Unified Orbit-Attitude Estimation and Sensor Tasking Framework for Autonomous Cislunar Space Domain Awareness Using Multiplicative Unscented Kalman Filter

Dit paper introduceert een geavanceerd raamwerk voor autonome cislunale ruimtedomeinbewaking dat de optimalisatie van sensornetwerkarchitectuur en sensortaakplanning combineert met een Multiplicatieve Unscented Kalman-filter voor nauwkeurige schatting van baan- en oriëntatietoestanden in de complexe cislunale dynamiek.

De kern

Stel je voor dat de ruimte tussen de Aarde en de Maan (de "cislunaire ruimte") binnenkort net zo druk wordt als de snelweg in de spits. Met de Artemis-missies, commerciële maanlanders en internationale samenwerkingen komen er steeds meer schepen en objecten. Het probleem? We hebben nog geen goed verkeersregelsysteem voor die ruimte.

Deze paper beschrijft een slim nieuw systeem om al die objecten in de gaten te houden, hun positie te weten en zelfs te zien hoe ze ronddraaien (hun houding). Het is alsof je een super-intelligente verkeerscamera-netwerk bouwt, maar dan in de ruimte.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen:

1. Het Grote Probleem: Een Drukke Ruimte zonder Verkeerslichten

In de buurt van de Aarde weten we waar satellieten zijn. Maar verder weg, richting de Maan, is het heel lastig. De zwaartekracht van de Aarde en de Maan werkt samen op een heel gekke, niet-lineaire manier (alsof je een auto bestuurt op een weg die constant van vorm verandert). Bovendien zijn de objecten ver weg, soms in de schaduw, en hebben we beperkte camera's.

Het doel van dit onderzoek is tweeledig:

1. Waar moeten de camera's staan? (De architectuur optimaliseren).
2. Wat moeten ze bekijken en wanneer? (De camera's slim aansturen).

2. Taak 1: Het Bouwen van het Camera-netwerk (De "Vogelvlucht")

Stel je voor dat je een groep vogels (de sensoren) wilt uitzenden om een groot bos (de ruimte) te bewaken. Je wilt niet dat ze overal willekeurig rondvliegen; dat kost te veel energie en ze zien dan niets.

• De Slimme Route: De auteurs gebruiken wiskunde om te vinden welke banen rond de Aarde en Maan het beste zijn. Ze kiezen uit 13 soorten "ritsen" (banen) die objecten van nature volgen.
• De Optimisatie: Ze gebruiken een algoritme (een soort slimme computerzoeker) om te bepalen: "Hoeveel vogels hebben we nodig en op welke banen moeten ze zitten om het bos het beste te zien?"
• De Kosten: Ze proberen een balans te vinden tussen:
  • Niet te veel satellieten gebruiken (duur!).
  • Ze stabiel houden (niet uitvallen).
  • Ze dicht bij de Aarde en Maan houden (voor betere signalen).
  • Zorgen dat ze zoveel mogelijk objecten kunnen zien.

Het resultaat: Hun slimme computer vond een netwerk van ongeveer 20 tot 43 satellieten dat veel beter werkt dan als je ze willekeurig zou plaatsen. Het is alsof ze een perfect gepositioneerd team van cameramanagers hebben gevonden die elkaars werk aanvullen.

3. Taak 2: De Slimme Camera-aansturing (De "Dance Floor")

Nu we de camera's hebben, moeten we beslissen wat ze kijken. Stel je voor dat je op een drukke dansvloer staat met 100 mensen (de objecten) en slechts 20 camera's (de sensoren). Je kunt niet iedereen tegelijk filmen.

• De Strategie: De camera's moeten elke paar minuten een nieuwe beslissing nemen: "Wie is nu het belangrijkst om te filmen?"
• De "Informatie-kracht": Ze gebruiken een maatstaf genaamd "Mutual Information". Dit is als het vragen: "Als ik nu naar deze persoon kijk, leer ik dan het meeste bij over waar hij is en hoe hij draait?"
• De Uitdaging: Als er te veel mensen zijn en te weinig camera's, raken de camera's in de war. Ze kunnen de positie van de mensen nog redelijk goed volgen (alsof je ziet waar iemand loopt), maar het wordt heel lastig om te zien hoe ze ronddraaien (hun houding).

4. De "Magische" Filter (De UKF)

Tussen de beslissingen van de camera's door (bijvoorbeeld elke 30 seconden), moet het systeem de positie en draaiing van de objecten blijven schatten, zelfs als er geen nieuwe foto is.

Ze gebruiken een wiskundig hulpmiddel genaamd de Multiplicative Unscented Kalman Filter.

