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

Technische Samenvatting: Machine Learning-gebaseerde evaluatie van karakteristieken van attitude-sensoren met behulp van microsatelliet vluchtgegevens

Probleemstelling
Conventionele attitude-bepaling van satellieten vertrouwt vaak op batch-schatting of Kalman-filtering gebaseerd op vooraf gedefinieerde fysieke modellen en witruis-aannames. Hoewel deze methoden effectief zijn voor missievereisten, kunnen ze complexe, structurele en niet-lineaire foutpatronen die in werkelijke observatiegegevens besloten liggen, met name voor grove attitude-sensoren zoals zonnesensoren en magnetische veldsensoren, mogelijk niet volledig vatten. Traditionele benaderingen behandelen deze niet-gemodelleerde effecten vaak als willekeurige fouten. Bovendien vereist de toenemende behoefte aan efficiënte satellietoperaties, lagere lanceerkosten en snelle inzetbaarheid in lage banen technologieën die de menselijke werklast en operationele tijd kunnen verminderen. Deze studie adresseert de uitdaging van het herevalueren van de prestaties van attitude-bepaling en de foutkarakteristieken van sensoren met behulp van werkelijke vluchtgegevens van een voltooide microsatellietmissie, waarbij wordt voortgebouwd op klassieke filtering om de mogelijkheden van machine learning (ML) te verkennen.

Methodologie
De studie maakt gebruik van vluchtgegevens van de RISING-4 microsatelliet (een 50-cm-klasse satelliet beheerd door de Tohoku Universiteit van 2021 tot 2023). De methodologie hanteert een supervised learning-benadering waarbij hoogwaardige resultaten van attitude-bepaling, afgeleid van onboard sterrensensoren en een fiber optic gyro (FOG), dienen als "ground truth".

• Datapreparatie: Vijf sets on-orbit observatielogs werden gebruikt. Vier passages (P1–P4) werden aangewezen voor training, en één onafhankelijke passage (P5) werd gebruikt voor testen. De inputdata ($X$) bestond uit tijdreeksmetingen van grove sensoren (zonnesensoren en magnetische veldsensoren), model-afgeleide vectoren (zon, magnetische en aardrichtingen in het inertiële kader), en gyro hoeksnelheden. De output ($Y$) was de attitude-quaternion, omgezet naar Modified Rodrigues Parameters (MRP).
• Modelarchitectuur: Er werd een eendimensionaal convolutioneel neuraal netwerk (Conv1D) toegepast. Deze architectuur verwerkt opeenvolgende tijdstap-sensormetingen (een temporeel venster van $n=5$ werd als baseline gehanteerd) om regressief de attitude te voorspellen. Het model transformeert inputvectoren door uitgebreide feature-dimensies (van 21 naar 64 naar 128) en comprimeert deze terug naar de output (3 elementen) met behulp van ReLU-activatiefuncties en een dropout-percentage van 1% om overfitting te voorkomen.
• Trainingsstrategie: Het model werd getraind om de root-mean-square (RMS) rotatiehoekfout tussen de voorspelde attitude en de ground truth te minimaliseren. Om temporele bias te vermijden, werden de trainingssets gegenereerd uit de tijdreeksgegevens willekeurig gehusseld vóór de training.

Belangrijkste Bijdragen

1. Retroactieve ML-toepassing: De studie demonstreert de toepassing van machine learning-technieken op vluchtgegevens van een missie die oorspronkelijk is ontwikkeld en geëxploiteerd zonder AI, wat bewijst dat ML structurele foutpatronen uit historische gegevens kan extraheren.
2. Sensorkarakterisering: Door sterrensensor/FOG-data te behandelen als ground truth, herëvalueert de studie de foutkarakteristieken van zon- en magnetische sensoren, waarbij wordt vastgesteld dat niet-lineaire biases en uitlijnfouten geleerd en gecorrigeerd kunnen worden.
3. Haalbaarheid van enkelvoudige sensoren: Het onderzoek onderzoekt de haalbaarheid van attitude-bepaling met enkelvoudige sensortypen (bijv. alleen magnetische sensoren tijdens eclips) of combinaties zonder expliciete fysieke modellen, waarbij wordt aangetoond dat ML de relatie tussen sensormetingen en attitude kan leren, zelfs wanneer traditionele observability-beperkingen (zoals de TRIAD-methode die twee vectoren vereist) niet strikt worden nageleefd in de inputfeatures.

