Maschinelles Lernen optimiert LEO-Orbitvorhersagen durch Fehlerkorrektur

Low Earth Orbit (LEO)-Satelliten werden zunehmend als Alternative zu GNSS für Positionierung, Navigation und Zeitmessung eingesetzt. Damit diese Dienste zuverlässig funktionieren, muss die Satellitenposition und -geschwindigkeit mit einer realistischen Unsicherheitsabschätzung propagiert werden. Häufig wird dabei die Annahme einer Gaußverteilung der Unsicherheit getroffen, die jedoch schnell an ihre Grenzen stößt, wenn die Atmosphäre nicht korrekt modelliert wird.

In einer neuen Studie wurde ein maschinelles Lernverfahren entwickelt, das das Wachstum von Fehlern im Argument des Längswinkels (Argument of Latitude) für eine breite Palette von LEO-Satelliten korrigiert. Durch die Anpassung des Mittelwerts und der Kovarianz der Fehler bleibt die Gaußannahme gültig, während die Genauigkeit der Orbitvorhersage deutlich verbessert wird.

Die Autoren verglichen einen zeitabhängigen neuronalen Netzwerk-Ansatz mit einem Gaußschen Prozess. Beide Modelle wurden auf Datensätzen trainiert, die mit einem Open-Source-Orbit-Propagator und öffentlich verfügbaren Vector Covariance Message (VCM)-Ephemeriden erzeugt wurden. Die Lernmodelle prognostizieren die Fehler im Argument des Längswinkels als Gaußverteilung, basierend auf Parametern eines einzelnen VCM-Epochs und den Fehlern der Rückpropagation.

Das eindimensionale Modell erfasst die Auswirkungen von falsch modelliertem Luftwiderstand und lässt sich in den kartesischen Zustandsraum überführen. Die Korrektur wirkt sich ausschließlich auf die Dimensionen mit dominierendem Fehlerwachstum aus, während die physikbasierte VCM-Kovarianz in den übrigen Dimensionen unverändert bleibt. Dadurch kann die Nützlichkeit von VCM-Ephemeriden auf längere Zeiträume ausgeweitet werden, ohne die bestehende Funktionsweise zu verändern.

Diese Fortschritte eröffnen neue Möglichkeiten für PNT-Dienste, die auf LEO-Satelliten basieren, indem sie längere Vorhersagefenster und höhere Genauigkeit ermöglichen. Die Integration solcher Lernmodelle in operative Systeme könnte die Zuverlässigkeit und Leistungsfähigkeit von GNSS-Alternativen erheblich steigern.