Resumo Técnico: Corretores Probabilísticos de Tempo Contínuo para Previsão de Trajetórias de Naves Espaciais com Consciência de Incerteza

Declaração do Problema

A previsão de trajetórias de naves espaciais de longo horizonte é crítica para a Consciência de Domínio Espacial (SDA), incluindo a avaliação de risco de colisão e análise de conjunção. Embora propagadores determinísticos de alta fidelidade baseados em física, como o General Mission Analysis Tool (GMAT) da NASA, forneçam previsões determinísticas precisas, eles carecem de estimativas de incerteza confiáveis e calibradas sobre horizontes longos e sem observações. Em regimes operacionais onde não há observações corretivas disponíveis, a dinâmica não modelada, desalinhamentos paramétricos e aproximações numéricas fazem com que os erros de previsão se acumulem. Consequentemente, a covariância de erro reportada pelos propagadores padrão torna-se excessivamente confiante, subestimando a incerteza real e os riscos de colisão associados. Abordagens existentes de aprendizado de máquina frequentemente falham em fornecer estimativas de incerteza de covariância total ou lutam com dados amostrados irregularmente e recursos ausentes, comuns em telemetria do mundo real.

Metodologia

Os autores propõem uma estrutura de Preditor–Corretor projetada para envolver simuladores determinísticos de física existentes (especificamente o GMAT) para melhorar tanto a precisão quanto a quantificação de incerteza.

1. Arquitetura da Estrutura

A estrutura consiste em dois componentes:

• Preditor: Um previsor determinístico de tempo contínuo (ex: GMAT) que gera a trajetória de base.
• Corretor: Um módulo probabilístico de tempo contínuo aprendido que modela a evolução temporal dos erros de previsão do preditor.

2. Arquitetura Central: Equações Diferenciais Controladas Neurais Latentes (Latent NCDEs)

A principal contribuição é a variante CTPC-CDE++, que utiliza Latent NCDEs. Esta arquitetura emprega uma estrutura de codificador-decodificador:

• Codificador (Encoder): Processa o histórico dos erros de previsão do GMAT (observado até o tempo $t_{T'}$) usando uma NCDE. Ele mapeia este histórico em uma distribuição latente (uma Gaussiana diagonal) que serve como um prior.
• Decodificador (Decoder): Modela a evolução probabilística dos erros sobre o horizonte de previsão ($t_{T'}$ a $t_T$). O decodificador é uma NCDE impulsionada por um caminho de controle construído a partir das previsões determinísticas do GMAT. Ao amostrar da distribuição latente para inicializar o decodificador, o modelo gera trajetórias de erro diversas, capturando a incerteza de tipo epistêmica.
• Cabeça de Previsão (Prediction Head): Mapeia o estado oculto do decodificador para os parâmetros de uma distribuição Student-$t$ multivariada (média $\mu_t$ e covariância total $\Sigma_t$) para o erro de previsão.

3. Objetivo de Treinamento

O modelo é treinado usando uma função de perda composta projetada para garantir tanto nitidez (sharpness) quanto calibração:

• Log-Verossimilhança Negativa (NLL) de Student-$t$: Captura distribuições de erro de cauda pesada.
• Pontuação de Probabilidade Classificada Contínua (CRPS): Uma regra de pontuação estritamente própria que incentiva distribuições preditivas bem calibradas.
• Regularização KL: Garante que o posterior latente permaneça próximo a um prior normal padrão.

4. Inferência

Durante a inferência, a estrutura agrega $K$ amostras de Monte Carlo do espaço latente. A estimativa de incerteza final combina a variância intra-amostra (aleatória) e a variância entre-amostras (induzida pelo latente), criando efetivamente um efeito de conjunto (ensemble) sem treinar múltiplos núcleos distintos.

