🤖 machine learning

Physics-informed Conditional Normalizing Flows for Angles-only Cislunar Orbit Determination

本文介绍了物理信息条件正规化流（Physics-informed Conditional Normalizing Flows），通过从受扰观测数据中学习灵活的后验分布，来解决仅角度观测下的地月转移轨道确定问题，从而生成统计一致的状态假设，为经典的非线性最小二乘精化提供具有竞争力的热启动。

原作者： Walther Litteri, Massimiliano Vasile

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Walther Litteri, Massimiliano Vasile

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心理念：寻找黑暗中的幽灵

想象一下，你正试图在一条高速公路上找到一辆特定的汽车，但你只能从远处看到它的车灯。你看不见汽车本身，也不知道它开得有多快，或者它最初是从哪里出发的。你拥有的只有一系列快照，显示了在不同时间点这些车灯所指向的“方向”。

这就是这篇论文要解决的问题：轨道确定（Orbit Determination）。具体来说，他们试图仅通过“仅角度”（angles-only）数据（即从地球观测到的物体的方位角和仰角），来推算出航天器在地球与月球之间（即“地月空间”环境）的位置以及运动速度。

挑战：一场混沌之舞

地球与月球之间的空间非常棘手。它不像地球轨道那样平滑且可预测，更像是一个混沌的舞池，地球和月球的引力不断地将航天器向不同的方向拉扯。如果你猜错了起始位置，航天器可能会撞向月球，或者飞向深空。

传统方法试图通过做出一个猜测，检查该猜测是否符合数据，然后不断微调这个猜测来解决问题（就像反复调节收音机直到杂音消失）。但如果你的初始猜测偏差太大，这种“调优”过程就会卡在错误的频道上，导致你永远找不到真正的信号。

新方案：一个“聪明猜想”机器

作者提出了一种利用生成式人工智能（Generative AI）来做出那个初始猜测的新方法。不要把这个 AI 仅仅看作一个计算器，而要把它看作一个超级聪明的侦探，它已经研究过成千上万小时航天器在这个特定引力环境下“跳舞”的录像。

以下是他们的系统如何运作的步骤：

1. 学习“舞步”（归一化流 / Normalizing Flows）

AI 在一个巨大的合成航天器路径数据集上进行训练。它学习了在给定一组角度测量值的情况下，航天器可能处于位置的概率分布。

类比： 想象 AI 正在学习一种舞蹈。它不仅仅是背诵某一个特定的舞蹈动作，而是学习了舞蹈的“规则”。它理解如果灯光处于角度 A，那么舞者很可能在位置 B，但也存在舞者可能在位置 C 的微小概率。它创建了一个涵盖所有可能位置的灵活地图。

2. “物理学”安全网（物理信息损失 / Physics-Informed Loss）

这是论文中最重要的部分。标准的 AI 可能会学习到一些在统计学上看起来很合理、但在物理上却不可能实现的猜测（比如一辆车穿墙而过）。

类比： 作者为 AI 的训练添加了一位“物理教练”。每当 AI 做出一个猜测时，教练都会检查：“如果航天器从这里开始，它是否真的会遵循引力定律来匹配我们观察到的现象？”
如果 AI 猜出的位置违反了物理定律，教练就会给予“惩罚”。这迫使 AI 学习出一张地图，其中每一个可能的猜测都是一个有效的、符合物理规律的轨道。

3. 进行猜测（采样 / Sampling）

当探测到一个真实的航天器时，AI 不仅仅给出一个答案。它会生成一整簇符合角度观测且遵守物理定律的“合理”起始位置。

类比： AI 不会说“车一定在 50 英里处”，而是说“根据车灯情况，车很可能就在这 10 英里的特定路段内，这里有 100 个它可能出现的位置”。

4. 最后的润色（精化 / Refinement）

这些由 AI 生成的猜测随后会被输入到一个传统的、高精度的数学算法（非线性最小二乘法）中。

类比： AI 为传统的数学算法提供了一个非常好的“热启动”。这就像是给 GPS 一个大致的位置信息，这样它就不需要搜索全世界来寻找你。因为 AI 的猜测已经非常接近真实值且符合物理规律，GPS 几乎能瞬间锁定精确位置。