• De Analogie: Stel je voor dat je een bal gooit in de mist. Je ziet hem even, dan is hij weg. Je moet raden waar hij nu is. De Kalman-filter is als een super-slimme voorspeller die rekening houdt met hoe de wind waait (de zwaartekracht) en hoe de bal rolt. Hij houdt een "gok" bij en past die aan zodra hij weer even een flits van de bal ziet.
• Het Resultaat: De positie (waar is het object?) blijft vaak goed voorspelbaar, zelfs als er veel objecten zijn. Maar de houding (draait het object? en hoe snel?) is veel gevoeliger. Als er te veel objecten zijn en de camera's te weinig vaak een nieuwe foto maken, begint de gok over de draaiing uit de hand te lopen.

Samenvatting in één zin

Dit papier toont aan dat je met een slimme combinatie van de juiste banen voor je satellieten en slimme beslissingen over wat ze moeten kijken, de drukke ruimte tussen Aarde en Maan veilig kunt houden, maar dat je extra voorzichtig moet zijn met het volgen van hoe objecten ronddraaien als het erg druk wordt.

De belangrijkste les: Je kunt de positie van een object in de ruimte redelijk goed volgen met weinig camera's, maar om te weten hoe het object draait, heb je veel meer camera's of veel vaker nieuwe foto's nodig.

Technische samenvatting

Titel: Gecombineerd Orbit-Attitude Schatting en Sensor Taakplanning Kader voor Autonome Waarneming van Ruimteobjecten in de Cis-Lunaire Ruimte

1. Probleemstelling

Door de strategische interesse in een langdurige menselijke aanwezigheid op de Maan en de toename van diverse ruimteactoren, wordt een sterke groei verwacht in het aantal objecten in de cis-lunaire ruimte (het gebied tussen de Aarde en de Maan). Dit vereist een aanpassing van bestaande systemen voor Ruimtedomeinbewaking (SDA - Space Domain Awareness) om ook in deze regio effectief te kunnen opereren.

De cis-lunaire omgeving vormt echter aanzienlijk grotere uitdagingen dan de nabije Aarde-omgeving:

• Dynamica: De beweging wordt gekenmerkt door sterk niet-lineaire, niet-Kepleriaanse dynamica (gereguleerd door de zwaartekracht van Aarde, Maan en Zon), wat de nauwkeurigheid van onzekerheidspropagatie en staatsschatting beïnvloedt.
• Observatiebeperkingen: Lange afstanden leiden tot een slecht signaal-ruisverhouding, beperkte zichtlijnen, eclipsen en uitsluitingszones rondom de Zon, Aarde en Maan.
• Ontwerpcomplexiteit: Er ontbreekt een gestandaardiseerde heuristiek voor het plaatsen van sensoren in deze ruimte, en de ontwerpruimte voor sensornetwerken is enorm.

Het doel van dit onderzoek is het ontwikkelen van een geïntegreerd kader voor het optimaliseren van de architectuur van waarnemers (sensoren) en het plannen van hun taken om zowel de baan- als de oriëntatie (attitude) van objecten nauwkeurig te schatten.

2. Methodologie

Het voorgestelde kader bestaat uit twee hoofdcomponenten die sequentieel en interactief worden behandeld:

A. Taak 1: Optimalisatie van Waarnemersarchitectuur

• Dynamisch Model: Het gebruik van het Restricted Circular Three-Body Problem (CR3BP) om de beweging van sensoren en doelwitten in het Aarde-Maan-systeem te modelleren.
• Kandidaatbanen: Er wordt een bibliotheek van 302 periodieke banen geselecteerd uit 13 orbitale families (zoals Halo-banen rond Lagrangepunten L1, L2, L3, Lyapunov-banen en Butterfly/Dragonfly-banen).
• Doelwitten: Statische doelwitten worden gegenereerd op basis van bestaande en geplande cis-lunaire missies, gesampleerd op zero-velocity oppervlakken en geklusterd via k-means.
• Optimalisatie: Een Bayesiaanse optimalisatie aanpak, specifiek het Tree-structured Parzen Estimator (TPE) algoritme, wordt gebruikt om de beste combinatie van banen en het aantal sensoren per baan te vinden.
• Doelfunctie: Een nieuwe samengestelde kostenfunctie ($J$) wordt geïntroduceerd die zes factoren combineert:
  1. Aantal sensoren (minimaliseren).
  2. Orbitale stabiliteit (gebaseerd op monodromie-matrices).
  3. Cumulatieve waarneembaarheid van doelwitten.
  4. Frequentie van waarneming per doelwit.
  5. Nabijheid tot primaire lichamen (Aarde/Maan).
  6. Uniekheid van de geselecteerde banen.