Principais Contribuições

1. Corretores Probabilísticos de Tempo Contínuo (CTPC): Uma estrutura que aumenta simuladores de física determinísticos com dinâmica de erro probabilística de tempo contínuo aprendida.
2. Arquitetura CTPC-CDE++: Uma implementação específica baseada em Latent NCDEs que suporta naturalmente observações amostradas irregularmente e recursos ausentes via caminhos de controle baseados em splines, ao contrário de Latent ODEs padrão que exigem mascaramento explícito.
3. Calibração e Nitidez: A introdução de uma função de perda combinando verossimilhança Student-$t$ e CRPS, que produz estimativas de covariância total nítidas e bem calibradas que permanecem estáveis em horizontes longos (até 4 dias).
4. Robustez de Referencial de Coordenadas: Demonstração teórica e empírica de que decodificadores baseados em NCDE podem modelar dinâmicas de erro robustamente através de diferentes sistemas de coordenadas (ECI e RTN), enquanto decodificadores baseados em NODE são restritos a sistemas específicos (ex: RTN) devido à sua falta de condicionamento por caminho de controle explícito.

Resultados Experimentais

A estrutura foi avaliada em dados reais de trajetórias de naves espaciais do sistema de informações de dados de dinâmica crustal da NASA (CDDIS) através de seis janelas de teste rotativas com horizontes de previsão variando de 1ks de 16 horas a 4 dias (5760 minutos).

• Precisão: Todas as variantes CTPC reduziram significativamente o Erro Quadrático Médio (MSE) em comparação com o baseline GMAT. A variante CTPC-CDE++ alcançou o melhor desempenho, reduzindo o MSE em aproximadamente 64–82% em vários horizontes comparado ao GMAT isolado.
• Calibração: O método proposto produziu estimativas de incerteza bem calibradas. A distância de Mahalanobis ao quadrado normalizada ($\bar{d}^2$) permaneceu próxima ao valor ideal de 1.0 em todos os horizontes. Em contraste, os modelos baseline de Latent ODE (mesmo com perda CRPS) exibiram excessiva confiança, com valores de $\bar{d}^2$ atingindo ordens de magnitude superiores a 1.
• Nitidez (Sharpness): Os modelos CTPC mantiveram elipsoides de incerteza nítidos (baixo determinante de log da covariância) sem sacrificar a calibração, demonstrando que a incerteza não foi artificialmente inflada para compensar a baixa precisão.
• Variabilidade Latente: Experimentos mostraram que agregar a variância preditiva total (incluindo a variabilidade induzida pelo latente) foi crítico para a calibração. Usar apenas a variância média preditiva levou à subestimação da incerteza e previsões excessivamente confiantes.
• Robustez de Coordenadas: Quando testado no referencial Earth-Centered Inertial (ECI), o CTPC-CDE baseado em NCDE manteve melhorias substanciais de precisão e calibração, enquanto o CTPC-ODE baseado em NODE falhou em generalizar, mostrando redução negligível de MSE e má calibração severa.

Significância e Alegações

O artigo afirma que o Corretor Probabilístico de Tempo Contínuo proposto preenche efetivamente a lacuna entre a propagação baseada em física de alta fidelidade e a necessidade de incerteza confiável e calibrada para operações espaciais críticas de segurança. Ao envolver ferramentas existentes como o GMAT, o método melhora a precisão da previsão enquanto fornece estimativas de covariância total que são robustas a longos intervalos de observação e amostragem de dados irregular.

Os autores enfatizam que sua abordagem aborda os modos de falha específicos dos métodos atuais: a confiança excessiva dos baselines determinísticos e os modelos probabilísticos padrão com baixa calibração em horizontes longos. A análise teórica fornece garantias sobre a estabilidade do decodificador e o crescimento limitado da covariância, garantindo que a propagação da incerteza permaneça interpretável e não exploda numericamente. O trabalho posiciona o CTPC-CDE++ como uma solução flexível e generalizável para a previsão de trajetórias com consciência de incerteza, que pode ser adaptada a vários sistemas de coordenadas e restrições operacionais sem modificação arquitetural.