Resumo Técnico: Fluxos de Normalização Condicionais Informados pela Física para Determinação de Órbita de Ângulos Únicos em Ambiente Cislunar

Declaração do Problema

Este trabalho aborda o desafio da Determinação de Órbita Inicial (IOD) no ambiente cislunar, especificamente para espaçonaves operando em Órbitas Halo Retilíneas Próximas (NRHOs) ao redor do ponto $L_2$ da Terra-Lua. O problema é formulado como uma tarefa de estimativa de ângulos únicos, onde o objetivo é inferir a distribuição de probabilidade do estado geocêntrico inicial de um alvo ($X_1 \in \mathbb{R}^6$) com base apenas em um arco curto de medições de azimute e elevação ($\theta, \phi$) coletadas por uma estação terrestre (Cebreros, Espanha).

O problema é caracterizado por dificuldades significativas:

• Escassez de Dados: As observações são limitadas a arcos curtos (50–150 minutos) com cadência esparsa.
• Complexidade Dinâmica: O ambiente cislunar é governado pelo Problema de Três Corpos Restrito Circular (CR3BP), exibindo instabilidade intrínseca e comportamento caótico.
• Ausência de Priores: Diferente da Determinação de Órbita (OD) rotineira, a IOD carece de informações de estado prévias, tornando o problema inverso altamente não linear e propenso a mínimos locais em otimizações tradicionais.
• Ausência de GNSS: Não existe um Sistema Global de Navegação por Satélite dedicado para a região cislunar, necessitando de dependência de rastreamento óptico.

Metodologia

Os autores propõem uma estrutura de Astrodinâmica Generativa que trata a determinação de órbita como um problema de estimativa de densidade condicional. Em vez de resolver diretamente para um único vetor de estado, o modelo aprende a distribuição de probabilidade condicional $p(\bar{X}_1 | Y)$, onde $Y$ representa a sequência de observações de ângulos únicos.

1. Arquitetura Generativa: Fluxos de Normalização Condicionais

O núcleo da abordagem é um modelo de Fluxo de Normalização Condicional (CNF), especificamente uma arquitetura Real Non-Volume Preserving (Real-NVP).

• Transformação: O modelo define um mapeamento invertível $f: \mathbb{R}^6 \to \mathbb{R}^6$ que transforma o estado inicial alvo $\bar{X}_1$ em uma variável latente $w$ extraída de uma distribuição base conhecida (Gaussiana multivariada padrão).
• Condicionamento: O fluxo é condicionado ao arco de observação $Y_k$. Para lidar com sequências de observação de comprimento variável e diversos locais de observadores, um codificador baseado em Transformer processa a sequência de observação $Y_k$ em uma representação de tamanho fixo $\tilde{Y}_k$, que é concatenada com os componentes de estado mascarados em cada camada de acoplamento.
• Amostragem: Durante a inferência, amostras latentes são geradas perturbando códigos latentes derivados dos dados de treinamento ($w_{inf} = w_{train} + 0.1\varepsilon$). Elas são mapeadas de volta através do fluxo inverso $g(w|Y_{new})$ para gerar um conjunto de hipóteses de estado inicial estatisticamente consistentes.

2. Regularização Informada pela Física

Um componente crítico da metodologia é a integração de leis físicas na função de perda de treinamento para garantir a consistência dinâmica.

• Perda Padrão: O modelo minimiza a log-verossimilhança negativa da distribuição condicional ($L_{flow}$).
• Perda de Física ($L_{phys}$): Um termo adicional é introduzido para penalizar estados que, embora estatisticamente prováveis, violam as equações de movimento. Isso é calculado por:
  1. Propagação do estado inicial gerado no tempo usando as Equações de Movimento do CR3BP (integradas via RK4).
  2. Computação dos observáveis de ângulos únicos previstos.
  3. Cálculo do vetor residual $\bar{\sigma}$ entre as medições previstas e as reais.
  4. Minimização da norma quadrada desses resíduos.
• Objetivo Total: A perda combinada é $L = L_{flow} + \beta L_{phys}$, onde $\beta$ é um coeficiente de ponderação que aumenta linearmente durante os primeiros 100 épocas de treinamento.

