Probabilistic Methods for Initial Orbit Determination and Orbit Determination in Cislunar Space

Este trabalho apresenta um novo quadro probabilístico para a determinação inicial e de órbita no espaço cislunar, que combina um método de ajuste cinemático de observações consecutivas para gerar uma estimativa de estado inicial em forma de nuvem de partículas com um Filtro de Mistura Gaussiana de Partículas (PGM) para reduzir a incerteza ao longo do tempo, superando as limitações dos métodos tradicionais como o de Gauss em dinâmicas de três corpos.

O essencial

Imagine que o espaço entre a Terra e a Lua (chamado de espaço cislunar) é um oceano vasto e escuro, e nós somos faroleiros tentando encontrar barcos que passam por lá. O problema é que, nesse oceano, as regras da física são diferentes das que conhecemos perto da Terra.

Aqui está uma explicação simples do que os autores deste artigo descobriram, usando analogias do dia a dia:

1. O Problema: O "GPS" Antigo Quebrou

Antigamente, para descobrir onde um satélite estava, os cientistas usavam um método famoso chamado "Método de Gauss". Pense nele como um GPS de carro: ele funciona muito bem em estradas retas e previsíveis (órbitas simples ao redor da Terra).

Mas, quando você vai para o espaço entre a Terra e a Lua, a gravidade da Terra e da Lua puxam o objeto em direções diferentes, criando um movimento caótico e curvo. É como tentar usar um GPS de carro para navegar em um rio cheio de corredeiras e redemoinhos. O "GPS" antigo (Método de Gauss) falha porque assume que o movimento é simples e plano, o que não é verdade nesse novo território.

2. A Solução de Início: "Desenhar a Curva" (IOD)

Como não podemos usar o GPS antigo, os autores criaram uma nova maneira de começar a rastrear um objeto, chamada Determinação Inicial de Órbita (IOD).

• A Analogia do Ponto de Conexão: Imagine que você vê um pássaro voando longe. Você não sabe exatamente a distância dele, mas consegue ver para onde ele está olhando (ângulo) por várias horas.
• O Truque: Em vez de tentar adivinhar a distância exata de uma só vez, eles pegam dezenas de observações (ângulos) feitas ao longo de várias horas. Eles imaginam que o movimento do objeto é como uma linha desenhada em um papel. Eles usam um computador para "costurar" esses pontos com uma curva suave (um polinômio).
• A Mágica: Ao desenhar essa curva, eles podem calcular não apenas onde o objeto está, mas também para onde ele está indo e quão rápido (velocidade), apenas olhando para a inclinação da linha.
• A Nuvem de Partículas: Como eles não têm certeza da distância exata, eles não fazem apenas um cálculo. Eles fazem milhares de cálculos, assumindo distâncias diferentes (desde o mínimo possível até o máximo). O resultado não é um único ponto, mas uma grande nuvem de possibilidades (uma "nuvem de partículas") que cobre toda a área onde o objeto poderia estar.

3. O Rastreamento Contínuo: O "Filtro PGM"

Agora que temos essa "nuvem gigante" de possibilidades, precisamos apertá-la para encontrar o objeto real. É aqui que entra o Filtro PGM.

• A Analogia da Peneira Inteligente: Imagine que você tem uma peneira cheia de areia, pedras e algumas moedas de ouro (o objeto real).
  • Filtros comuns (como o Kalman) tentam apertar tudo de uma vez, assumindo que a areia está distribuída de forma perfeita e simétrica. Se a areia estiver bagunçada (caótica), eles se confundem e perdem a moeda.
  • O Filtro PGM é como um peneirador superinteligente que consegue ver que a areia está em vários grupos diferentes. Ele agrupa os pedaços de areia que fazem sentido juntos, descarta os que são impossíveis e foca nos grupos que têm mais chance de conter a moeda.
• Resiliência: O grande trunfo desse filtro é que ele aguenta "apagões". Se o sensor parar de funcionar por 10 ou 150 dias (como se o farol fosse desligado), a nuvem de possibilidades se espalha e fica caótica. Quando o farol acende de novo, o Filtro PGM consegue se recompor e encontrar o objeto, enquanto os outros filtros "desistem" ou apontam para o lugar errado.

