Probabilistic Artificial Intelligence Framework for Data Association in Distributed Multi-Sensor Space Object Tracking under Sparse Measurement Regimes

De hemel boven ons wordt steeds drukker. Naast de zichtbare sterren en de incidentele flits van een satelliet, bevindt zich een stille verkeersopstopping van door mensen gemaakte objecten die rond de aarde draaien. Deze populatie, bekend als residentiële ruimteobjecten, omvat actieve satellieten, defecte ruimtevaartuigen, afgedankte raketlichamen en talloze kleine fragmenten van puin. Hoewel de grootste van deze objecten worden gevolgd door grondgebaseerde radarstations, creëert het enorme volume aan objecten — dat voor gecatalogiseerde items in de tienduizenden loopt en voor kleinere, niet-traceerbare stukken in de miljoenen — een gevaarlijke omgeving. De primaire uitdaging voor ruimtevaartorganisaties is niet alleen het zien van deze objecten, maar ook precies weten waar ze zijn en waar ze naartoe gaan. Dit is cruciaal om botsingen te voorkomen die waardevolle satellieten kunnen vernietigen of nog meer puin kunnen creëren. De huidige methoden die worden gebruikt om deze objecten te volgen, worstelen echter wanneer de gegevens incompleet zijn. Radarstations vangen vaak slechts een korte blik op een satelliet terwijl deze over het hoofd trekt, wat een korte, schaarse boog aan informatie oplevert in plaats van een continue stroom. In deze moeilijke omstandigheden schieten traditionele wiskundige instrumenten vaak tekort om de punten te verbinden, waardoor er gaten ontstaan in onze kennis van het orbitale landschap.

Om deze groeiende complexiteit aan te pakken, hebben onderzoekers Mehar Taj en Dr. Zabiha Khan van de Nitte University in India een nieuw, verenigd systeem ontwikkeld dat kunstmatige intelligentie gebruikt om drie moeilijke problemen tegelijk op te lossen: identificeren welk radarpunt bij welk object hoort, beslissen welke radar als volgende waarheen moet kijken, en het pad van het object met hoge precisie berekenen. Hun werk beweegt weg van de oude manier van het apart afhandelen van deze taken, waarbij het ene computerprogramma de identiteit van een object raadt en een ander bepaat waar de radar op gericht moet worden. In plaats daarvan hebben zij een enkel, geïntegreerd kader gecreëerd dat leert om alle drie de taken simultaan uit te voeren. Deze aanpak is specifiek ontworpen voor het "sparse measurement" regime (regime van schaarse metingen), waarbij radarstations slechts enkele seconden aan gegevens over een object krijgen voordat het uit het zicht verdwijnt. Door verschillende soorten kunstmatige intelligentie te combineren, bouwde het team een systeem dat de manier nabootst waarop een deskundige menselijke analist door onzekerheid zou redeneren, maar dan met de snelheid en consistentie van een machine.

De kern van hun oplossing ligt in de manier waarop het systeem nieuwe radargegevens verbindt met bestaande records van ruimteobjecten. In een drukke hemel kan een radar in een enkele seconde honderd radarpunten detecteren, maar het weet niet onmiddellijk welk punt overeenkomt met welke bekende satelliet. Traditionele methoden proberen dit op te lossen door elke mogelijke combinatie te testen, een proces dat onmogelijk traag wordt naarmate het aantal objecten groeit. Het nieuwe systeem gebruikt een graafgebaseerd neuraal netwerk, een type kunstmatige intelligentie dat uitblinkt in het begrijpen van relaties tussen veel verschillende items. Het behandelt de radar metingen en de bekende satellietbanen als punten op een kaart en trekt lijnen tussen hen op basis van hoe waarschijnlijk een match is. Cruciaal is dat dit netwerk is gebouwd met een begrip van de orbitale fysica, wat betekent dat het weet dat objecten bewegen op specifieke, voorspelbare manieren die door zwaartekracht worden beheerst. Dit stelt het systeem in staat om onmogelijke matches direct uit te sluiten zonder dat elke enkele mogelijkheid berekend hoeft te worden. In hun tests bleek deze methode aanzienlijk sneller en nauwkeuriger dan oudere technieken, vooral wanneer de radargegevens zeer kort waren.

