利用扩散模型预测最接近时刻的位置不确定性
机器学习
2023-11-17 v2 机器人学
摘要
近年来，在轨空间物体之间的碰撞风险显著上升。因此，航天器避撞程序已成为卫星运行的重要组成部分。为保障空间活动的安全与高效，卫星所有者和运营者依赖于持续更新的交会估计。这些估计包含各物体在预期最接近时刻（TCA）位置相关的不确定性。这些估计在规划如避撞机动等风险缓解措施时至关重要。随着 TCA 临近，这些估计的精度会提高，因为对两物体的轨道确定与传播均在越来越短的时间间隔下进行。然而，这种改进是以临近关键决策时刻为代价的，意味着安全的避撞机动可能无法实施或需付出显著成本。因此，提前获知该变量的演化对运营者至关重要。本文提出一种基于扩散模型的机器学习模型，用于预测参与近距离交会物体的位置不确定性，尤其是更具不可预测性的次要物体（通常为碎片）。我们将所提模型与其他当前最优方案及一种朴素基线方法进行比较，表明该方案有望显著提升航天器运行的安全性与有效性。
引用
@article{arxiv.2311.05417,
title = {Predicting the Position Uncertainty at the Time of Closest Approach with Diffusion Models},
author = {Marta Guimarães and Cláudia Soares and Chiara Manfletti},
journal= {arXiv preprint arXiv:2311.05417},
year = {2023}
}