Naukowcy z arXiv opracowali nowy model uczenia maszynowego do wcześniejszej predykcji zagrożenia kolizją satelitów wykorzystujący hybrydową architekturę TCN-Transformer. Podejście łączy convolutional neural network typu TCN (Temporal Convolutional Network) ze zmodułem Transformer, aby analizować sekwencyjne wiadomości Conjunction Data Messages i przewidywać prawdopodobieństwo kolizji w kolejnych aktualizacjach tego samego zdarzenia bliskiego podejścia.
Problem, który próbuje rozwiązać ta praca, jest rzeczywisty i pilny. W niskoziemskiej orbicie LEO obserwuje się dynamiczny wzrost liczby operacyjnych satelitów i śmieci orbitalnych, co drastycznie zwiększa częstość zdarzeń bliskiego podejścia. Dla operatorów satelitów wyposażonych w silniki elektryczne stanowi to szczególne wyzwanie - te pojazdy mają ograniczoną zdolność manewrowania i więcej czasu potrzebują do wykonania działań unikających kolizję. Model wykorzystuje Unscented Transform do propagacji i backpropagation do oceny wrażliwości metryk kolizji na parametry CDM, a Principal Component Analysis identyfikuje cechy najistotniejsze dla zmienności prawdopodobieństwa kolizji.
To podejście jest znaczące dla praktyki operacyjnej, ponieważ obecna interpretacja sekwencyjnych CDM jest złożona ze względu na nieliniową propagację niepewności orbitalnych i wrażliwość prawdopodobieństwa kolizji na ewolucję macierzy kowariancji. Wczesna i dokładna predykcja ryzyka daje operatorom więcej czasu na decyzje dotyczące manewrów unikających i może istotnie poprawić bezpieczeństwo operacyjne w coraz bardziej zatłoczonym środowisku orbitalnym.