A Self-Supervised Framework for Space Object Behaviour Characterisation

要約

タスク固有の微調整前の大規模な非標識データセットで事前に訓練されたファンデーションモデルは、ますます特殊なドメインに適用されています。
最近の例には、気候のクライマックスと衛星地球観測の粘土が含まれますが、スペースオブジェクトの行動分析の基礎モデルはまだ開発されていません。
軌道集団が成長するにつれて、空間の安全性を特徴付ける自動化された方法は、空間の安全に重要です。
光曲線（LC）を使用したスペースオブジェクトの行動分析に焦点を当てたスペースの安全性と持続可能性の基礎モデルを提示します。
私たちは、MMT-9天文台からの227,000 LCでの自己監視の再構築とマスクされた再構築で事前に訓練された、知覚者と侵略的自動エンコーダー（VAE）アーキテクチャを実装しました。
VAEは、異常検出、モーション予測、およびLC生成を可能にします。
BoxWing、Sentinel-3、SMOS、およびStarLinkプラットフォームのCADモデルを使用して、2つの独立したLCシミュレータ（それぞれCassandra and Grial）を使用して、異常検出およびモーション予測のモデルを微調整しました。
事前に訓練されたモデルは、0.01％の再構築誤差を達成し、再構成の難易度を通じて潜在的に異常な光曲線を特定しました。
微調整後、モデルは88％と82％の精度を獲得し、異常検出とモーションモード予測（日差し、スピンなど）の両方でそれぞれ0.90および0.95のROC AUCスコアを獲得しました。
実際のデータでの自信の高い異常予測の分析により、特徴的なオブジェクトプロファイルや衛星輝きなどの明確なパターンが明らかになりました。
ここでは、自己監視学習が、事前トレーニングで学んだ豊富な表現から異常検出、モーション予測、および合成データ生成を同時に有効にすることができる方法を示します。
したがって、私たちの仕事は、自動監視とシミュレーション機能を通じて、空間の安全性と持続可能性をサポートしています。

要約(オリジナル)

Foundation Models, pre-trained on large unlabelled datasets before task-specific fine-tuning, are increasingly being applied to specialised domains. Recent examples include ClimaX for climate and Clay for satellite Earth observation, but a Foundation Model for Space Object Behavioural Analysis has not yet been developed. As orbital populations grow, automated methods for characterising space object behaviour are crucial for space safety. We present a Space Safety and Sustainability Foundation Model focusing on space object behavioural analysis using light curves (LCs). We implemented a Perceiver-Variational Autoencoder (VAE) architecture, pre-trained with self-supervised reconstruction and masked reconstruction on 227,000 LCs from the MMT-9 observatory. The VAE enables anomaly detection, motion prediction, and LC generation. We fine-tuned the model for anomaly detection & motion prediction using two independent LC simulators (CASSANDRA and GRIAL respectively), using CAD models of boxwing, Sentinel-3, SMOS, and Starlink platforms. Our pre-trained model achieved a reconstruction error of 0.01%, identifying potentially anomalous light curves through reconstruction difficulty. After fine-tuning, the model scored 88% and 82% accuracy, with 0.90 and 0.95 ROC AUC scores respectively in both anomaly detection and motion mode prediction (sun-pointing, spin, etc.). Analysis of high-confidence anomaly predictions on real data revealed distinct patterns including characteristic object profiles and satellite glinting. Here, we demonstrate how self-supervised learning can simultaneously enable anomaly detection, motion prediction, and synthetic data generation from rich representations learned in pre-training. Our work therefore supports space safety and sustainability through automated monitoring and simulation capabilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google