4. O Que Eles Provaram

Os autores testaram essa ideia em três cenários diferentes:

1. Uma órbita estável (como a da NASA): Funcionou perfeitamente, reduzindo a incerteza rapidamente.
2. Um ponto caótico (perto do ponto L2): Onde o espaço é muito instável. O filtro conseguiu manter o controle mesmo quando a matemática ficava louca.
3. Um "apagão" gigante: Eles desligaram o sensor por 150 dias. Quando ligaram de novo, os filtros comuns falharam, mas o Filtro PGM conseguiu recuperar o objeto sem precisar começar do zero.

Resumo Final

Este artigo diz: "Não precisamos de um GPS perfeito para começar a rastrear objetos no espaço entre a Terra e a Lua. Podemos usar observações simples de ângulo, desenhar curvas para estimar a velocidade e criar uma 'nuvem de possibilidades'. Depois, usamos um filtro inteligente (PGM) que é como um detetive experiente: ele sabe lidar com o caos, aguenta longos períodos sem informação e consegue encontrar o alvo mesmo quando tudo parece perdido."

É uma nova forma de navegar no caos do espaço profundo, garantindo que não vamos perder de vista os satélites e missões futuras que vão para a Lua.

Resumo técnico

1. O Problema

O domínio cislunar (o espaço entre a Terra e a Lua) representa um desafio significativo para a Consciência Situacional Espacial (SSA). Diferente das órbitas próximas à Terra (LEO) ou geoestacionárias (GEO), onde a dinâmica de dois corpos (Kepleriana) é predominante, o domínio cislunar é governado pela dinâmica de três corpos (Terra-Lua-Satélite).

Os principais problemas identificados são:

• Incompatibilidade do Método de Gauss: O método clássico de Gauss para Determinação de Órbita Inicial (IOD) assume dinâmica Kepleriana e medições de curto arco. Essas premissas falham no domínio cislunar devido à não planaridade do movimento e à influência gravitacional dominante da Lua.
• Incerteza Inicial: Métodos probabilísticos existentes (como a Região Admissível Probabilística - PAR) frequentemente exigem muitas suposições a priori sobre a geometria do alvo, sensores e estatísticas orbitais, o que pode introduzir viés.
• Não Linearidade e Caos: A dinâmica cislunar é altamente não linear e caótica, especialmente perto dos pontos de Lagrange (L1, L2, L3). Filtros tradicionais baseados em Gaussianas (como EKF, UKF e EnKF) tendem a falhar ou tornar-se "superconfiantes" (overconfident) quando lidam com distribuições de probabilidade não Gaussianas resultantes de longos períodos sem observação (desligamento de sensores).

2. Metodologia

Os autores propõem um quadro de trabalho combinado de Determinação de Órbita Inicial (IOD) e Determinação de Órbita (OD) com o mínimo de suposições, utilizando o Filtro de Mistura Gaussiana de Partículas (PGM - Particle Gaussian Mixture Filter).

A. Determinação de Órbita Inicial (IOD) - Ajuste Cinemático

Em vez de tentar resolver equações de movimento complexas para obter a velocidade, o método utiliza o fato de que objetos no espaço cislunar permanecem no campo de visão de um observador terrestre por longos períodos (10-20 horas).

1. Coleta de Dados: Utiliza-se uma série de medições consecutivas de azimute (AZ) e elevação (EL), combinadas com informações de alcance (range) altamente ruidosas ou inferidas.
2. Ajuste Polinomial: A posição do alvo no sistema de coordenadas topocêntrico é ajustada a curvas polinomiais (splines) ao longo do tempo usando o método dos mínimos quadrados.
3. Derivação do Estado: A velocidade é obtida derivando temporalmente esses polinômios ajustados.
4. Monte Carlo: Para lidar com a incerteza, o processo é repetido milhares de vezes, amostrando o ruído das medições e o alcance de uma distribuição uniforme (cobrindo todo o domínio cislunar). Isso gera uma "nuvem de partículas" que representa a estimativa inicial da densidade de probabilidade (PDF) do estado.

