Probabilistic Methods for Initial Orbit Determination and Orbit Determination in Cislunar Space

Dit artikel presenteert een probabilistisch raamwerk voor de initiële baanbepaling en orbitale tracking in cislunaire ruimte, dat een kinematische aanpassing van waarnemingen combineert met een Particle Gaussian Mixture-filter om de beperkingen van Gauss' methode in driedelig-dynamische omgevingen te overwinnen.

De kern

Het Spoor van de Verdwijning: Hoe we ruimteschepen in de 'tweestrijdzone' vinden

Stel je voor dat je in een enorm groot, donker bos loopt (de ruimte tussen de Aarde en de Maan). Plotseling zie je een vogel (een ruimteschip of een stukje schroot) voorbijvliegen. Je wilt weten waar die vogel precies naartoe gaat.

In de buurt van de Aarde (bijvoorbeeld bij satellieten die om de Aarde draaien) is dit makkelijk. De vogel vliegt in een rechte lijn of een perfecte cirkel, en je kunt zijn pad makkelijk voorspellen. Maar in de ruimte tussen de Aarde en de Maan is het heel anders. Hier spelen twee enorme krachten tegelijk: de zwaartekracht van de Aarde én die van de Maan. Het is alsof de vogel niet alleen door de wind wordt geduwd, maar ook nog eens door een tweede, onzichtbare hand. De vogel maakt rare bochten, slingert heen en weer en volgt geen simpele cirkels meer.

Dit artikel beschrijft een nieuwe manier om die "vogels" te vinden en te volgen, zelfs als je maar heel weinig informatie hebt.

1. Het oude probleem: De oude kaart werkt niet

Vroeger gebruikten wetenschappers een oude, beroemde methode (de methode van Gauss) om de baan van een ruimteschip te berekenen. Die methode werkt perfect als er maar één grote zwaartekrachtsbron is (de Aarde).

• Het probleem: In de ruimte tussen Aarde en Maan werkt die oude kaart niet meer. De oude methode gaat ervan uit dat alles in een plat vlak beweegt, maar daar is dat niet zo. Het is alsof je probeert een route te plannen op een platte kaart van Nederland, terwijl je eigenlijk in de Alpen loopt met steile hellingen en gletsjers. Je komt er niet.

2. De nieuwe oplossing: Een "wolk van gokken"

De auteurs van dit paper hebben een slimme nieuwe aanpak bedacht. In plaats van één perfecte voorspelling te maken, maken ze duizenden gokken tegelijk.

• De kinematische fit (Het tekenen van de lijn):
  Stel je voor dat je een vogel ziet vliegen en je maakt elke paar minuten een foto. Je weet niet precies hoe ver hij weg is (dat is lastig te meten in de ruimte), maar je weet wel in welke richting hij vliegt (links/rechts, hoog/laag).
  De auteurs zeggen: "Laten we duizenden keer proberen om een lijn door die foto's te trekken, waarbij we elke keer een beetje gokken over hoe ver de vogel weg is."

  • Soms gokken we dat hij heel dichtbij is.
  • Soms dat hij heel ver weg is.
  • Soms dat hij snel gaat, soms traag.

  Door deze duizenden lijnen te tekenen, krijgen we geen één punt, maar een wolk van punten. Deze wolk bevat alle mogelijke plekken waar de vogel zou kunnen zijn. Het is een enorme, onscherpe wolk, maar het is een eerlijke gok.

3. De "Slimme Filter" (De PGM-filter)

Nu hebben we die enorme, onscherpe wolk. We moeten die wolk kleiner maken zodat we precies weten waar de vogel is. Hiervoor gebruiken ze een speciale computerprogramma genaamd de PGM-filter (Particle Gaussian Mixture).

• De Analogie van de Zoektocht:
  Stel je voor dat die wolk van punten een zwerm duiven is die over een veld vliegt.

  • Stap 1 (Verspreiding): De duiven vliegen een beetje rond (door de zwaartekracht van Aarde en Maan).
  • Stap 2 (Groeperen): De computer kijkt naar de duiven en zegt: "Oké, die groep daar links lijkt op een groep, en die groep rechts is een andere groep." Hij maakt er clusters van.
  • Stap 3 (De nieuwe foto): Je maakt een nieuwe foto van de vogel. De computer kijkt: "Welke groep duiven zit het dichtst bij de plek waar de vogel nu is?"
  • Stap 4 (Weggooien): Alle duiven die ver weg zijn, worden weggegooid. De duiven die dichtbij zijn, krijgen meer gewicht.

  Door dit steeds te herhalen, wordt die enorme, onscherpe wolk steeds kleiner en scherper. Na een tijdje weet je precies waar de vogel is, zelfs als je maar heel weinig informatie had aan het begin.

4. Waarom is dit zo belangrijk?

De auteurs hebben getest of hun methode werkt in drie moeilijke situaties:

1. Een stabiele baan: Een ruimteschip dat netjes om de Maan draait (zoals de toekomstige NASA Gateway).
2. Een chaotische baan: Een ruimteschip dat heel dicht langs een "gevaarlijk punt" (een Lagrange-punt) vliegt, waar kleine veranderingen leiden tot enorme, onvoorspelbare bewegingen.
3. Een lange pauze: Wat als we de sensor 150 dagen lang uitzetten? (Misschien is de Maan aan de andere kant van de Aarde, of is de sensor kapot).

