Technische Samenvatting: Physics-Informed Conditional Normalizing Flows voor Angles-Only Cislunaire Baanbepaling

Probleemstelling

Dit werk behandelt de uitdaging van de Initial Orbit Determination (IOD) binnen de cislunaire omgeving, specifiek voor ruimtevaartuigen die opereren in Near Rectilinear Halo Orbits (NRHO's) rond het aard-maan $L_2$-punt. Het probleem wordt geformuleerd als een angles-only schattingsopgave, waarbij het doel is om de waarschijnlijkheidsverdeling van de initiële geocentrische toestand van een doelwit ($\bar{X}_1 \in \mathbb{R}^6$) af te leiden op basis van een korte boog van azimut- en elevatiemetingen ($\theta, \phi$) verzameld door een grondstation (Cebreros, Spanje).

Het probleem wordt gekenmerkt door aanzienlijke moeilijkheden:

• Dataschaarste: Observaties zijn beperkt tot korte bogen (50–150 minuten) met een lage frequentie.
• Dynamische Complexiteit: De cislunaire omgeving wordt beheerst door het Circular Restricted Three-Body Problem (CR3BP), wat intrinsieke instabiliteit en chaotisch gedrag vertoont.
• Gebrek aan Priors: In tegenstelling tot routinematige Orbit Determination (OD), mist IOD voorafgaande toestandinformatie, wat het inverse probleem zeer niet-lineair maakt en gevoelig is voor lokale minima in traditionele optimalisatie.
• Afwezigheid van GNSS: Er is geen dedicated Global Navigation Satellite System voor de cislunaire regio, waardoor men moet vertrouwen op optische tracking.

Methodologie

De auteurs stellen een Generative Astrodynamics framework voor dat baanbepaling behandelt als een conditional density estimation probleem. In plaats van direct te zoeken naar een enkele toestandvector, leert het model de conditionele waarschijnlijkheidsverdeling $p(\bar{X}_1 | Y)$, waarbij $Y$ de sequentie van angles-only observaties vertegenwoordigt.

1. Generatieve Architectuur: Conditional Normalizing Flows

De kern van de aanpak is een Conditional Normalizing Flow (CNF) model, specifiek een Real Non-Volume Preserving (Real-NVP) architectuur.

• Transformatie: Het model definieert een omkeerbare mapping $f: \mathbb{R}^6 \to \mathbb{R}^6$ die de doelwit initiële toestand $\bar{X}_1$ transformeert naar een latente variabele $w$ getrokken uit een bekende basisverdeling (standaard multivariate Gaussische verdeling).
• Conditionering: De flow is geconditioneerd op de observatieboog $Y_k$. Om variabelenlengte observatiesequenties en diverse observatorlocaties te verwerken, verwerkt een Transformer-gebaseerde encoder de observatiesequentie $Y_k$ tot een representatie van vaste grootte $\tilde{Y}_k$, die wordt geconcateneerd met de gemaskeerde toestandcomponenten bij elke coupling layer.
• Sampling: Tijdens de inferentie worden latente samples gegenereerd door latente codes te verstoren die afkomstig zijn van de trainingsdata ($w_{inf} = w_{train} + 0.1\varepsilon$). Deze worden teruggemapt via de inverse flow $g(w|Y_{new})$ om een set statistisch consistente initiële toestandshypotheses te genereren.

2. Physics-Informed Regularisatie

Een cruciaal onderdeel van de methodologie is de integratie van natuurkundige wetten in de trainingsverliesfunctie om dynamische consistentie te waarborgen.

• Standaard Verlies: Het model minimaliseert de negatieve log-likelihood van de conditionele verdeling ($L_{flow}$).
• Physics Loss ($L_{phys}$): Een extra term wordt geïntroduceerd om toestanden te bestraffen die, hoewel statistisch waarschijnlijk, de bewegingsvergelijkingen schenden. Dit wordt berekend door:
  1. De gegenereerde initiële toestand vooruit in de tijd te propageren met behulp van de CR3BP-bewegingsvergelijkingen (geïntegreerd via RK4).
  2. De voorspelde angles-only observables te berekenen.
  3. De residuvector $\bar{\sigma}$ te berekenen tussen de voorspelde en werkelijke metingen.
  4. De kwadratische norm van deze residuen te minimaliseren.
• Totaal Doel: De gecombineerde loss is $L = L_{flow} + \beta L_{phys}$, waarbij $\beta$ een weegfactor is die lineair toeneemt tijdens de eerste 100 epochs van de training.

