近地轨道空间 resident 目标分类法：一种深度学习方法
机器学习
2023-11-17 v2
摘要
空间 resident 目标（RSO）数量的不断增加，引发了对其给空间所有直接与间接用户带来碰撞风险及灾难性事件的担忧。为缓解此问题，必须充分了解轨道上各类 RSO 及其行为。建立一套定义若干 RSO 类别的成熟分类法，是实现这种理解的关键一步。该分类法依据目标的主要特征将其归入特定类别，从而改进跟踪服务。此外，成熟的分类法可通过提供通用语言与框架来助力研究与分析过程，以更好地理解影响空间 RSO 行为的因素。这些因素反过来又有助于设计更高效的空间交通管理策略。我们的工作提出了一种面向近地轨道（LEO）区域的 RSO 新分类法，以提升空间交通管理。此外，我们提出了一种基于深度学习的模型，使用自编码器（autoencoder）架构来降维表示 RSO 特征的数据。该自编码器生成低维空间表示，随后利用均匀流形逼近与投影（UMAP）等技术进行探索，以基于 RSO 的独特特征识别其基本簇。该方法捕捉了特征与所识别 RSO 类别之间复杂且非线性的关系。我们提出的分类法与模型，对缓解轨道上 RSO 数量增长所带来的总体风险的持续努力作出了重要贡献。
引用
@article{arxiv.2311.05430,
title = {Taxonomy for Resident Space Objects in LEO: A Deep Learning Approach},
author = {Marta Guimarães and Cláudia Soares and Chiara Manfletti},
journal= {arXiv preprint arXiv:2311.05430},
year = {2023}
}