Diffusion-based Method for Satellite Pattern-of-Life Identification

要約

衛星パターンオブライフ（POL）の識別は、宇宙の安全性と衛星監視には重要です。ステーションキーピング、ドリフトなどの典型的な衛星行動の分析を含みます。ただし、既存のPOL識別方法は、航空宇宙システムの複雑さ、衛星行動の変動、および観測のサンプリング速度の変動により未発達のままです。
最初の試みで、衛星軌道の動きの知識と機械学習モデルを組み合わせて、ドメインの専門知識に基づいた機械学習方法（Expert-ML）を開発しました。
Expert-MLメソッドは、シミュレーションデータと通常のサンプリングレートの現実世界データで高精度を達成しました。
ただし、このアプローチには、ドメインの専門知識が必要であり、データサンプリングレートが変化するとパフォーマンスが大幅に低下するため、一般性が不足しています。
一般性を達成するために、新しい拡散ベースのPOL識別方法を提案します。
事前のアプローチとは異なり、提案された方法は拡散モデルを活用して、手動の洗練またはドメイン固有の知識なしにエンドツーエンドの識別を実現します。
具体的には、多変量の時系列エンコーダーを使用して、衛星位置データの隠された表現をキャプチャします。
エンコードされた機能は、その後、除去プロセスに条件付き情報として組み込まれ、POLラベルを生成します。
実際の衛星設定全体での実験を通じて、提案されている拡散ベースの方法は、その識別品質が高いことを実証し、データサンプリングレートを減らしても堅牢なソリューションを提供し、実際の衛星行動パターンの識別、追跡、および関連するミッション展開における大きな可能性を示します。

要約(オリジナル)

Satellite pattern-of-life (PoL) identification is crucial for space safety and satellite monitoring, involving the analysis of typical satellite behaviors such as station-keeping, drift, etc. However, existing PoL identification methods remain underdeveloped due to the complexity of aerospace systems, variability in satellite behaviors, and fluctuating observation sampling rates. In a first attempt, we developed a domain expertise-informed machine learning method (Expert-ML) to combine satellite orbital movement knowledge and machine learning models. The Expert-ML method achieved high accuracy results in simulation data and real-world data with normal sampling rate. However, this approach lacks of generality as it requires domain expertise and its performance degraded significantly when data sampling rate varied. To achieve generality, we propose a novel diffusion-based PoL identification method. Distinct from prior approaches, the proposed method leverages a diffusion model to achieve end-to-end identification without manual refinement or domain-specific knowledge. Specifically, we employ a multivariate time-series encoder to capture hidden representations of satellite positional data. The encoded features are subsequently incorporated as conditional information in the denoising process to generate PoL labels. Through experimentation across real-world satellite settings, our proposed diffusion-based method demonstrates its high identification quality and provides a robust solution even with reduced data sampling rates, indicating its great potential in practical satellite behavior pattern identification, tracking and related mission deployment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google