Statistical Learning of Conjunction Data Messages Through a Bayesian Non-Homogeneous Poisson Process

要約

衝突回避と宇宙交通管理のための現在のアプローチは、主に軌道上の物体の数が継続的に増加していることと、スケーラブルで自動化されたソリューションが不足していることにより、多くの課題に直面しています。
壊滅的な事故を回避するために、衛星の所有者/運用者は資産の衝突リスクを認識し、衝突回避操作を実行する必要があるかどうかを判断する必要があります。
このプロセスは通常、予想される TCA や衝突の確率などのイベントに関する情報を含む CDM の形式で発行される警告を使用して実行されます。
私たちの以前の研究では、次の 2 つの重要な質問に答えることができる統計学習モデルを提示しました: (1) 次の指定された時間間隔で新しい接続は発行されますか?
(2) 次の CDM はいつ、どのような不確実性を伴って到着しますか?
ただし、このモデルは、CDM の到着率が時間の経過とともに一定であると仮定する、経験的なベイズ均質ポアソン過程に基づいています。
実際、CDM が発行される速度は、オブジェクトの動作と第三者によって実行されるスクリーニング プロセスによって異なります。
したがって、この研究では、以前の研究を拡張し、基礎的な現象を完全に記述するために、確率的プログラミング言語を使用して高精度で実装されたベイズ非均質ポアソン過程を提案します。
提案されたソリューションをベースライン モデルと比較して、アプローチの付加価値を実証します。
結果は、この問題がベイジアン非均質ポアソンプロセスによってより高い精度で首尾よくモデル化できることを示し、自動衝突回避システムの開発に貢献し、オペレーターが衛星操縦でタイムリーかつ慎重に対応できるようにすることを示しています。

要約(オリジナル)

Current approaches for collision avoidance and space traffic management face many challenges, mainly due to the continuous increase in the number of objects in orbit and the lack of scalable and automated solutions. To avoid catastrophic incidents, satellite owners/operators must be aware of their assets’ collision risk to decide whether a collision avoidance manoeuvre needs to be performed. This process is typically executed through the use of warnings issued in the form of CDMs which contain information about the event, such as the expected TCA and the probability of collision. Our previous work presented a statistical learning model that allowed us to answer two important questions: (1) Will any new conjunctions be issued in the next specified time interval? (2) When and with what uncertainty will the next CDM arrive? However, the model was based on an empirical Bayes homogeneous Poisson process, which assumes that the arrival rates of CDMs are constant over time. In fact, the rate at which the CDMs are issued depends on the behaviour of the objects as well as on the screening process performed by third parties. Thus, in this work, we extend the previous study and propose a Bayesian non-homogeneous Poisson process implemented with high precision using a Probabilistic Programming Language to fully describe the underlying phenomena. We compare the proposed solution with a baseline model to demonstrate the added value of our approach. The results show that this problem can be successfully modelled by our Bayesian non-homogeneous Poisson Process with greater accuracy, contributing to the development of automated collision avoidance systems and helping operators react timely but sparingly with satellite manoeuvres.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google