3. Hybride Schattingspipeline

Het generatieve model dient als een warm start voor klassieke schattingsalgoritmen. De workflow is:

1. Generatie: De CNF genereert meerdere plausibele initiële toestandshypothesen geconditioneerd op nieuwe metingen.
2. Verfijning: Deze hypothesen worden ingevoerd in een Nonlinear Least-Squares Estimation (NLSE) algoritme (Gauss-Newton iteratief schema) om de schattingen te verfijnen en de meetresiduen te minimaliseren.

Belangrijkste Bijdragen

1. Generatieve Formulering van IOD: Het artikel breidt Generative Astrodynamics uit naar het cislunaire domein door IOD te formuleren als een conditional density estimation taak in plaats van een deterministisch invers probleem. Dit maakt de representatie van multimodale posteriors en inherente onzekerheidskwantificering mogelijk.
2. Physics-Informed Normalizing Flows: De auteurs demonstreren dat het aanvullen van de likelihood-gebaseerde training van normalizing flows met een physics-informed verliesterm ($L_{phys}$) essentieel is. Hoewel de flow kan leren om trainingsdata te reconstrueren zonder deze term, fungeert de physics loss als een regularisator die ervoor zorgt dat de geleerde latente manifold de dynamische consistentie behoudt, wat het genereren van fysiek onmogelijke toestanden tijdens inferentie voorkomt.
3. Robuuste Initialisatiestrategie: De studie valideert de CNF als een superieure initialisatiestrategie voor klassieke NLSE vergeleken met naïeve benaderingen (bijv. het gebruik van de toestand van de Maan als proxy).

Resultaten

Het model werd getraind op een synthetische dataset van 4.119 geldige observatiebogen afgeleid van 10 verschillende NRHO-trajecten.

• Trainingsdynamiek: De inclusie van $L_{phys}$ resulteerde in een stabiel trainingsproces waarbij de latente verdeling dicht bij de basis-Gaussische verdeling bleef terwijl de noodzakelijke afwijkingen voor fysieke getrouwheid werden gevangen.
• Prestatievergelijking:
  • Vs. Maan-gebaseerde Benadering: De flow-gebaseerde initialisatie presteerde aanzienlijk beter dan initialisatie gebaseerd op de toestand van de Maan, wat resulteerde in lagere positie/snelheid fouten en veel kleinere post-fit residuen. De maan-gebaseerde benadering convergeerde vaak naar lokale minima.
  • Vs. Exacte Initialisatie: De flow-gebaseerde benadering bereikte een nauwkeurigheid die vergelijkbaar is met het initialiseren van de NLSE met de exacte ware toestand, wat het vermogen aantoont om hoogwaardige startpunten te leveren.
• Ablatieonderzoek: Het verwijderen van de physics-informed verliesterm leidde tot een degradatie in robuustheid. Hoewel de gemiddelde residuen laag bleven, produceerde het model grote maximale fouten (tot wel ~9.600 km in positie), wat duidt op een falen om te generaliseren naar fysiek consistente oplossingen buiten de directe trainingsmanifold.

Betekenis en Claims

Het artikel claimt dat dit werk een belangrijke stap voorwaarts is in Generative Astrodynamics door succesvol conditional normalizing flows toe te passen op een complexe, real-world navigatieprobleem (cislunaire IOD).

De primaire betekenis ligt in de synergie tussen generatieve AI en natuurkundige wetten. De auteurs beargumenteren dat:

• Puur datagedreven generatieve modellen statistisch plausibele maar dynamisch onmogelijke toestanden kunnen produceren.
• De physics-informed loss niet louter een prestatieverbeteraar is, maar een noodzakelijke beperking om ervoor te zorgen dat het generatieve model de onderliggende dynamische structuur van de CR3BP leert.
• De voorgestelde methode een probabilistisch alternatief biedt voor deterministische OD, wat een natuurlijk mechanisme biedt voor onzekerheidskwantificering en het vermogen om multi-modale oplossingsruimtes te hanteren (bijv. meerdere geldige banen die dezelfde korte boog passen).
• Als warm start voor klassieke algoritmen, mitigeert de methode het risico op convergentie naar lokale minima, een cruciaal voordeel in de hoog niet-lineaire cislunaire omgeving waar observatiebogen kort en ruisgevoelig zijn.

De auteurs concluderen dat deze aanpak het potentieel heeft om te worden uitgebreid naar bredere ruimtevaartnavigatiescenario's, inclusclusief schaarse observaties en autonome onboard navigatie, mits toekomstig werk de prestaties op echte observationele data valideert.