Technische Samenvatting: Continu-tijd Probabilistische Correctoren voor Onzekerheidsbewuste Fysica-gebaseerde Ruimtevaartuig Baanvoorspelling

Probleemstelling

Lange-termijn voorspellingen van ruimtevaartuigbanen zijn cruciaal voor Space Domain Awareness (SDA), inclusief het beoordelen van botsingsrisico's en conjunctieanalyse. Hoewel hoogwaardige fysica-gebaseerde propagatoren, zoals NASA's General Mission Analysis Tool (GMAT), nauwkeurige deterministische voorspellingen bieden, missen ze betrouwbare, gekalibreerde onzekerheidsschattingen over lange, observatievrije horizonten. In operationele regimes waar geen corrigerende observaties beschikbaar zijn, leiden ongemodelleerde dynamica, parametrische mismatches en numerieke benaderingen tot accumulerende fouten in de voorspelling. Bijgevolg wordt de foutcovariantie gerapporteerd door standaard propagatoren vaak overmoedig, waarbij de werkelijke onzekerheid en de daarmee gepaard gaande botsingsrisico's worden onderschat. Bestaande machine learning-benaderingen falen vaak in het leveren van volledige covariantie-onzekerheidsschattingen of hebben moeite met onregelmatig gesamplede gegevens en ontbrekende kenmerken die gebruikelijk zijn bij real-world telemetrie.

Methodologie

De auteurs stellen een Predictor–Corrector framework voor, ontworpen om rond bestaande deterministische fysica-gebaseerde simulators (specifiek GMAT) te werken om zowel de nauwkeurigheid als de onzekerheidskwantificering te verbeteren.

1. Framework Architectuur

Het framework bestaat uit twee componenten:

• Predictor: Een continu-tijd deterministische voorspeller (bijv. GMAT) die de basisbaan genereert.
• Corrector: Een geleerd continu-tijd probabilistisch module die de temporele evolutie van de voorspellingsfouten van de predictor modelleert.

2. Kernarchitectuur: Latent Neural Controlled Differential Equations (Latent NCDEs)

De primaire bijdrage is de CTPC-CDE++ variant, die gebruikmaakt van Latent NCDEs. Deze architectuur maakt gebruik van een encoder-decoder structuur:

• Encoder: Verwerkt de geschiedenis van de GMAT-voorspellingsfouten (geobserveerd tot tijd $t_{T'}$) met behulp van een NCDE. Het brengt deze geschiedenis in kaart naar een latente distributie (een diagonale Gaussische verdeling) die als prior dient.
• Decoder: Modelleert de probabilistische evolutie van fouten over de voorspellingshorizon ($t_{T'}$ tot $t_T$). De decoder is een NCDE die wordt gedreven door een control path geconstrueerd uit de deterministische GMAT-voorspellingen. Door te samplen uit de latente distributie om de decoder te initialiseren, genereert het model diverse fouttrajecten, waardoor epistemische-achtige onzekerheid wordt gevangen.
• Prediction Head: Brengt de verborgen toestand van de decoder in kaart naar de parameters van een multivariate Student-$t$ distributie (gemiddelde $\mu_t$ en volledige covariantie $\Sigma_t$) voor de voorspellingsfout.

3. Trainingsdoelstelling

Het model wordt getraind met een samengestelde verliesfunctie die ontworpen is om zowel scherpte als kalibratie te waarborgen:

• Student-$t$ Negative Log-Likelihood (NLL): Legt heavy-tailed foutverdelingen vast.
• Continuous Ranked Probability Score (CRPS): Een strikt passende scoring rule die gekalibreerde voorspellende distributies aanmoedigt.
• KL Regularisatie: Zorgt ervoor dat de latente posterior dicht bij een standaard normale prior blijft.

4. Inferentie

Tijdens inferentie aggregeert het framework $K$ Monte Carlo-samples uit de latente ruimte. De uiteindelijke onzekerheidsschatting combineert de binnen-sample (aleatorische) variantie en de tussen-sample (latente-geïnduceerde) variantie, wat effectief een ensemble-achtig effect creëert zonder meerdere onderscheidende netwerken te trainen.

