Machine Learning-Based Evaluation of Attitude Sensor Characteristics Using Microsatellite Flight Data

Resumo Técnico: Avaliação de Características de Sensores de Atitude Baseada em Aprendizado de Máquina Utilizando Dados de Voo de Microssatélites

Definição do Problema
A determinação de atitude convencional de satélites frequentemente depende de estimativa em lote ou filtragem de Kalman baseada em modelos físicos predefinidos e suposições de ruído branco. Embora eficazes para os requisitos da missão, esses métodos podem não capturar totalmente padrões de erro estruturais, complexos e não lineares incorporados em dados observacionais reais, particularmente para sensores de atitude grosseiros, como sensores solares e sensores de campo magnético. Abordagens tradicionais frequentemente tratam esses efeitos não modelados como erros aleatórios. Além disso, a crescente necessidade de operações de satélite eficientes, redução de custos de lançamento e implantação rápida em órbitas de baixa altitude exige tecnologias que possam reduzir a carga de trabalho humana e o tempo operacional. Este estudo aborda o desafio de reavaliar o desempenho da determinação de atitude e as características de erro dos sensores utilizando dados de voo reais de uma missão de microssatélite concluída, indo além da filtragem clássica para explorar as capacidades de aprendizado de máquina (ML).

Metodologia
O estudo utiliza dados de voo do microssatélite RISING-4 (um satélite de classe 50 cm operado pela Universidade de Tohoku de 2021 a 2023). A metodologia emprega uma abordagem de aprendizado supervisionado onde resultados de determinação de atitude de alta qualidade, derivados de sensores estelares de bordo e de um giroscópio de fibra óptica (FOG), servem como "verdade de campo" (ground truth).

• Preparação de Dados: Cinco conjuntos de logs de observação em órbita foram utilizados. Quatro passagens (P1–P4) foram designadas para treinamento, e uma passagem independente (P5) foi utilizada para teste. Os dados de entrada ($X$) consistiram em medições de séries temporais de sensores grosseiros (sensores solares e sensores de campo magnético), vetores derivados de modelos (direções do Sol, magnética e da Terra no referencial inercial) e taxas angulares do giroscópio. A saída ($Y$) foi o quatérnio de atitude, convertido para Parâmetros de Rodrigues Modificados (MRP).
• Arquitetura do Modelo: Uma rede neural convolucional unidimensional (Conv1D) foi empregada. Esta arquitetura processa medições consecutivas de sensores em séries temporais (uma janela temporal de $n=5$ foi adotada como base) para prever regressivamente a atitude. O modelo transforma os vetores de entrada através de dimensões de características expandidas (de 21 para 64 e 128) e os comprime de volta para a saída (3 elementos) usando funções de ativação ReLU e uma taxa de dropout de 1% para evitar o sobreajuste (overfitting).
• Estratégia de Treinamento: O modelo foi treinado para minimizar o erro de ângulo de rotação de raiz do erro quadrático médio (RMS) entre a atitude prevista e a verdade de campo. Para evitar o viés temporal, os conjuntos de treinamento gerados a partir dos dados de séries temporais foram embaralhados aleatoriamente antes do treinamento.

Principais Contribuições

1. Aplicação Retroativa de ML: O estudo demonstra a aplicação de técnicas de aprendizado de máquina a dados de voo de uma missão que foi originalmente desenvolvida e operada sem IA, provando que o ML pode extrair padrões de erro estruturais de dados históricos.
2. Caracterização de Sensores: Ao tratar os dados do sensor estelar/FOG como verdade de campo, o estudo reavalia as características de erro dos sensores solares e magnéticos, identificando que vieses não lineares e erros de alinhamento podem ser aprendidos e corrigidos.
3. Viabilidade de Sensor Único: A pesquisa investiga a viabilidade da determinação de atitude usando tipos de sensores únicos (por exemplo, sensores magnéticos isoladamente durante o eclipse) ou combinações sem modelos físicos explícitos, mostrando que o ML pode aprender a relação entre as medições dos sensores e a atitude mesmo quando as restrições de observabilidade tradicionais (como o método TRIAD, que requer dois vetores) não são estritamente atendidas nas características de entrada.

Resultados

• Comparação de Desempenho: A determinação de atitude convencional usando o método TRIAD resultou em erros RMS na ordem de 7,34 graus. Em contraste, a abordagem de ML proposta alcançou erros significativamente menores:
  • Conjunto de Treinamento: Erros RMS de aproximadamente 0,7 grau foram alcançados para configurações otimizadas (por exemplo, Casos C1e e C1f, que incluíram tanto sensores solares quanto magnéticos junto com vetores de modelo e dados de giroscópio).
  • Conjunto de Teste: Na passagem de teste independente (P5), os modelos de melhor desempenho alcançaram erros RMS entre 2,1 e 3,0 graus, dependendo da combinação de sensores.
• Combinações de Sensores:
  • A combinação de sensores solares, sensores magnéticos e vetores derivados de modelos proporcionou um desempenho favorável.
  • Quando as medições do giroscópio foram excluídas, a combinação de sensores solares e magnéticos permaneceu eficaz.
  • Crucialmente, o estudo descobriu que a determinação de atitude usando apenas medições de campo magnético (Caso C3f) resultou em um RMS de teste de 2,1 graus, sugerindo que um certo nível de precisão é alcançável durante condições de eclipse, onde os sensores solares não estão disponíveis.
  • O uso de um único tipo de sensor sem vetores de modelo (por exemplo, apenas sensores solares) resultou em erros significativamente maiores, indicando a importância de dados suplementares ou contexto aprendido.
• Generalização: O estudo observou que o melhor modelo no conjunto de treinamento nem sempre produzia os melhores resultados no conjunto de teste, destacando a importância de avaliar as capacidades de generalização. A forte semelhança nos perfis de séries temporais entre as passagens de treinamento e teste (devido às estratégias de manobra padronizadas) contribuiu para a eficácia do modelo.

Significância e Alegações
O artigo afirma que métodos baseados em aprendizado de máquina são candidatos promissores tanto para computação de bordo em futuros satélites quanto para análise offline de missões passadas. O estudo enfatiza que a abordagem proposta é particularmente valiosa para:

• Suporte à Aquisição Inicial: Guiar a espaçonave em direção a atitudes ideais para a aquisição do sensor estelar ou comunicação com estações terrestres sem depender de sensores estelares.
• Redundância: Fornecer estimativa de atitude auxiliar quando os sensores primários falham ou não estão disponíveis.
• Eficiência Operacional: Reduzir a necessidade de modelagem física complexa e intervenção humana nas operações de satélites.

No entanto, os autores mantêm uma postura modesta em relação à generalização de seus achados. Eles declaram explicitamente que os resultados dependem de aprendizado supervisionado onde uma verdade de campo de alta qualidade (proveniente de sensores estelares/FOG) estava disponível para treinar o modelo. O artigo não alega que a determinação de atitude é geralmente possível usando apenas um único sensor grosseiro na ausência de tal verdade de campo ou dados de simulação. Em vez disso, postula que o modelo de ML incorpora implicitamente vieses não lineares dos sensores e características de perturbação específicas do satélite presentes no ambiente de voo real. Os autores sugerem que trabalhos futuros poderiam explorar o uso de informações indiretas de verdade de campo (como imagens de observação da Terra ou câmeras olho de peixe) para treinar modelos onde dados de atitude de alta precisão direta não estejam disponíveis, mas isso permanece uma proposta para pesquisas futuras e não um resultado demonstrado do presente estudo.