Het resultaat:

• De oude methoden (zoals de UKF en EnKF filters) gaven het op of werden "te zelfverzekerd". Ze dachten dat ze het antwoord wisten, maar toen ze weer keken, bleek hun voorspelling compleet verkeerd. Ze verloren het ruimteschip uit het oog.
• De nieuwe PGM-filter hield het ruimteschip ook na 150 dagen stilte nog steeds in de gaten. Omdat de filter altijd meerdere mogelijkheden (de wolk) in de gaten hield, kon hij zich aanpassen toen de sensor weer aan ging.

5. Conclusie: Minder aannames, meer zekerheid

De kernboodschap van dit artikel is: Je hoeft niet alles te weten om iets te vinden.

Je hoeft niet precies te weten hoe ver het ruimteschip weg is. Je hoeft niet te weten of het in een perfecte cirkel vliegt. Als je gewoon lang genoeg kijkt (veel metingen) en je gebruikt een slimme filter die duizenden mogelijke scenario's tegelijk meeneemt, kun je zelfs in de meest chaotische delen van de ruimte (tussen Aarde en Maan) veilig navigeren.

Het is alsof je in het donker een bal probeert te vangen. Je ziet hem niet perfect, maar als je duizenden keren probeert te vangen met verschillende handposities, en je filtert alleen de pogingen die werken, vind je op een gegeven moment de bal toch.

Kort samengevat:
De auteurs hebben een nieuwe manier bedacht om ruimteschepen te volgen in de moeilijke ruimte tussen Aarde en Maan. Ze gebruiken geen oude, starre regels, maar een slimme "wolk van gokken" die door een speciale computer wordt verfijnd. Hierdoor kunnen ze ruimteschepen vinden en volgen, zelfs als ze lange tijd niets hebben gezien en de bewegingen heel chaotisch zijn.

Technische samenvatting

Probleemstelling

Het hoofddoel van de nationale strategie voor cis-lunaire wetenschap en technologie is het uitbreiden van de ruimtesituational awareness (SSA) naar de cis-lunaire ruimte (het gebied tussen de Aarde en de Maan). Dit gebied is bijna duizend keer groter dan de ruimte onder de geostationaire baan (GEO) en wordt gedomineerd door drie-lichaamsdynamica (Aarde, Maan en het ruimtetuig), in plaats van de tweelichamendynamica (Kepleriaanse beweging) die gebruikelijk is in de Aards-bijliggende ruimte.

De huidige standaardmethode voor het bepalen van een initiële baan (Initial Orbit Determination - IOD), de methode van Gauss, faalt in deze omgeving omdat deze methoden uitgaan van Kepleriaanse beweging en planaire banen. In de cis-lunaire ruimte zijn deze aannames ongeldig. Bovendien zijn waarnemingen vaak beperkt tot hoekmetingen (azimuth en elevatie) met zeer onzame afstandsgegevens (range), wat leidt tot grote onzekerheid in de initiële toestandsschatting. Er is behoefte aan een nieuwe, minimale-aannamen methode voor IOD en een robuuste filter voor Orbit Determination (OD) die kan omgaan met de hoge niet-lineariteit en chaos in dit domein.

Methodologie

De auteurs stellen een gecombineerd framework voor dat bestaat uit twee fasen: Initial Orbit Determination (IOD) en Orbit Determination (OD).

1. Initial Orbit Determination (IOD): Kinematische Fitting

In plaats van te vertrouwen op dynamische modellen die specifieke baan-elementen vereisen, gebruiken de auteurs een kinematische aanpak:

• Observatievenster: In de cis-lunaire ruimte blijven objecten langere tijd (10-20 uur) zichtbaar voor een grondstation, in tegenstelling tot de enkele minuten in de LEO/GEO.
• Polynoomfitting: De methode gebruikt een reeks opeenvolgende, ruisbeïnvloede hoekmetingen (AZ en EL) en beperkte afstandsgegevens (range). Er wordt een polynoom-splijn (typisch van de vierde orde) gefit op de positiegegevens ($x(t), y(t), z(t)$) in het topocentrische referentiekader.
• Snelheidsbepaling: De snelheid wordt verkregen door differentiatie van deze polynomen.
• Probabilistische Benadering: Omdat de afstandsgegevens onzeker zijn, worden duizenden meetreeksen gegenereerd door ruisstatistieken te resamplen (Monte Carlo methode). Dit resulteert in een "deeltjeswolk" (particle cloud) die de initiële toestand vertegenwoordigt, in plaats van een enkel punt.
• Aannamen: De methode maakt minimale aannamen over de dynamica. Afstandsgegevens kunnen worden afgeleid uit een uniforme verdeling binnen de cis-lunaire grenzen of uit zeer ruisbeïnvloede metingen.