Belangrijkste Bijdragen

1. Continu-tijd Probabilistische Correctoren (CTPC): Een framework dat deterministische fysica-simulatoren aanvult met geleerde continu-tijd probabilistische foutdynamica.
2. CTPC-CDE++ Architectuur: Een specifieke implementatie gebaseerd op Latent NCDEs die van nature onregelmatig gesamplede observaties en ontbrekende kenmerken ondersteunt via spline-gebaseerde control paths, in tegen tegenover standaard Latent ODEs die expliciete masking vereisen.
3. Kalibratie en Scherpheid: De introductie van een verliesfunctie die Student-$t$ likelihood en CRPS combineert, wat scherpe, volledige-covariantie onzekerheidsschattingen produceert die gekalibreerd blijven over lange horizonten (tot 4 dagen).
4. Coördinatensysteem Robuustheid: Theoretische en empirische demonstratie dat NCDE-gebaseerde decoders foutdynamica robuust kunnen modelleren over verschillende coördinatensystemen (ECI en RTN), terwijl NODE-gebaseerde decoders beperkt zijn tot specifieke systemen (bijv. RTN) vanwege hun gebrek aan expliciete control path conditionering.

Experimentele Resultaten

Het framework werd geëvalueerd op real-world ruimtevaartuigbaan-gegevens van NASA's Crustal Dynamics Data Information System (CDDIS) over zes rollende testvensters met voorspellingshorizonten variërend van 16 uur tot 4 dagen (5760 minuten).

• Nauwkeurigheid: Alle CTPC-varianten verminderden de Mean Squared Error (MSE) significant vergeleken met de baseline GMAT. De CTPC-CDE++ variant behaalde de beste prestaties, met een reductie van de MSE van ongeveer 64–82% over diverse horizonten vergeleken met enkel GMAT.
• Kalibratie: De voorgestelde methode produceerde goed gekalibreerde onzekerheidsschattingen. De genormaliseerde gekwadrateerde Mahalanobis afstand ($\bar{d}^2$) bleef dicht bij de ideale waarde van 1.0 over alle horizonten. In contrast hiermee vertoonden baseline Latent ODE-modellen (zelfs met CRPS loss) extreme overmoedigheid, waarbij $\bar-d^2$ waarden bereikte die orden van grootte hoger waren dan 1.
• Scherpte: De CTPC-modellen behielden scherpe onzekerheidsellipsoïden (lage log-determinant van de covariantie) zonder de kalibratie op te offeren, wat aantoont dat de onzekerheid niet kunstmatig werd opgeblazen om een slechte nauwkeurigheid te compenseren.
• Latente Variabiliteit: Experimenten toonden aan dat het aggregeren van de totale voorspellende variantie (inclusief latente-geïnduceerde variabiliteit) cruciaal was voor kalibratie. Het gebruik van enkel de gemiddelde voorspellende variantie leidde tot onderschatting van de onzekerheid en overmoedige voorspellingen.
• Coördinatensysteem Robuustheid: Wanneer getest in het Earth-Centered Inertial (ECI) frame, behield de NCDE-gebaseerde CTPC-CDE een substantiële verbetering in zowel nauwkeurigheid als kalibratie, terwijl de NODE-gebaseerde CTPC-ODE faalde om te generaliseren, wat resulteerde in een verwaarloosbare MSE-reductie en ernstige miskalibratie.

Betekenis en Claims

Het artikel claimt dat de voorgestelde Continuous-Time Probabilistic Corrector effectief de kloof overbrugt tussen hoogwaardige fysica-gebaseerde propagatie en de noodzaak voor betrouwbare, gekalibreerde onzekerheid in veiligheidskritische ruimteoperaties. Door instrumenten zoals GMAT te omwikkelen, verbetert de methode de voorspellingsnauwkeurigheid en biedt het tegelijkertijd volledige covariantie-onzekerheidsschattingen die robuust zijn tegen lange observatiekloven en onregelmatige datasampling.

De auteurs benadrukken dat hun aanpak de specifieke faalmodi van huidige methoden aanpakt: de overmoedigheid van deterministische baselines en de slechte kalibratie van standaard probabilistische modellen over lange horizonten. De theoretische analyse biedt garanties op de stabiliteit van de decoder en de begrensde groei van de covariantie, wat ervoor zorgt dat de onzekheidspropagatie interpreteerbaar blijft en niet numeriek explodeert. Het werk positioneert CTPC-CDE++ als een flexibele, generaliseerbare oplossing voor onzekerheidsbewuste baanvoorspelling die kan worden aangepast aan verschillende coördinatensystemen en operationele beperkingen zonder architecturale modificatie.