기술 요약: 각도 전용 시스루너 궤도 결정(Orbit Determination)을 위한 물리 정보 기반 조건부 정규화 흐름(Normalizing Flows)

문제 정의

본 연구는 지구-달 $L_2$ 점 주변의 근직선 해로 궤도(NRHO)에서 운용되는 우주선을 대상으로, 시스루너(Cislunar) 환경에서의 초기 궤도 결정(Initial Orbit Determination, IOD) 과제를 다룬다. 이 문제는 지상국(스페인 세브레로스)에서 수집된 방위각 및 고도 측정값($\theta, \phi$)의 짧은 호(arc)만을 기반으로 대상의 초기 지구 중심 상태($X_1 \in \mathbb{R}^6$)의 확률 분포를 추론하는 각도 전용(angles-only) 추정 작업으로 정식화된다.

이 문제는 다음과 같은 상당한 난제들을 특징으로 한다:

• 데이터 희소성: 관측은 짧은 호(50~150분)와 희소한 간격의 데이터로 제한된다.
• 역학적 복잡성: 시스루너 환경은 원형 제한 세체 문제(CR3BP)에 의해 지배되며, 이는 본질적인 불안정성과 혼돈스러운 거동을 보인다.
• 사전 정보의 부재: 일반적인 궤도 결정(OD)과 달리, IOD는 사전 상태 정보가 없으므로 역문제(inverse problem)가 매우 비선형적이며 전통적인 최적화 방식에서는 국소 최솟값(local minima)에 빠지기 쉽다.
• GNSS의 부재: 시스루너 영역에는 전용 글로벌 위성 항법 시스템(GNSS)이 없으므로 광학 추적에 의존해야 한다.

방법론

저자들은 궤도 결정을 조건부 밀도 추정(conditional density estimation) 문제로 취급하는 생성적 천체역학(Generative Astrodynamics) 프레임워크를 제안한다. 이 모델은 단일 상태 벡터를 직접 구하는 대신, 관측 시퀀스 $Y$에 대한 조건부 확률 분포 $p(\bar{X}_1 | Y)$를 학습한다.

1. 생성 아키텍처: 조건부 정규화 흐름(Conditional Normalizing Flows)

핵심은 조건부 정규화 흐름(CNF) 모델이며, 구체적으로는 Real Non-Volume Preserving (Real-NVP) 아키텍처를 사용한다.

• 변환: 모델은 대상 초기 상태 $\bar{X}_1$을 알려진 기저 분포(표준 다변량 가우시안)에서 추출된 잠재 변수 $w$로 변환하는 가역 매핑 $f: \mathbb{R}^6 \to \mathbb{R}^6$를 정의한다.
• 조건화: 흐름은 관측 호 $Y_k$에 의해 조건화된다. 가변 길이의 관측 시퀀스와 다양한 관측자 위치를 처리하기 위해, **트랜스포머 기반 인코더(Transformer-based encoder)**가 관측 시퀀스 $Y_k$를 고정 크기의 표현 $\tilde{Y}_k$로 처리하며, 이는 각 결합 층(coupling layer)에서 마스킹된 상태 성분과 결합된다.
• 샘깅: 추론 단계에서는 훈련 데이터로부터 유도된 잠재 코드($w_{inf} = w_{train} + 0.1\varepsilon$)를 섭동시켜 잠재 샘플을 생성한다. 이들은 역방향 흐름 $g(w|Y_{new})$를 통해 역매핑되어 통계적으로 일관된 초기 상태 가설 세트를 생성한다.

2. 물리 정보 기반 정규화(Physics-Informed Regularization)

방법론의 핵심 요소는 물리 법칙을 훈련 손실 함수에 통합하여 역학적 일관성을 보장하는 것이다.

• 표준 손실: 모델은 조건부 분포의 음의 로그 가능도($L_{flow}$)를 최소화한다.
• 물리 손실 ($L_{phys}$): 통계적으로는 확률이 높지만 물리 법칙을 위반하는 상태에 페널티를 주는 추가 항이 도입된다. 이는 다음과 같이 계산된다:
  1. 생성된 초기 상태를 CR3BP 운동 방정식(RK4를 통해 적분)을 사용하여 시간 방향으로 전파한다.
  2. 예측된 각도 전용 관측값을 계산한다.
  3. 예측된 측정값과 실제 측정값 사이의 잔차 벡터 $\bar{\sigma}$를 계산한다.
  4. 이 잔차들의 제곱 노름(squared norm)을 최소화한다.
• 전체 목적 함수: 결합된 손실은 $L = L_{flow} + \beta L_{phys}$이며, 여기서 $\beta$는 훈련 초기 100 에포크 동안 선형적으로 증가하는 가중치 계수이다.

