使用基于 CDM 的联合分析框架的混合 TCN-Transformer 模型对卫星碰撞概率进行早期预测

arXiv:2609.13191v1 公告类型：新 摘要：运行卫星和轨道碎片的快速扩张增加了近地轨道 (LEO) 近距离事件的频率，给卫星运营商带来了更高的运行负担。这个问题对于使用电力推进的卫星尤其重要，因为低推力机动能力对防撞计划施加了额外的时间限制。在当前实践中，联合数据消息（CDM）提供用于联合评估的相对状态、协方差、脱靶距离、最近接近时间和碰撞概率（PoC）信息。然而，轨道不确定性的非线性传播以及 PoC 对协方差演化的敏感性使得连续 CDM 的解释具有挑战性。本研究提出了一个基于学习的框架，通过估计同一近距离事件的后续 CDM 更新中预期的 PoC，来早期预测卫星会合风险。在所提出的方法中，首先使用基于 Unscented Transform 的传播和反向传播框架来评估碰撞风险度量对 CDM 参数的敏感性。此外，主成分分析应用于数值 CDM 参数，以识别与 PoC 变化最相关的特征。然后，从灵敏度分析和 PCA 获得的结果用于证明所选原始 CDM 参数的合理性，并构建表示相对运动、遭遇几何形状和协方差相关不确定性的派生指标。使用生成的序列丰富的合取数据集，训练混合时间卷积网络 (TCN)-Transformer 模型来学习合取风险的时间演化。该框架适用于 T\"UB\.ITAK UZAY 内接收和分析的 CDM，展示了其对 LEO 卫星会合进行更早、更一致的运行风险评估的潜力。