Predicting the Probability of Collision of a Satellite with Space Debris: A Bayesian Machine Learning Approach

要約

宇宙活動の増加により、地球低軌道では宇宙がさらに混雑しています。
このような高密度の宇宙環境では、宇宙物体間の衝突のリスクが増大し、宇宙住民全体が危険にさらされます。
したがって、日常業務の一環として衝突回避を考慮する必要があることは、衛星運用者にとって明らかです。
現在の手順は、人間のアナリストによる複数の衝突警告の分析に依存しています。
しかし、宇宙人口が継続的に増加するにつれて、この手動のアプローチは実行不可能になる可能性があり、リスク評価における自動化の重要性が強調されています。
2019年、ESAは衝突リスク推定に機械学習を適用する実現可能性を研究するコンテストを開始し、実際の接近遭遇をサポートする一連の結合データメッセージ（CDM）を含むデータセットをリリースした。
コンペティションの結果は、単純な予測とその変形がこの問題の強力な予測因子であることを示しており、これは CDM がマルコフ特性に従う可能性があることを示唆しています。
提案された研究では、データセット全体の 1 つの特徴である CDM の確率のシーケンスを使用して、2 つの常駐空間オブジェクト間の衝突のリスクを予測する隠れマルコフ モデル (HMM) のベンチマークを行うことにより、この理論を調査します。
さらに、ベイズ統計を使用してモデルのパラメーターの同時分布を推論することで、厳密な理論的枠組み内で問題に関する物理的知識や事前知識を組み込むことができる堅牢で信頼性の高い確率的予測モデルの開発が可能になり、予測の不確実性が提供されます。
予測されたリスクの精度をうまく反映しています。
この研究は、実装された HMM がいくつかの指標において単純なソリューションよりも優れていることを示しており、これは衝突警告がマルコフ関数である可能性があるという考えをさらに強め、これがさらに研究されるべき強力な方法であることを示唆しています。

要約(オリジナル)

Space is becoming more crowded in Low Earth Orbit due to increased space activity. Such a dense space environment increases the risk of collisions between space objects endangering the whole space population. Therefore, the need to consider collision avoidance as part of routine operations is evident to satellite operators. Current procedures rely on the analysis of multiple collision warnings by human analysts. However, with the continuous growth of the space population, this manual approach may become unfeasible, highlighting the importance of automation in risk assessment. In 2019, ESA launched a competition to study the feasibility of applying machine learning in collision risk estimation and released a dataset that contained sequences of Conjunction Data Messages (CDMs) in support of real close encounters. The competition results showed that the naive forecast and its variants are strong predictors for this problem, which suggests that the CDMs may follow the Markov property. The proposed work investigates this theory by benchmarking Hidden Markov Models (HMM) in predicting the risk of collision between two resident space objects by using one feature of the entire dataset: the sequence of the probability in the CDMs. In addition, Bayesian statistics are used to infer a joint distribution for the parameters of the models, which allows the development of robust and reliable probabilistic predictive models that can incorporate physical or prior knowledge about the problem within a rigorous theoretical framework and provides prediction uncertainties that nicely reflect the accuracy of the predicted risk. This work shows that the implemented HMM outperforms the naive solution in some metrics, which further adds to the idea that the collision warnings may be Markovian and suggests that this is a powerful method to be further explored.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google