3. 하이브리드 추정 파이프라인

생성 모델은 클래식한 추정 알고리즘을 위한 웜 스타트(warm start) 역할을 한다. 워크플로우는 다음과 같다:

1. 생성: CNF는 새로운 측정값에 조건화된 여러 개의 타당한 초기 상태 가설을 생성한다.
2. 정밀화: 이러한 가설들은 비선형 최소제곱 추정(NLSE) 알고리즘(가우스-뉴턴 반복 스킴)에 입력되어, 추정치를 정밀화하고 측정 잔차를 최소화한다.

주요 기여

1. IOD의 생성적 정식화: 본 논문은 생성적 천체역학을 시스루너 영역으로 확장하여, IOD를 결정론적 역문제가 아닌 조건부 밀도 추정 과제로 프레이밍한다. 이를 통해 **다중 모드 사후 분포(multimodal posteriors)**와 내재적 불확실성 정량화를 표현할 수 있다.
2. 물리 정보 기반 정규화 흐름: 저자들은 정규화 흐름의 가능도 기반 훈련을 물리 정보 기반 손실 항($L_{phys}$)으로 증강하는 것이 필수적임을 입증했다. 흐즘은 이 항 없이도 훈련 데이터를 재구성할 수 있지만, 물리 손실은 학습된 잠재 매니폴드가 역학적 일관성을 유지하도록 하는 정규화 도구로서 작의하여, 추론 시 물리적으로 부적절한 상태가 생성되는 것을 방지한다.
3. 강건한 초기화 전략: 본 연구는 CNF가 단순 근사치(예: 달의 상태를 대리자로 사용하는 방식)보다 클래식 NLSE를 위한 우월한 초기화 전략임을 검증한다.

결과

모델은 10개의 서로 다른 NRHO 궤도에서 유도된 4,119개의 유효 관측 호를 포함하는 합성 데이터셋으로 훈련되었다.

• 훈련 역학: $L_{phys}$의 포함은 잠재 분포가 기저 가우시안과 가깝게 유지되면서도 물리적 충실도를 위한 필요한 편차를 포착하는 안정적인 훈련 과정을 가져왔다.
• 성능 비교:
  • 달 기반 근사치 대비: 흐름 기반 초기화는 달의 상태를 기반으로 한 초기화보다 성능이 크게 뛰어났으며, 훨씬 낮은 위치/속도 오차와 훨씬 작은 적합 후 잔차를 나타냈다. 달 기반 방식은 빈번하게 국소 최솟값에 수렴했다.
  • 정확한 초기화 대비: 흐즘 기반 접근 방식은 NLSE를 정확한 실제 상태로 초기화했을 때와 유사한 정확도를 달 achievement 하여, 높은 품질의 시작점을 제공하는 능력을 입증했다.
• 절제 연구(Ablation Study): 물리 정보 기반 손실 항을 제거하면 강건성이 저하되었다. 평균 잔차는 낮게 유지되었으나, 모델은 큰 최대 오차(위치 기준 최대 ~9,600 km)를 생성하였는데, 이는 훈련 매니폴드 밖의 물리적으로 일관된 솔루션으로 일반화하는 데 실패했음을 나타낸다.

의의 및 주장

본 논문은 복잡한 실제 환경의 문제(시스루너 IOD)에 조건부 정규화 흐름을 성공적으로 적용함으로써 생성적 천체역학의 중요한 진전을 이루었다고 주장한다.

주요 의의는 생성형 AI와 물리 법칙 사이의 시너지에 있다. 저자들은 다음과 같이 주장한다:

• 순수하게 데이터에 기반한 생성 모델은 통계적으로는 그럴듯하지만 역학적으로는 불가능한 상태를 생성할 수 있다.
• 물리 정보 기반 손실은 단순히 성능을 높이는 도구가 아니라, 생성 모델이 CR3BP의 기저 역학 구조를 학습하도록 보장하는 필수적인 제약 조건이다.
• 제안된 방법은 결정론적 OD에 대한 확률적 대안을 제공하며, 이는 불확실성 정량화와 다중 모드 솔루션 공간(예: 동일한 짧은 호에 적합한 여러 유효 궤도)을 다룰 수 있는 자연스러운 메커니즘을 제공한다.
• 클래식 알고리즘을 위한 웜 스타트로서, 이 방법은 관측 호가 짧고 노이즈가 많은 고도의 비선형적 시스루너 환경에서 국소 최솟값에 수렴할 위험을 완화한다.

저자들은 이 접근 방식이 향에 대한 연구를 통해 실제 관측 데이터에 대해 검증된다면, 희소한 관측 및 자율 온보드 항법을 포함한 더 넓은 우주 항법 시나리오로 확장될 가능성이 있다고 결론짓는다.