Concetti Chiave
物理モデルと深層学習を組み合わせたPhysics-Informed Neural Networksを用いることで、連続推力下の衛星の軌道を高精度に推定できる。
Sintesi
本論文では、衛星の軌道推定と予測の精度向上を目的として、物理モデルと深層学習を組み合わせたPhysics-Informed Neural Networks (PINNs)を提案している。
まず、地上光学望遠鏡による角度観測データを用いて、衛星の軌道を推定する。従来の物理モデルのみでは、連続推力下の衛星の軌道を正確に表現できないが、PINNSでは物理モデルと深層学習を組み合わせることで、推力プロファイルを学習し、観測データをより良くフィットできる。
シミュレーションの結果、PINNSは物理モデルに比べて、観測残差が2桁小さく、5日間の外挿精度も2桁優れていることが示された。これは、PINNSが物理モデルの限界を補完し、連続推力下の衛星の軌道を高精度に推定できることを意味している。
今後の課題として、より高精度な物理モデルの導入や、実際の観測データを用いた検証などが挙げられる。
Statistiche
2日間の観測データに対して、物理モデルの観測残差RMSEは123アークセカンド、PINNSは1.00アークセカンドであった。
5日間の外挿精度では、物理モデルの位置誤差が3860 km、速度誤差が285 m/sに対し、PINNSは位置誤差164 km、速度誤差12.3 m/sと大幅に優れていた。