LEO 卫星轨道与协方差修正的纬度误差机器学习模型
机器学习
2026-02-20 v1 机器人学
系统与控制
系统与控制
摘要
低轨道（LEO）卫星被用于支持新的位置、导航和时钟（PNT）服务，以替代全球导航卫星系统（GNSS）。这些服务需要准确的 propagate 卫星位置和速度，并对不确定性进行真实的量化。通常假设传播后的不确定性分布为高斯分布；然而，由于大气拖曳建模不当，这一假设很快就会被破坏。我们发展了一种机器学习方法，用于纠正 LEO 卫星纬度误差的误差增长。 improved 轨道 propagate 准确性扩展了高斯假设的适用范围，并允许对误差进行修正后的均值和协方差建模。我们比较了时间条件神经网络和高斯过程在使用开源 orbit propagator 和公开可用矢量协方差消息（VCM）轨道数据计算得到的数据集上的性能。所学得的模型给定单个 VCM 时代的参数，预测纬度误差的高斯分布，并反向传播误差。我们表明，这一一维模型捕捉了未建模拖曳的效应，可映射到笛卡尔状态空间。该校正方法仅沿主导误差增长维度更新信息，同时保持基于物理的 VCM 协方差在剩余维度上的传播。因此，我们将 VCM 轨道数据的实用性扩展到更长的时间范围，而无需修改现有 propagator 的功能。
引用
@article{arxiv.2602.16764,
title = {Machine Learning Argument of Latitude Error Model for LEO Satellite Orbit and Covariance Correction},
author = {Alex Moody and Penina Axelrad and Rebecca Russell},
journal= {arXiv preprint arXiv:2602.16764},
year = {2026}
}
备注
Appearing in 2026 IEEE Aerospace Conference