Jul, 2024

利用机器学习和外部变量在低地球轨道精确高效预测轨道

HTML
PDF
TL;DR通过利用机器学习和时间序列技术，提出了一种利用过去位置和环境变量进行航天器轨道预测的算法，以在非常低的计算成本下产生低定位误差，从而显著提高空间目标位置确定的速度和可靠性。
发现论文，激发创造
  • 基于熵的视觉解释的卫星组件识别中的YOLOv5研究

    通过利用信息论分析模型中隐藏层中的潜在表达来解释决策过程，研究论文使用了PEEK方法，使得我们能够了解You Only Look Once v5（YOLOv5）目标检测模型在解决低地球轨道（LEO）中的非合作和未鉴别空间碎片的自主小型追逐卫星的几何确定和安全飞行轨迹规划方面的优势、局限性和偏差。

    Nov, 2023

  • 用扩散模型预测最近接近时的位置不确定性

    这项研究通过扩散模型提出了一种机器学习模型，用于预测参与近距离接触的物体的位置不确定性，特别是对于次要物体（通常是碎片），该物体的预测更加不可预测。与其他最先进的解决方案和朴素的基准方法相比，我们比较了我们的模型的性能，显示出所提出的解决方案有潜力显著提高航天器运行的安全性和效率。

    Nov, 2023

  • 从数据中寻找现实世界的轨道运动定律

    通过基于SINDy的方法，该研究发现了描述卫星运动的偏微分方程，对包括轨道倾角、偏心率和高度在内的多个代表性轨道模式进行训练与测试，取得了很高的准确性，为描述卫星在轨运动提供了具有物理解释性、准确性和复杂性的模型。

    Nov, 2023

  • 卫星与空间碎片碰撞概率的预测：基于贝叶斯机器学习方法

    通过建立隐藏马尔可夫模型，利用碰撞数据消息的概率序列，研究预测两个空间物体碰撞风险的可行性，并使用贝叶斯统计推断模型参数的联合分布，从而开发出可靠的概率预测模型，进一步验证了碰撞警告具有马尔可夫属性的观点，并提出了进一步深入研究的建议。

    Nov, 2023

  • 基于自监督机器学习的轨道建模方法应用于太空交通管理

    通过使用预训练的轨道模型，本文提出了一种改进基于机器学习的空间交通管理任务性能的新方法，称为ORBERT，并展示了该模型利用大量现有的轨道数据学习有意义的表示，并用于辅助下游任务。作为此方法的概念验证，我们考虑了全相机互测任务，并展示了利用无标签轨道数据可以提高性能，并且该方法尤其对于标记数据有限的任务特别有益。

    Dec, 2023

  • 基于机器学习的太空物体密度分布预测方法

    提出了一种机器学习模型以加速人工空间目标的密度分布的传播，并通过长期预测实验来评估模型的能力和性能退化原因及解决方案。

    Jan, 2024

  • 通过可微编程缩小SGP4和高精度传播之间的差距

    利用PyTorch实现的dSGP4是SGP4的可微分版本，将现代机器学习技术与轨道传播器结合，通过优化模型的输入、输出和参数，提高了SGP4的精度，同时保持了计算速度。

    Feb, 2024

  • 物理信息神经网络用于卫星状态估计

    使用物理-信息神经网络估计卫星的轨道状态和连续的、低幅度异常加速度，并且在观测残差和传播精度方面，在模拟中表现出优于纯物理模型的性能。

    Mar, 2024

  • 在小行星带中计算低推力转移：天体动力学操纵与机器学习方法之比较

    通过比较分析法和机器学习方法，本研究建立了一个数据集，其中包含了大约三百万种不同时间和燃料优化控制问题的传输方式，对于长传输，机器学习方法显示出更好的性能，这对于在小行星带中的任务机会的有效探索具有重要意义。

    May, 2024

  • 利用时间序列聚类和强化学习进行航天器惯性参数估计

    本研究解决了航天器在执行任务过程中惯性参数变化的问题，提出了一种结合时间序列聚类和强化学习的机器学习方法，以准确估计不同的惯性参数集。研究表明，该方法在多卫星部署系统中的有效性，使其在常见干扰下表现出较强的鲁棒性，具有重要潜在应用价值。

    Aug, 2024