B. Determinação de Órbita (OD) - Filtro PGM

Uma vez estabelecida a nuvem de partículas inicial, o Filtro PGM é aplicado para reduzir a incerteza ao longo do tempo.

• Estrutura do Filtro: O PGM combina a propagação de partículas com agrupamento (clustering) e atualização.
• Passos Chave:
  1. Propagação: As partículas são propagadas através do modelo dinâmico de três corpos restritos (CR3BP).
  2. Agrupamento (Clustering): As partículas são agrupadas em componentes Gaussianos (usando o algoritmo k-means) para formar uma Mistura Gaussiana (GMM). Isso lida com a não linearidade e a deformação da PDF.
  3. Atualização: Cada componente da GMM é atualizado usando um filtro de Kalman de Ensemble (EnKF) baseado nas observações angulares.
  4. Ressampling: As partículas são reamostradas da nova distribuição GMM para evitar o esgotamento de partículas.

3. Principais Contribuições

• Método IOD de Mínima Suposição: Desenvolvimento de uma técnica que não depende de elementos orbitais clássicos (inexistentes em CR3BP) nem de suposições rígidas sobre a órbita, utilizando apenas dados angulares e uma estimativa grosseira de alcance.
• Aplicação do Filtro PGM no Cislunar: Demonstração de que o Filtro PGM é superior aos filtros Kalman tradicionais (UKF, EnKF) para rastreamento de alvos em dinâmicas caóticas e com distribuições não Gaussianas.
• Resiliência a Desligamentos de Sensores: O framework demonstra capacidade de manter a "custódia" (tracking) do alvo mesmo após longos períodos sem observação (ex: 10 a 150 dias), onde outros filtros falhariam devido à bifurcação caótica das trajetórias.
• Análise de Suposições de Alcance: Estudo comparativo mostrando que, embora suposições iniciais mais fracas (apenas limites de alcance) gerem estimativas iniciais maiores, o filtro PGM consegue convergir para uma precisão alta a longo prazo, tornando suposições complexas de alcance desnecessárias.

4. Resultados

Os resultados foram validados em três cenários de trajetórias distintas:

1. Órbita NRHO 9:2 (Resonante): Uma órbita estável usada pelo programa Gateway da NASA. O filtro reduziu a incerteza de posição de ~1000 km para ~1.5 km e a velocidade de ~5 km/s para ~45 cm/s em poucas passagens.
2. Passagem pelo Ponto de Lagrange L2: Um cenário altamente caótico. O filtro conseguiu manter o rastreamento após um desligamento de sensor de 10 dias, onde a PDF inicial se deformou severamente.
3. Órbita NRHO 3:1 (Caótica): O teste mais extremo, com um desligamento de sensor de 150 dias.
   • Comparação de Filtros: Enquanto o UKF tornou-se superconfiante e inconsistente, e o EnKF falhou em manter a precisão após a bifurcação caótica, o Filtro PGM manteve a consistência e a precisão, permitindo a retomada do rastreamento com apenas algumas observações após o longo período de silêncio.
   • Métrica de Entropia: A entropia da estimativa de estado (medida de incerteza) mostrou que o PGM reduziu a incerteza de forma mais eficiente e estável do que os filtros Kalman em cenários não Gaussianos.

5. Significado e Conclusão

O trabalho estabelece um novo paradigma para o rastreamento de objetos espaciais no domínio cislunar. Ao substituir a dependência de modelos dinâmicos rígidos e suposições orbitais por um ajuste cinemático probabilístico e um filtro de mistura gaussiana robusto, os autores demonstram que é possível rastrear alvos com mínimas suposições iniciais.

A implicação prática é crucial para a segurança do tráfego espacial futuro: permite que agências espaciais e operadores de satélites mantenham a consciência situacional de objetos em órbitas complexas e caóticas, mesmo quando os dados de sensores são intermitentes ou imprecisos. O método sugere que, em regimes de alta não linearidade, a flexibilidade de representar a incerteza como uma mistura de Gaussianas (PGM) é superior às aproximações de uma única Gaussiana (Kalman), garantindo a segurança de missões lunares e cislunares.