B. Taak 2: Geïntegreerde Sensor Taakplanning en Staatsschatting

• Taakplanning: Op discrete tijdstippen wordt een "greedy" strategie gebruikt om sensoren aan doelwitten toe te wijzen. Dit wordt geoptimaliseerd door de mutuele informatie (mutual information) te maximaliseren, wat de verwachte reductie in onzekerheid (covariantie) van de staatsschatting meet.
• Schatting: Tussen de taakplanningsupdates wordt de staatsschatting uitgevoerd op een fijnere tijdschaal (30 seconden) met een Error-State Multiplicative Unscented Kalman Filter (UKF).
  • Staatvector: Omvat zowel translatie (positie/snelheid in het CR3BP-frame) als rotatie (attitude en hoeksnelheid).
  • Attitude Representatie: Attitude wordt globaal weergegeven met quaternions, terwijl fouten lokaal worden geparameteriseerd met Generalized Rodrigues Parameters (GRPs) om singulariteiten te vermijden en de UKF te faciliteren.
• Sensormodel:
  • Voor taakplanning wordt een analytisch model (Lambertiaanse bol) gebruikt voor rekenefficiëntie.
  • Voor de daadwerkelijke schatting en simulatie wordt een hoogwaardig model gebruikt: de Cook-Torrance BRDF (Bidirectional Reflectance Distribution Function) op basis van facetten, die spiegelende en diffuse reflectie, oppervlakteruwheid en geometrische schaduwvorming nauwkeurig simuleert.
  • Metingen bestaan uit hoekmetingen (Rechtstreekse Ascensie en Declinatie) en fotometrische helderheid.

3. Belangrijkste Bijdragen

1. Unificatie van Schatting en Taakplanning: Het artikel presenteert een uniek kader dat orbitale en attitude-schatting combineert met sensor taakplanning in de complexe cis-lunaire omgeving.
2. Nieuwe Kostenfunctie voor Architectuur: Introductie van een multi-objectieve kostenfunctie die rekening houdt met stabiliteit, observatiekansen en kosten, opgelost met TPE in plaats van traditionele methoden.
3. Geavanceerde Filterimplementatie: Toepassing van een error-state multiplicative UKF met GRP's voor het gezamenlijk schatten van positie en attitude onder niet-lineaire dynamica.
4. Fysiek Gebaseerd Reflectiemodel: Gebruik van de Cook-Torrance BRDF voor realistische simulatie van optische helderheid, in plaats van vereenvoudigde empirische modellen.

4. Resultaten

Numerieke simulaties werden uitgevoerd voor drie scenario's met verschillende dichtheden van doelwitten (100, 2000 en 10.000 statische doelen).

• Architectuur Optimalisatie (Taak 1):

  • De TPE-gebaseerde optimizer leverde architecturen op met significante lagere kosten dan een random search-baseline, terwijl er minder sensoren werden gebruikt.
  • De beste architecturen bestonden uit 20 sensoren (voor lage dichtheid) tot 43 sensoren (voor hoge dichtheid).
  • De L2 Halo-banen (noord en zuid) bleken de meest geprefereerde banen voor waarnemers.

• Schatting en Taakplanning (Taak 2):

  • Translatie vs. Rotatie: De schatting van de translatie-staat (positie/snelheid) bleef over het algemeen bevredigend, zelfs bij een hoge verhouding tussen doelwitten en sensoren.
  • Attitude Gevoeligheid: De attitude-schatting was aanzienlijk gevoeliger voor de verhouding doelwit-sensor en de interval tussen taakupdates.
  • Effect van Intervallen: Bij het vergroten van het interval tussen taakupdates (van 30 minuten naar 4 uur) bleef de translatieschatting redelijk stabiel, maar vertoonde de attitude-schatting een duidelijke degradatie, met meer divergentie (foutgroei) en onzekerheid, vooral bij een groot aantal doelwitten.
  • Oorzaak: Passieve optische metingen bieden minder informatie over de attitude dan over de positie, vooral onder beperkte zichtlijnen. De mutual information-metric die alleen op orbitale covariantie was gebaseerd, prioriteerde de attitude-onzekerheid niet expliciet genoeg.

5. Betekenis en Conclusie

Dit onderzoek biedt een cruciale stap voorwaarts in het maken van cis-lunaire ruimte veilig en beheersbaar. Het demonstreert dat:

• Geavanceerde optimalisatiealgoritmen (TPE) effectief kunnen worden ingezet om complexe sensornetwerken te ontwerpen in niet-lineaire dynamische omgevingen.
• Er een fundamenteel trade-off bestaat tussen de beschikbare sensoren, de frequentie van taakplanning en de haalbaarheid van nauwkeurige attitude-schatting.
• Voor schaalbare cis-lunaire SDA-systemen is het noodzakelijk om specifieke strategieën te ontwikkelen die de observabiliteit van de attitude verbeteren, aangezien standaard translatie-georiënteerde benaderingen hier tekortschieten.

Toekomstig werk zal zich richten op heterogene sensoren, sensorfusie en het expliciet meenemen van attitude-observabiliteit in de taakplanningskostenfunctie.