State Forecasting in an Estimation Framework with Surrogate Sensor Modeling

以下是基于论文《STATE FORECASTING IN AN ESTIMATION FRAMEWORK WITH SURROGATE SENSOR MODELING》（带有代理传感器建模的状态估计框架中的状态预测）的详细技术总结：

1. 研究背景与问题 (Problem)

• 核心挑战：在航空航天领域，特别是空间态势感知（SSA）中，对居住空间物体（RSO）进行精确的轨道预测至关重要。然而，实际观测数据往往是不完整、间歇性的（部分可观测），且传感器能力有限（如雷达和光学系统仅提供距离、方位角和仰角等测量值）。
• 现有局限：
  • 传统的基于物理的轨道预测方法（如开普勒模型）在动态空间环境中缺乏鲁棒性，难以处理未建模的摄动（如大气阻力、太阳光压、J2 摄动等）。
  • 纯数据驱动方法（如机器学习）虽然能捕捉复杂动力学，但在缺乏物理约束的情况下，长期外推的可靠性存疑。
  • 如何将部分测量数据中的有意义信息提取出来，并融合物理模型与数据驱动模型以进行准确的状态估计，是一个亟待解决的难题。
• 研究目标：提出一种新的框架，在部分可观测条件下，通过融合简化的参考动力学模型与数据驱动的代理测量模型，实现复杂动力学行为的高精度状态估计。

2. 方法论 (Methodology)

该论文提出了一种基于滤波（Filtering）的迭代状态预测框架，核心思想是将“数据驱动的测量预测”与“物理参考动力学”解耦，并在扩展卡尔曼滤波（EKF）框架下进行融合。

2.1 核心组件

1. 代理测量模型 (Surrogate Measurement Model)：

   • 算法：采用基于Hankel 矩阵的动态模态分解 (Hankel-DMD)。
   • 原理：基于 Koopman 算子理论，将非线性动力学系统的状态空间映射到无限维的可观测空间，使动力学线性化。利用时间延迟嵌入（Hankel 重构）增加数据集的空间维度，以捕捉非线性系统的谱特征。
   • 作用：仅用于学习并预测测量值（如距离、方位角），而不直接预测状态向量。它不需要赋予输出物理意义，仅作为 EKF 中的测量函数输入。
   • 优势：能够处理间歇性数据，在缺乏直接观测时外推测量值。

2. 参考动力学模型 (Reference Dynamics Model)：

   • 定义：一个简化的物理模型（Placeholder Model），例如忽略摄动的二体开普勒模型。
   • 作用：提供状态的先验估计（预测步）。它不需要高度精确，只需提供系统行为的“足够好”的近似。
   • 解耦优势：该模型参数固定，不随数据更新，简化了建模过程，使系统能适应不同场景。

3. 融合框架 (Fusion Framework - EKF)：

   • 预测步 (Prediction)：利用参考动力学模型传播状态估计和协方差。
   • 更新步 (Update)：
     • 当有真实测量时，使用真实测量值。
     • 当无真实测量（数据缺失）时，使用代理模型（Hankel-DMD）预测的测量值作为“虚拟观测”。
     • 通过 EKF 的卡尔曼增益，将代理模型的测量预测与参考模型的状态估计进行融合，修正状态估计。

2.2 流程

1. 利用历史测量数据训练 Hankel-DMD 代理模型。
2. 利用初始观测确定初始状态（IOD）。
3. 在 EKF 循环中：
   • 参考模型传播状态。
   • 代理模型预测下一时刻的测量值（若无真实数据）。
   • EKF 融合两者，输出更新后的状态估计。

3. 关键贡献 (Key Contributions)

1. 解耦的建模策略：创新性地提出将数据驱动模型仅用于测量预测，而将物理模型用于状态传播。这种解耦避免了给数据驱动模型强加物理约束的复杂性，同时利用物理模型提供结构约束。
2. 部分可观测下的鲁棒性：证明了在传感器数据缺失或间歇性观测的情况下，该框架能利用代理模型填补数据空白，显著优于仅使用简化物理模型的方法。
3. 一致性分析 (Consistency Analysis)：
   • 从理论上分析了 Hankel-DMD 作为自回归拟合的无偏性（Unbiasedness）。
   • 推导了估计误差的方差，指出由于无法完美拟合和长期外推，误差协方差会随时间增长。
   • 结论：强调了定期利用新数据重新训练代理模型（Retraining）的必要性，以维持长期预测的准确性。
4. 广泛的适用性验证：不仅验证了简单的摆系统，还涵盖了复杂的轨道力学场景（ISS、Molniya 卫星、Cislunar 轨道），展示了框架在不同动力学环境下的适应性。

4. 实验结果 (Results)

论文通过多个案例研究验证了框架的有效性：

• 简单摆 (Simple Pendulum)：

  • 在存在阻尼（耗散效应）但参考模型忽略阻尼的情况下，代理模型成功学习了测量动态。
  • 结果：融合框架在前 200 秒内表现与拥有完美测量的假设情况相当，优于纯参考模型。但也暴露了 DMD 在捕捉长期耗散效应时的局限性。

• 国际空间站 (ISS)：

  • 无噪位置观测：在 J2 摄动、大气阻力和 SGP4 模型下，框架表现优异。但在强耗散（大气阻力）情况下，DMD 难以捕捉谱内容变化，需重新训练。
  • 含噪位置观测：框架能有效滤除高频噪声，估计值保持在 3σ 置信区间内，而纯开普勒模型则发散。
  • 非线性观测 (距离/方位/仰角)：在非线性变换观测下，框架依然能准确捕捉周期性状态的谱特征，表现良好。

• 局限性案例研究：

  • Molniya-3-50 卫星：由于轨道偏心率大、周期长（约 5 天），摄动导致动力学漂移，DMD 难以在固定窗口内准确捕捉频谱，导致预测误差比假设情况大两个数量级。表明该方法对长周期、强摄动轨道需更细致的处理。
  • 范德波尔振荡器 (Van Der Pol Oscillator)：当参考模型参数（阻尼系数）与真实系统差异过大时，融合过程无法补偿偏差，导致估计失败。强调了参考模型必须提供“合理近似”的重要性。

• 地月空间 (Cislunar) 应用：

  • 在 L1 晕轨道（Halo orbit）的 CR3BP 模型中，即使存在 1% 的高斯噪声，框架也能有效滤波，提供可靠的状态估计，证明了其在复杂引力环境下的鲁棒性。

5. 意义与展望 (Significance & Future Work)

• 理论意义：为数据驱动方法与经典控制理论（状态估计）的融合提供了新的范式，特别是在处理部分可观测和非线性系统方面。
• 工程价值：为 SSA 领域提供了一种在传感器受限或数据缺失情况下进行高精度轨道预报的解决方案，有助于提高碰撞预警和任务规划的可靠性。
• 未来方向：
  • 从“一次性学习”转向迭代训练，即在新数据到达时自动更新代理模型。
  • 研究多测量源融合及避免“双重采样”（Double Dipping）偏差的理论保证。
  • 探索更复杂的滤波算法（如 UKF、粒子滤波）在该框架中的应用。

总结：该论文提出了一种结合简化物理模型与数据驱动代理模型的混合状态估计框架。通过 EKF 将两者优势互补，成功解决了部分可观测条件下的状态预测难题，并在多种航天场景下验证了其有效性和鲁棒性，同时指出了模型精度和长期外推能力的边界条件。