Closing the Gap Between SGP4 and High-Precision Propagation via Differentiable Programming

要約

Simplified General Perturbations 4 (SGP4) 軌道伝播法は、地球を周回する物体の位置と速度を迅速かつ確実に予測するために広く使用されています。
継続的な改良にも関わらず、SGP モデルは依然として数値プロパゲータの精度を欠いており、誤差が大幅に小さくなります。
この研究では、PyTorch を使用して実装された SGP4 の新しい微分可能なバージョンである dSGP4 を紹介します。
SGP4 を微分可能にすることで、dSGP4 は、宇宙船軌道決定、状態変換、共分散変換、状態遷移行列計算、共分散伝播などのさまざまな宇宙関連アプリケーションを容易にします。
さらに、dSGP4 の PyTorch 実装により、2 線要素セット (TLE) のバッチ全体での驚くべき並列軌道伝播が可能になり、CPU、GPU、および将来の衛星位置の分散予測に高度なハードウェアの計算能力を活用できます。
さらに、dSGP4 の微分可能性により、最新の機械学習技術との統合が可能になります。
そこで、ニューラルネットワークが軌道伝播器に統合された新しい軌道伝播パラダイム、ML-dSGP4 を提案します。
確率的勾配降下法により、この結合モデルの入力、出力、パラメーターを繰り返し改良し、SGP4 の精度を超えることができます。
ニューラル ネットワークは、デフォルトで ID 演算子として機能し、SGP4 の動作に準拠します。
ただし、dSGP4 の微分可能性により、エフェメリス データを使用した微調整が可能になり、計算速度を維持しながら精度が向上します。
これにより、衛星運用者や研究者は、特定の軌道暦や高精度の数値伝播データを使用してモデルをトレーニングできるようになり、軌道予測機能が大幅に向上します。

要約(オリジナル)

The Simplified General Perturbations 4 (SGP4) orbital propagation method is widely used for predicting the positions and velocities of Earth-orbiting objects rapidly and reliably. Despite continuous refinement, SGP models still lack the precision of numerical propagators, which offer significantly smaller errors. This study presents dSGP4, a novel differentiable version of SGP4 implemented using PyTorch. By making SGP4 differentiable, dSGP4 facilitates various space-related applications, including spacecraft orbit determination, state conversion, covariance transformation, state transition matrix computation, and covariance propagation. Additionally, dSGP4’s PyTorch implementation allows for embarrassingly parallel orbital propagation across batches of Two-Line Element Sets (TLEs), leveraging the computational power of CPUs, GPUs, and advanced hardware for distributed prediction of satellite positions at future times. Furthermore, dSGP4’s differentiability enables integration with modern machine learning techniques. Thus, we propose a novel orbital propagation paradigm, ML-dSGP4, where neural networks are integrated into the orbital propagator. Through stochastic gradient descent, this combined model’s inputs, outputs, and parameters can be iteratively refined, surpassing SGP4’s precision. Neural networks act as identity operators by default, adhering to SGP4’s behavior. However, dSGP4’s differentiability allows fine-tuning with ephemeris data, enhancing precision while maintaining computational speed. This empowers satellite operators and researchers to train the model using specific ephemeris or high-precision numerical propagation data, significantly advancing orbital prediction capabilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google