[논문]인공 신경망을 이용한 저궤도 위성의 궤도 예측 알고리즘 개발

김지훈; 박상영; 전상미

doi:10.20910/jase.2023.17.3.57

인공 신경망을 이용한 저궤도 위성의 궤도 예측 알고리즘 개발
Algorithm for Orbit Prediction of LEO satellites using Neural Network 원문보기

항공우주시스템공학회지 = Journal of aerospace system engineering, v.17 no.3, 2023년, pp.57 - 67

김지훈 (연세대학교 천문우주학과 우주비행제어연구실) , 박상영 (연세대학교 천문우주학과 우주비행제어연구실) , 전상미 (레이다 연구소, LIG 넥스원)

초록
AI-Helper

본 연구는 기계학습을 통해 저궤도 위성의 궤도를 예측하는 새로운 알고리즘을 개발하였다. TLE 데이터와 SGP4 알고리즘으로 시계열 데이터를 생성하고, 이심률에 따른 특이점 문제를 해결하기 위해 수정분점 궤도 요소를 기계학습 요소로 설정하였다. 데이터 분할, 데이터 스케일링 등의 전처리 과정을 거치고, LSTM 레이어를 포함하는 모델과 최소 제곱법으로 선형 회귀를 하는 학습 모델로 학습하였다. 세가지 위성에 해당 알고리즘을 적용하여 약 8 일간 8.2 km 위치 오차 이내로 궤도를 예측할 수 있었다. 개발된 알고리즘은 기계학습으로 미래의 위성의 궤도를 SPG4 전파기의 정밀도 내에서 예측할 수 있다.

Abstract ▼ AI-Helper

This study presents an algorithm for the orbit prediction of Low Earth Orbit (LEO) satellites using a machine learning. Utilizing the Two-Line Elements (TLE), time series data are generated through the Simplified General Perturbations 4 (SGP4) algorithm. Learning parameters are set-up using the modified equinoctial orbital elements. Data pre-processing was conducted, including data decomposition and data scaling. The learning model contains a Long Short-Term Memory (LSTM) layer and an ordinary least squares linear regression. As a result, orbit prediction of three satellites is performed within 8.2 km position error for about 8 days. This means that the future states of the satellite can be predicted within the accuracy of the SGP4 propagation.

주제어

표/그림 (28)

그림 Fig. 1 Classical Orbital Elements
표 Table 1 Orbital elements and learning elements
표 Table 2 Orbital properties of selected LEO satellites
그림 Fig. 2 Format of Input and Output for data training
그림 Fig. 3 Cross-validation of time series
그림 Fig. 4 Learning elements (a, i, f, g, Ω, L) of YAOGAN 20B - long-term
그림 Fig. 5 Learning elements (a, i, f, g, Ω, L) of YAOGAN 20B – short-term
그림 Fig. 6 The architecture of LSTM model
표 Table 3 Decomposition and scaling method
표 Table 4 Learning model
그림 Fig. 7 The form of LSTM model
그림 Fig. 8 The architecture of Linear Regression model
그림 Fig. 9 Ideal log(loss)-epoch graph - seasonal component of Ω (ENVISAT)
표 Table 5 Evaluation criterion of training result
그림 Fig. 10 Estimation method
표 Table 6 Validation of learning elements (ENVISAT)
표 Table 7 Validation of learning elements (HST)
표 Table 8 Validation of learning elements (YAOGAN 20B)
그림 Fig. 11 Prediction results (total position and velocity)
표 Table 9 Prediction results (learning elements)
표 Table 10 Prediction results (classical orbital elements)
그림 Fig. 12 Trend component result of 𝑓, 𝑔 after decomposition of three satellites
표 Table 11 Prediction result (maximum position and velocity) of three satellites for 8 days
표 Table 12 Position error of TLE and SGP4[8]
그림 Fig. 13 Error of prediction of learning elements (HST)
그림 Fig. 14 Error of prediction of orbital elements (HST)
표 Table 13 Position error of TLE and SGP4[9]
표 Table 14 Position error of TLE and SGP4[10]

참고문헌 (21)

S. P. Shuster, "A Survey and Performance Analysis of？Orbit Propagators for LEO, GEO, and Highly Elliptical？Orbits," pp. 3-15, 2017.
David A. Vallado, "Fundamentals of Astrodynamics and？Applications", 2nd Ed., Springer, pp. 619-636, 1997.
F. Hoots and R. Roehrich. "SPACETRACK REPORT NO.？3 Models for Propagation of NORAD Element Sets," pp.？10-20, December 1988.
H. Peng, and X. Bai, "Artificial Neural Network-Based？Machine Learning Approach to Improve Orbit Prediction？Accuracy," Journal of Spacecraft and Rockets, pp. 1248-1260, June 2018.
Hao Ren et al. "Research on Satellite Orbit Prediction？Based on Neural Network Algorithm," Proc. of the 2019？3rd High Performance Computing and Cluster？Technologies Conference, pp. 267-273, June 2019.
H. Yang, J. Zhu, and J. Zhang, "The Research of Low？Earth Orbit Prediction of Satellite Based on Deep Neural？Network," DEStech Transactions on Computer Science？and Engineering, pp. 291-299, March 2018.
L. Fang, and N. Nagarajan, "Neural Network Based Orbit？Propagation for Small Satellite Missions," 18th Annual？AIAA/ASU Conference on Small Satellites, 2004.
D. Wei, and C. Zhao. "An Accuracy Analysis of the？SGP4/SDP4 Model," Chinese Astronomy and？Astrophysics, vol. 34, pp. 69-76, 2010.

상세보기
R. Wand, J. Liu, and Q.M. Zhang. "Propagation error？analysis of TLE data," Advances in Space Research, vol.？43, pp. 1065-1069, 2009.
J. Mason, "Development of a MATLAB/STK TLE？Accuracy Assessment Tool, in support of the NASA Ames？Space Traffic Management Project," arXiv: Space Physics,？2013.
R. Rojas, "Neural Networks - A Systematic Introduction",？Springer-Verlag, Berlin, New-York, pp. 151-184, 1996.
A. B. Arrieta et al. "Explainable Artificial Intelligence？(XAI): Concepts, Taxonomies, Opportunities and？Challenges toward Responsible AI," Information Fusion,？pp. 82-125, 2020.
M. J. H. Walker, B. Ireland, and J. Owens, "A set of？modified equinoctial orbit elements," Celestial mechanics？vol. 36, pp. 409-419, 1985.
Cross Validation manual,？ https://medium.com/@soumyachess1496/crossvalidation-in-time-series-566ae4981ce4
R. J. Hyndman and G. Athanasopoulos, "Forecasting:？principles and practice", 2nd Ed, OTexts: Melbourne,？Australia, pp. 197-236, 2018.
Time Series Decomposition manual,？ https://towardsdatascience.com/different-types-of-timeseries-decomposition-396c09f92693
Data Scaling manual,？ https://machinelearningmastery.com/how-to-improveneural-network-stability-and-modeling-performance-withdata-scaling/
Hyperparameter and Optimization manual,？ https://towardsdatascience.com/understandinghyperparameters-and-its-optimisation-techniquesf0debba07568
Overfitting and Underfitting manual,？ https://machinelearningmastery.com/diagnose-overfittingunderfitting-lstm-models/
Early Stopping manual,？ https://towardsdatascience.com/a-practical-introductionto-early-stopping-in-machine-learning-550ac88bc8fd
J. H. Kim, "Orbit Prediction of LEO satellites using？Machine Learning," MS Thesis, Dept. of Astronomy,？Yonsei University, Feb 2022.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증