他们发现了什么？

论文将这种方法与另外两种猜测方式进行了对比测试：

“月球猜测”： 直接假设航天器就在月球附近（一种常见的简单猜测）。
“完美猜测”： 预先知道精确的起始点（这在现实中是不可能的，但被用作基准）。

结果显示：

AI 方法比简单的“月球猜测”要好得多。
AI 方法几乎达到了“完美猜测”的效果。
至关重要的是，如果没有“物理教练”（物理信息损失），AI 有时会做出一些在统计学上看起来很好、但在数学精化阶段会失败的猜测。物理项对于保持 AI 的“诚实”至关重要。

总结

这篇论文展示了一种新的航天导航工具。它使用一种聪明的 AI，通过学习“舞蹈规则”（物理学）来对航天器的位置做出极其准确的初步猜测。这有助于传统的导航系统更快、更可靠地找到航天器，尤其是在地月之间那样的混沌环境中，且仅需依靠简单的方向数据即可实现。

技术摘要：用于仅角度测距地月转移轨道确定的物理信息条件正规化流

问题陈述

本研究解决了**地月转移轨道（cislunar）环境下初始轨道确定（IOD）的挑战，特别是针对在地球-月球 $L_2$ 点附近运行的近直线晕轨道（NRHO）航天器。该问题被建模为一个仅角度（angles-only）**估计任务，其目标是根据地面站（西班牙 Cebreros）收集的一段短弧段的方位角和仰角测量值（ $\theta, \phi$ ），推断目标初始地心状态（ $X_1 \in \mathbb{R}^6$ ）的概率分布。

该问题具有显著的难度特征：

数据稀缺性： 观测受限于短弧段（50–150 分钟）且采样频率较低。
动力学复杂性： 地月转移环境受圆限制性三体问题（CR3BP）支配，表现出内在的不稳定性与混沌行为。
缺乏先验信息： 与常规轨道确定（OD）不同，IOD 缺乏先验状态信息，使得该逆问题具有高度非线性，且在传统优化算法中极易陷入局部极小值。
缺乏 GNSS： 地月转移区域没有专门的全球导航卫星系统（GNSS），必须依赖光学跟踪。

方法论

作者提出了一种生成式天体力学（Generative Astrodynamics）框架，将轨道确定视为一个条件密度估计问题。该模型并非直接求解单一的状态向量，而是学习条件概率分布 $p(\bar{X}_1 | Y)$ ，其中 $Y$ 代表观测角度序列。

1. 生成式架构：条件正规化流

该方法的核心是一个**条件正规化流（CNF）**模型，具体采用了实数非体积保持（Real-NVP）架构。

变换： 模型定义了一个可逆映射 $f: \mathbb{R}^6 \to \mathbb{R}^6$ ，将目标初始状态 $\bar{X}_1$ 转换为来自已知基分布（标准多元高斯分布）的隐变量 $w$ 。
条件化： 该流以观测弧段 $Y_k$ 为条件。为了处理变长观测序列和多样化的观测者位置，模型使用了一个基于 Transformer 的编码器将观测序列 $Y_k$ 处理为固定大小的表示 $\tilde{Y}_k$ ，并将其与每个耦合层中的掩码状态分量进行拼接。
采样： 在推理过程中，通过对源自训练数据的隐代码进行扰动（ $w_{inf} = w_{train} + 0.1\varepsilon$ ）来生成隐样本。这些样本通过逆流 $g(w|Y_{new})$ 映射回空间，以生成一组统计一致的初始状态假设。

