Taxonomy for Resident Space Objects in LEO: A Deep Learning Approach

要約

RSO の数の増加により、宇宙の直接的および間接的なすべての利用者にとって、衝突や大惨事のリスクに関する懸念が高まっています。
この問題を軽減するには、軌道上のさまざまな RSO とその動作をよく理解することが不可欠です。
いくつかのクラスの RSO を定義する確立された分類法は、この理解を達成するための重要なステップです。
この分類法は、オブジェクトの主な特性に基づいてオブジェクトを特定のカテゴリに割り当てるのに役立ち、追跡サービスの向上につながります。
さらに、確立された分類法は、宇宙における RSO の挙動に影響を与える要因をより深く理解するための共通言語とフレームワークを提供することで、研究と分析のプロセスを促進します。
これらの要素は、宇宙交通管理のためのより効率的かつ効果的な戦略を設計するのに役立ちます。
私たちの研究は、宇宙交通管理を強化するために、地球低軌道体制に焦点を当てた RSO の新しい分類法を提案しています。
さらに、オートエンコーダー アーキテクチャを使用して RSO の特性を表す特徴を削減する深層学習ベースのモデルを紹介します。
オートエンコーダーは低次元の空間表現を生成し、均一多様体近似や射影などの手法を使用して探索し、固有の特性に基づいて RSO の基本的なクラスターを特定します。
このアプローチでは、特定された機能と RSO のクラスの間の複雑で非線形な関係が捕捉されます。
私たちが提案する分類法とモデルは、軌道上の RSO の数の増加によってもたらされる全体的なリスクを軽減するための継続的な取り組みに大きく貢献します。

要約(オリジナル)

The increasing number of RSOs has raised concerns about the risk of collisions and catastrophic incidents for all direct and indirect users of space. To mitigate this issue, it is essential to have a good understanding of the various RSOs in orbit and their behaviour. A well-established taxonomy defining several classes of RSOs is a critical step in achieving this understanding. This taxonomy helps assign objects to specific categories based on their main characteristics, leading to better tracking services. Furthermore, a well-established taxonomy can facilitate research and analysis processes by providing a common language and framework for better understanding the factors that influence RSO behaviour in space. These factors, in turn, help design more efficient and effective strategies for space traffic management. Our work proposes a new taxonomy for RSOs focusing on the low Earth orbit regime to enhance space traffic management. In addition, we present a deep learning-based model that uses an autoencoder architecture to reduce the features representing the characteristics of the RSOs. The autoencoder generates a lower-dimensional space representation that is then explored using techniques such as Uniform Manifold Approximation and Projection to identify fundamental clusters of RSOs based on their unique characteristics. This approach captures the complex and non-linear relationships between the features and the RSOs’ classes identified. Our proposed taxonomy and model offer a significant contribution to the ongoing efforts to mitigate the overall risks posed by the increasing number of RSOs in orbit.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google