Zodra het systeem weet welke radarpunten bij welke objecten horen, moet het beslissen hoe het de beperkte tijd van de radarstations moet gebruiken. Radars kunnen niet alles tegelijk in de gaten houden; ze moeten kiezen welke objecten ze volgen om de meest nuttige informatie te verkrijgen. De onderzoekers hebben een reinforcement learning agent getraind, een type AI dat leert door middel van vallen en opstaan, om te fungeren als een slimme planner. Deze agent kijkt naar de volledige catalogus van ruimteobjecten en hun huidige niveaus van onzekerheid. Als de positie van een satelliet slecht bekend is, geeft de agent deze prioriteit en stuurt de radar aan om meer gegevens te verzamelen. Als een satelliet goed wordt gevolgd, gaat de agent verder naar anderen. Deze dynamische aanpak zorgt ervoor dat het radarnetwerk zijn energie richt waar die het meest nodig is, in plaats van een strikt, vooraf ingesteld schema te volgen. De resultaten toonden aan dat deze intelligente planning de algehele onzekerheid van de gehele ruimtecatalogus met wel 75 procent verminderde in vergelijking met standaard, op regels gebaseerde planningsmethoden.

Het laatste puzzelstukje is het bepalen van het exacte pad van de satelliet op basis van deze schaarse, korte bursts van gegevens. Standaard wiskundige modellen gaan er vaak van uit dat meetfouten een eenvoudige, klokvormige curve volgen, wat goed werkt wanneer er veel gegevens zijn. Echter, wanneer gegevens schaars zijn, kan de werkelijke onzekerheid complex en onregelmatig zijn. De onderzoekers vervingen deze standaardmodellen door een neural ordinary differential equation system. Dit is een machine learning-model dat wordt beperkt door de wetten van de fysica, waardoor de voorspelde paden altijd logisch zijn in de echte wereld, terwijl het tegelijkertijd leert van de rommelige, reële gegevens. Deze hybride aanpak stelde het systeem in staat om de positie en snelheid van objecten met aanzienlijk hogere nauwkeurigheid te berekenen dan traditionele methoden. In simulaties waarbij een fragmentatiegebeurtenis plaatsvond, waarbij een satelliet in honderden stukken uiteenvalt, verminderde het nieuwe systeem de fout in positie-inschattingen met 78 procent vergeleken met de beste bestaande standaardmethode.

De onderzoekers testten hun framework in vijf verschillende scenario's, variërend van een rustige hemel met weinig objecten tot een chaotische omgeving met honderden satellieten en brokstukken. In elk geval presteerde het geïntegreerde systeem beter dan de traditionele methoden die data associatie, planning en baanberekening als aparte stappen behandelen. De meest spectaculaire verbeteringen traden op in de moeilijkste situaties, waar het aantal objecten hoog was en de radargegevens extreem kort waren. In één extreme test met een fragmentatiegebeurtenis met 800 objecten, duurde het verwerken van de gegevens met de traditionele methoden zo lang dat ze onbruikbaar werden voor real-time operaties, terwijl het nieuwe systeem de taak in een fractie van een seconde voltooide. De studie bevestigt dat het behandelen van deze problemen als één, verbonden uitdaging betere resultaten oplevert dan ze één voor één oplossen. Hoewel het werk werd uitgevoerd in een high-fidelity simulatie en nog niet is getest op live radargegevens van de Indian Space Research Organisation, suggereren de resultaten een krachtige nieuwe richting voor het veilig houden van de hemel. Door de taken van zien, beslissen en voorspellen te verenigen, biedt dit framework een manier om de groeiende complexiteit van het ruimteverkeer met grotere snelheid en betrouwbaarheid te beheren.