Resultaten

• Prestatievergelijking: Conventionele attitude-bepaling met behulp van de TRIAD-methode leverde RMS-fouten op de orde van grootte van 7,34 graden op. In tegenstelling hiertoe bereikte de voorgestelde ML-aanpak aanzienlijk lagere fouten:
  • Trainingsset: RMS-fouten van ongeveer 0,7 graad werden bereikt voor optimale configuraties (bijv. Case C1e en C1f, die zowel zon als magnetische sensoren samen met modelvectoren en gyro-data bevatten).
  • Testset: Op de onafhankelijke testpassage (P5) bereikten de best presterende modellen RMS-fouten tussen de 2,1 en 3,0 graden, afhankelijk van de sensorcombinatie.
• Sensorcombinaties:
  • De combinatie van zonnesensoren, magnetische sensoren en model-afgeleide vectoren leverde gunstige prestaties op.
  • Wanneer gyro-metingen werden uitgesloten, bleef de combinatie van zon- en magnetische sensoren effectief.
  • Cruciaal was de bevinding dat attitude-bepaling met alleen magnetische veldmetingen (Case C3f) een testset-RMS van 2,1 graden opleverde, wat suggereert dat een bepaald niveau van nauwkeurigheid haalbaar is tijdens eclipscondities wanneer zonnesensoren niet beschikbaar zijn.
  • Het gebruik van een enkel type sensor zonder modelvectoren (bijv. alleen zonnesensoren) resulteerde in aanzienlijk hogere fouten, wat het belang van aanvullende data of geleerde context aangeeft.
• Generalisatie: De studie merkte op dat het best presterende model op de trainingsset niet altijd de beste resultaten op de testset opleverde, wat het belang van het evalueren van generalisatiecapaciteiten benadrukt. De sterke gelijkenis in tijdreeksprofielen tussen de trainings- en testpassages (door gestandaardiseerde manoeuvre-strategieën) droeg bij aan de effectiviteit van het model.

Betekenis en Claims
Het artikel stelt dat machine learning-gebaseerde methoden veelbelovende kandidaten zijn voor zowel onboard-berekeningen in toekomstige satellieten als offline analyse van eerdere missies. De studie benadrukt dat de voorgestelde aanpak bijzonder waardevol is voor:

• Ondersteuning bij initiële acquisitie: Het begeleiden van ruimtevaartuigen naar optimale attitudes voor sterrensensor-acquisitie of grondstationcommunicatie zonder afhankelijk te zijn van sterrensensoren.
• Redundantie: Het bieden van hulp bij de attitude-schatting wanneer primaire sensoren falen of niet beschikbaar zijn.
• Operationele Efficiëntie: Het verminderen van de noodzaak voor complexe fysieke modellering en menselijke interventie bij satellietoperaties.

De auteurs houden echter een bescheiden standpunt aan met betrekking tot de generaliseerbaarheid van deze bevindingen. Zij stellen expliciet dat de resultaten steunen op supervised learning waarbij hoogwaardige ground truth (van sterrensensoren/FOG) beschikbaar was om het model te trainen. Het papier beweert niet dat attitude-bepaling over het algemeen mogelijk is met slechts één grove sensor in afwezigheid van dergelijke ground truth of simulatiegegevens. In plaats daarvan stelt het dat het ML-model impliciet niet-lineaire sensorbiases en ruimtevaartuig-specifieke verstoringen bevat die aanwezig zijn in de werkelijke vluchtomgeving. De auteurs suggereren dat toekomstig werk indirecte ground-truth informatie (zoals aardobservatiebeelden of fisheye-camera-data) zou kunnen verkennen om modellen te trainen waar directe hoog-precieze attitude-data niet beschikbaar is, maar dit blijft een voorstel voor toekomstig onderzoek en is geen gedemonstreerd resultaat van de huidige studie.