2. Orbit Determination (OD): Particle Gaussian Mixture (PGM) Filter

Om de onzekerheid van de initiële schatting te reduceren en de baan te volgen, wordt de Particle Gaussian Mixture (PGM) Filter gebruikt.

• Reden voor PGM: Traditionele filters zoals de Extended Kalman Filter (EKF) of Unscented Kalman Filter (UKF) gaan uit van Gaussische verdelingen. In de cis-lunaire ruimte, vooral bij objecten in de buurt van Lagrange-punten (L1-L3), worden verdelingen echter sterk niet-Gaussisch en chaotisch ("warped").
• Werking van de PGM:
  1. Propagatie: De deeltjes worden voortgeplant met het niet-lineaire CR3BP-model (Circular Restricted Three-Body Problem).
  2. Clustering: De deeltjes worden gegroepeerd in clusters (bijv. via k-means) om een Gaussian Mixture Model (GMM) te vormen. Dit lost het probleem op van de starheid van het aantal componenten in traditionele GMM-filters.
  3. Update: Elke cluster wordt bijgewerkt met nieuwe metingen (hoekmetingen) met behulp van een Ensemble Kalman Filter (EnKF) update-stap.
  4. Resampling: De deeltjes worden opnieuw bemonsterd uit de bijgewerkte GMM-verdeling.
• Dit proces maakt het mogelijk om de complexiteit en de niet-Gaussische aard van de verdeling te behouden terwijl de onzekerheid wordt gereduceerd.

Belangrijkste Bijdragen

1. Nieuwe IOD-methode: Een methode voor het bepalen van een initiële toestand in de cis-lunaire ruimte die geen gebruik maakt van Kepleriaanse aannamen, maar in plaats daarvan kinematische fitting toepast op een reeks hoekmetingen met minimale afstandsvoorwaarden.
2. Toepassing van PGM: Het succesvol demonstreren van de PGM-filter voor cis-lunaire baanbepaling, waarbij het in staat is om de "curse of dimensionality" en de depletie van deeltjes aan te pakken die optreden bij andere filters in chaotische systemen.
3. Robuustheid bij lange onderbrekingen: Het framework kan de controle over een object behouden na zeer lange perioden zonder metingen (sensor shutoffs), zelfs in chaotische banen rond Lagrange-punten, waarbij traditionele filters (UKF, EnKF) falen.
4. Vergelijking van Aannamen: Het analyseren van hoe verschillende aannamen over afstandsgegevens (van zeer ruisbeïnvloed tot uniforme verdeling) de initiële schatting beïnvloeden en hoe de PGM-filter deze onzekerheid op lange termijn effectief kan reduceren.

Resultaten

De auteurs hebben het framework getest op drie verschillende scenario's:

1. 9:2 Resonante Near-Rectilinear Halo Orbit (NRHO): Een baan die relevant is voor het NASA Gateway-programma. Het framework slaagde erin om de onzekerheid in positie met een factor >120 en in snelheid met een factor >10.000 te reduceren na zes passes.
2. Doel dat door het L2 Lagrange-punt gaat: Een scenario met extreme chaos. Na een sensor-uitval van 10 dagen, waarbij de Gaussische aard van de verdeling volledig was verbroken, slaagde de PGM-filter erin om de doelwacht te behouden na het opnieuw opnemen van metingen.
3. 3:1 NRHO-baan: Een test met een sensor-uitval van 150 dagen. Zelfs na deze extreme periode kon de PGM-filter de doelwacht bijhouden zonder opnieuw IOD uit te hoeven voeren, terwijl andere filters faalden.

Vergelijking met andere filters:

• UKF (Unscented Kalman Filter): Wordt te snel zelfverzekerd (overconfident) en faalt bij lange onderbrekingen of in zeer chaotische banen.
• EnKF (Ensemble Kalman Filter): Is minder zelfverzekerd dan de UKF, maar faalt uiteindelijk ook bij extreme niet-lineariteit en grote initiële onzekerheid.
• PGM Filter: Blijft consistent en nauwkeurig, zelfs wanneer de initiële verdeling zeer groot en niet-Gaussisch is.

Betekenis en Conclusie

Dit werk biedt een cruciale oplossing voor de toenemende behoefte aan ruimtetracking in de cis-lunaire ruimte, een domein dat essentieel wordt voor toekomstige maanmissies (zoals Artemis). De belangrijkste betekenis ligt in de onafhankelijkheid van de methode van de beperkingen van de tweelichamendynamica.

De auteurs concluderen dat een minimale-aannamen aanpak (gebaseerd op kinematische fitting en probabilistische filtering) superieur is aan traditionele methoden in dit complexe domein. Hoewel de initiële schattingen groot en onzeker kunnen zijn, kan de PGM-filter deze onzekerheid effectief reduceren over de tijd, zelfs na lange periodes zonder data. Dit maakt het mogelijk om veilig en continu ruimteverkeer te monitoren in gebieden waar de dynamica extreem chaotisch is. Toekomstig werk richt zich op het verbeteren van de clusteringstrategieën voor objecten dicht bij de Aarde en het testen op nog complexere dynamische modellen.