Neural-Enhanced Micro-Kalman Filtering for Satellite Tracking: A Comparative Study

Resumo Técnico: Filtragem Micro-Kalman Potencializada por Redes Neurais para Rastreamento de Satélites

Definição do Problema
A estimativa precisa do estado de satélites é crítica para navegação orbital, prevenção de colisões e planejamento de missões autônomas. No entanto, as técnicas convencionais de filtragem de Kalman frequentemente enfrentam dificuldades quando as estatísticas de ruído de processo e medição são incertas ou variáveis no tempo, levando à degradação do desempenho. Embora extensões como o Filtro de Kalman Estendido (EKF) e o Filtro de Kalman Não Linear (UKF) abordem a não linearidade, e filtros adaptativos tentem ajustar as estatísticas de ruído online, ainda há uma necessidade de estruturas que combinem eficiência computacional com adaptabilidade robusta. Especificamente, a incorporação de mecanismos neurais leves no micro-filtro de Kalman (µKF) em forma de informação para o rastreamento de satélites tem recebido atenção limitada.

Metodologia
O artigo propõe um Micro-Kalman Potencializado por Redes Neurais (Neural-µKF) operando dentro de uma estrutura de estimativa de estado em forma de informação. A metodologia procede da seguinte forma:

1. Modelagem do Sistema: A dinâmica do satélite é modelada usando uma representação de espaço de estados linearizada, derivada de mecânica orbital em torno de uma órbita circular nominal. O sistema é definido por um modelo estocástico de tempo discreto onde o vetor de estado inclui desvios radiais e angulares e suas respectivas velocidades.
2. Estrutura em Forma de Informação: Diferente do filtro de Kalman clássico baseado em covariância, o método proposto utiliza a forma de informação (inversa da covariância). Esta formulação, conhecida como µKF, é vantajosa para estimativa distribuída e evita o cálculo explícito do ganho de Kalman durante a etapa de atualização.
3. Escalonamento de Covariância Neural: Para lidar com incertezas nas estatísticas de ruído, um mecanismo de escalonamento neural leve é introduzido. Em vez de estimar matrizes de covariância completas, a rede neural prevê dois fatores de escalonamento positivos ($\alpha_k$ para ruído de medição e $\beta_k$ para ruído de processo).
   • Entrada: A rede recebe a norma ao quadrado da sequência de inovação ($\|e_k\|^2$) e seu valor anterior como entrada.
   • Saída: Fatores de escalonamento limitados são computados usando uma função de ativação sigmoide e pesos treináveis.
   • Adaptação: Esses fatores ajustam dinamicamente as matrizes de covariância nominais ($\Sigma_v$ e $\Sigma_q$) online, preservando sua definição positiva.
4. Integração: As covariâncias escalonadas são alimentadas de volta nas equações padrão de predição e atualização da forma de informação. Isso permite que o filtro se adapte a níveis de incerteza variáveis sem alterar a estrutura de estimativa Bayesiana subjacente.

Principais Contribuições
O artigo delineia três contribuições primárias:

• Estrutura Inovadora: A proposta de um Neural-µKF em forma de informação que integra o escalonamento de covariância neural adaptativo enquanto preserva estritamente as equações originais de filtragem em forma de informação.
• Avaliação Comparativa: Uma comparação numérica abrangente do estimador proposto contra o Filtro de Kalman (KF) clássico, o Filtro de Kalman Estendido (EKF), o Filtro de Kalman Não Linear (UKF) e um filtro de Kalman adaptativo padrão sob condições operacionais idênticas.
• Validação de Desempenho: Demonstração de que o método proposto alcança uma estimativa de estado precisa com baixos erros quadráticos médios.

Resultos
O Neural-µKF proposto foi avaliado através de simulações numéricas usando um modelo de rastreamento de satélite Gaussiano linear ao longo de 1.000 passos de tempo em dez execuções de Monte Carlo.

• Precisão: O Neural-µKF rastreou consistentemente os estados do satélite (posição radial, velocidade radial, posição angular escalonada e velocidade angular escalonada) com baixos Erros Quadráticos Médios de Estimativa (MSEE).
• Comparação: Quando comparado ao filtro de Kalman de base, o Neural-µKF alcançou um desempenho comparável no geral. Notavelmente, demonstrou um MSEE Médio (AMSEE) ligeiramente inferior para os estados de velocidade radial e posição angular escalonada.
• Robustez: O método manteve um desempenho estável através de diferentes execuções de simulação, indicando robustez contra ruídos estocásticos de processo e medição.
• Benchmarking: Em comparações mais amplas, o Neural-µKF apresentou desempenho comparável ao EKF, UKF e filtros de Kalman adaptativos. Dada a natureza linear do modelo simulado, o EKF e o UKF mostraram desempenho semelhante ao KF clássico, enquanto o Neural-µKF ofereceu o benefício adicional do escalonamento de covariância adaptativo sem o custo computacional de aproximações de ordem superior.

Significância e Alegações
O artigo alega que a integração do escalonamento de covariância neural leve no µKF fornece uma estrutura eficaz e flexível para a estimativa de estado de satélites. A significância reside na capacidade de aumentar o desempenho da estimativa na presença de estatísticas de ruído incertas, mantendo as vantagens computacionais inerentes à formulação em forma de informação. Os autores afirmam que o método proposto não substitui a estrutura de estimativa Bayesiana, mas sim a complementa, oferecendo um equilíbrio entre a adaptabilidade baseada em dados e a eficiência estrutural.

Os autores mantêm modéstia quanto ao escopo de seus achados, observando que os resultados atuais baseiam-se em dinâmicas linearizadas. Eles identificam como trabalhos futuros a extensão desta estrutura para dinâmicas orbitais não lineares, o desenvolvimento de estratégias adaptativas mais avançadas para detecção de falhas e a aplicação do método a sistemas multiagentes descentralizados e estratégias de controle integrado.