3. Pipeline de Estimativa Híbrida

O modelo generativo serve como um "warm start" (início quente) para algoritmos de estimativa clássicos. O fluxo de trabalho é:

1. Geração: O CNF gera múltiplas hipóteses plausíveis de estado inicial condicionadas a novas medições.
2. Refinamento: Essas hipóteses são alimentadas em um algoritmo de Estimativa de Mínimos Quadrados Não Lineares (NLSE) (esquema iterativo de Gauss-Newton) para refinar as estimativas e minimizar os resíduos de medição.

Principais Contribuições

1. Formulação Generativa de IOD: O artigo estende a Astrodinâmica Generativa para o domínio cislunar, enquadrando a IOD como uma tarefa de estimativa de densidade condicional, em vez de um problema inverso determinístico. Isso permite a representação de posteriores multimodais e quantificação inerente de incerteza.
2. Fluxos de Normalização Informados pela Física: Os autores demonstram que aumentar a aprendizagem de verossimilhança dos fluxos de normalização com um termo de perda informado pela física ($L_{phys}$) é essencial. Embora o fluxo possa aprender a reconstruir os dados de treinamento sem este termo, a perda de física atua como um regularizador que garante que o manifesto latente aprendido preserve a consistência dinâmica, evitando a geração de estados fisicamente inadmissíveis durante a inferência.
3. Estratégia de Inicialização Robusta: O estudo valida o CNF como uma estratégia de inicialização superior para o NLSE clássico em comparação com aproximações ingênuas (ex: usar o estado da Lua como um proxy).

Resultados

O modelo foi treinado em um conjunto de dados sintéticos de 4.119 arcos de observação válidos derivados de 10 trajetórias distintas de NRHO.

• Dinâmica de Treinamento: A inclusão de $L_{phys}$ resultou em um processo de treinamento estável, onde a distribuição latente permaneceu próxima à Gaussiana base enquanto capturava desvios necessários para a fidelidade física.
• Comparação de Desempenho:
  • Vs. Aproximação Baseada na Lua: A inicialização baseada no fluxo superou significativamente a inicialização baseada no estado da Lua, produzindo erros de posição/velocidade menores e resíduos pós-ajuste muito menores. A abordagem baseada na Lua frequentemente convergia para mínimos locais.
  • Vs. Inicialização Exata: A abordagem baseada em fluxo alcançou precisão comparável à inicialização do NLSE com o estado real exato, demonstrando sua capacidade de fornecer pontos de partida de alta qualidade.
• Estudo de Ablação: A remoção do termo de perda informado pela física levou a uma degradação na robustez. Embora os resíduos médios tenham permanecido baixos, o modelo produziu grandes erros máximos (até ~9.600 km em posição), indicando uma falha em generalizar para soluções fisicamente consistentes fora do manifesto imediato de treinamento.

Significância e Alegações

O artigo afirma que este trabalho representa um passo significativo à frente na Astrodinâmica Generativa, aplicando com sucesso fluxos de normalização condicionais a um problema de navegação cislunar complexo e real.

A principal significância reside na sinergia entre IA generativa e leis físicas. Os autores argumentam que:

• Modelos generativos puramente baseados em dados podem produzir estados estatisticamente plausíveis, mas dinamicamente impossíveis.
• A perda informada pela física não é meramente um impulsionador de desempenho, mas uma restrição necessária para garantir que o modelo generativo aprenda a estrutura dinâmica subjacente do CR3BP.
• O método proposto oferece uma alternativa probabilística à OD determinística, oferecendo um mecanismo natural para quantificação de incerteza e capacidade de lidar com espaços de solução multimodais (ex: múltiplas órbitas válidas que se ajustam ao mesmo arco curto).
• Como um "warm start" para algoritmos clássicos, o método mitiga o risco de convergência para mínimos locais, uma vantagem crítica no ambiente cislunar altamente não linear, onde os arcos de observação são curtos e ruidosos.

Os autores concluem que esta abordagem tem o potencial de ser estendida para cenários mais amplos de navegação espacial, incluindo observações esparsas e navegação autônoma a bordo, desde que trabalhos futuros validem o desempenho com dados observacionais reais.