 강조합니다. 이들의 이론적 분석은 디코더의 안정성과 공분산 성장의 유계성(bounded growth)에 대한 보장을 제공하여, 불확실성 전파가 해석 가능하며 수치적으로 폭발하지 않음을 보장합니다. 본 연구는 CTPC-CDE++를 아키텍처 수정 없이 다양한 좌표계 및 운용 제약 조건에 적응할 수 있는 유연하고 일반화 가능한 솔루션으로 포지셔닝합니다.