De toenemende hoeveelheid objecten in de orbitale ruimte maakt geautomatiseerde monitoringsystemen essentieel voor de veiligheid en duurzaamheid van satellietbanen. Om dit proces te versnellen, hebben wetenschappers een innovatieve methode ontwikkeld die automatisch het gedrag van ruimteobjecten kan karakteriseren. Dit systeem vormt een belangrijke stap richting een zogenaamd 'Foundation Model' voor de analyse van het gedrag van ruimteobjecten, ook wel Space Object Behavioural Analysis (SOBA) genoemd, zoals beschreven in een arxiv.org.
De architectuur van zelfgesuperviseerd leren
Het nieuwe raamwerk is gebaseerd op het principe van Foundation Models. Dit zijn grootschalige neurale netwerken die initieel worden getraind op enorme hoeveelheden ongelabelde data, om pas in een latere fase te worden geoptimaliseerd voor specifieke toepassingen. Hoewel dergelijke modellen reeds succesvol worden ingezet voor aardobservatie en klimaatonderzoek, bestond er tot nu toe geen vergelijkbaar model voor de specifieke dynamiek van objecten in de ruimte.
Technisch gezien maakt het systeem gebruik van een Perceiver-Variational Autoencoder (VAE) architectuur. Volgens de is dit model getraind via zelfgesuperviseerde en gemaskeerde reconstructie. Voor deze trainingsfase is gebruikgemaakt van ongeveer 227.000 lichtcurves, die zijn verzameld door het MMT-9 observatorium.
Prestaties in anomaliedetectie en voorspelling
Het ontwikkelde model is ontworpen om drie kernfuncties uit te voeren: het genereren van synthetische lichtcurves, het voorspellen van bewegingen en het identificeren van anomalieën. Om de betrouwbaarheid van het systeem te valideren, hebben de onderzoekers het model verfijnd met behulp van twee onafhankelijke simulatoren, GRIAL en CASSANDRA. Hierbij werden CAD-modellen van diverse satellietplatforms gebruikt, waaronder Sentinel-3, Starlink en SMOS.
De resultaten tonen een hoge mate van precisie. Het pre-trained model behaalde een gemiddelde kwadratische fout van 0,0012 bij de reconstructie van data. Dit stelt het systeem in staat om afwijkende lichtcurves te signaleren op basis van de mate waarin het model moeite heeft om de data te reconstrueren. Na een fase van fijnafstemming werden de volgende prestaties gerapporteerd in de :
- Anomaliedetectie: Een nauwkeurigheid van 85% met een ROC AUC-score van 0,92.
- Voorspelling van bewegingsmodus: Een nauwkeurigheid van 82% met een ROC AUC-score van 0,95.
Door deze scores kan het systeem effectief onderscheid maken tussen verschillende bewegingsvormen, zoals objecten die ongecontroleerd tuimelen, spinnende objecten of satellieten die constant naar de zon gericht zijn.
Toepassing op reële scenario's
De kracht van het model bleek ook bij de toepassing op werkelijke data. Onderzoekers konden met een hoge betrouwbaarheid karakteristieke objectprofielen en reflecties, ook wel 'glinting' genoemd, identificeren. Dit bevestigt dat de representaties die het model tijdens de training heeft ontwikkeld, direct bruikbaar zijn voor complexe scenario's in de praktijk.
Het onderzoek, dat is ingediend onder de categorieën Space Physics en Machine Learning, concludeert dat zelfgesuperviseerd leren een krachtig instrument is voor de automatisering van ruimtemonitoring. Door gelijktijdig bewegingen te voorspellen en afwijkingen te detecteren, draagt dit raamwerk bij aan een veiliger beheer van de orbitale ruimte. Meer technische details over dit proces zijn terug te vinden in de .