2. 物理信息正则化

该方法的一个关键组成部分是将物理定律集成到训练损失函数中，以确保动力学一致性。

标准损失： 模型最小化条件分布的负对数似然（ $L_{flow}$ ）。
物理损失（ $L_{phys}$ ）： 引入了一个额外的项，用于惩罚那些虽然在统计上可能存在、但违反运动方程的状态。其计算过程如下：
1. 使用 CR3BP 运动方程（通过 RK4 进行积分）将生成的初始状态向前传播。
2. 计算预测的角度观测值。
3. 计算预测值与实际测量值之间的残差向量 $\bar{\sigma}$ 。
4. 最小化这些残差的平方范数。
总目标函数： 组合损失为 $L = L_{flow} + \beta L_{phys}$ ，其中 $\beta$ 是一个在训练前 100 个 epoch 内线性增加的权重系数。

3. 混合估计流水线

该生成模型充当了经典估计算法的热启动（warm start）。工作流程如下：

生成： CNF 根据新测量值生成多个合理的初始状态假设。
精化： 这些假设被输入到**非线性最小二乘估计（NLSE）**算法（高斯-牛顿迭代方案）中，以精化估计值并最小化测量残差。

核心贡献

IOD 的生成式建模： 本文将生成式天体力学扩展到地月转移领域，将 IOD 构造成一个条件密度估计任务，而非确定性的逆问题。这使得表示多模态后验（multimodal posteris）和固有不确定性量化成为可能。
物理信息正规化流： 作者证明了通过物理信息损失项（ $L_{phys}$ ）增强正规化流的似然训练是至关重要的。虽然流模型可以在没有该项的情况下学习重建训练数据，但物理损失作为一种正则化项，确保了学习到的隐流形（latent manifold）能够保持动力学一致性，防止在推理过程中生成物理上不可行的状态。
鲁棒的初始化策略： 研究验证了与朴素近似（例如使用月球状态作为代理）相比，CNF 是一种更优的初始化策略。

结果

模型在由 10 条不同的 NRHO 轨迹衍生的 4,119 个有效观测弧段组成的合成数据集上进行了训练。

训练动态： $L_{phys}$ $L_{p h y s}$ 的加入使训练过程趋于稳定，隐分布在保持接近基准高斯分布的同时，捕捉到了实现物理保真度所需的偏差。
| 性能比较：
- 对比基于月球的近似法： 基于流的初始化显著优于基于月球状态的初始化，其位置/速度误差更低，且拟合后的残差也更小。基于月球的方法经常收敛至局部极小值。
- 对比精确初始化： 基于流的方法达到了与使用精确真实状态进行 NLSE 初始化相当的精度，证明了其提供高质量起始点的能力。
消融实验： 去除物理信息损失项会导致鲁棒性下降。虽然平均残差仍然较低，但模型产生了较大的最大误差（位置误差高达约 9,600 公里），这表明模型在超出训练流形范围时，无法泛化到物理一致的解。

意义与主张

本文声称，通过成功地将条件正规化流应用于复杂的现实导航问题（地月转移 IOD），这项工作在生成式天体力学领域迈出了重要一步。

其主要意义在于生成式 AI 与物理定律的协同作用。作者认为：

纯数据驱动的生成模型可能会产生统计上合理但在动力学上不可能的状态。
物理信息损失不仅是性能提升器，更是确保生成模型学习 CR3BP 底层动力学结构的必要约束。
所提出的方法提供了一种概率性的选择，作为确定性 OD 的替代方案，它为不确定性量化提供了天然机制，并能处理多模态解空间（例如，符合同一短弧段的多个有效轨道）。
作为经典算法的热启动，该方法减轻了收敛至局部极小值的风险，这在观测弧段较短且噪声较大的高度非线性地月转移环境中是一个关键优势。

作者总结道，只要未来的工作能够通过真实的观测数据进行验证，该方法有望扩展到更广泛的空间导航场景，包括稀疏观测和自主车载导航。