Physics-Informed Neural Networks for Satellite State Estimation

太空领域感知（SDA）社区通过对空间监视网络（SSN）所做的观测进行轨道状态拟合来常规跟踪轨道卫星。为了拟合这样的轨道，需要准确的卫星受到的力的模型。在过去的几十年中，已经开发了高质量的基于物理的卫星状态估计和传播模型。这些模型非常擅长估计和传播非机动卫星的轨道状态，但是有几类异常加速度可能会影响卫星，而这些异常加速度无法很好地建模，例如使用低推力电推进来改变其轨道的卫星。物理信息神经网络（PINNs）是这些卫星的有价值的工具，因为它们将物理模型与深度神经网络（DNN）相结合，后者是高度表达和多功能的函数逼近器。通过将物理模型与DNN相结合，机器学习模型无需学习天体动力学，从而更有效地利用机器学习资源。本文详细介绍了将PINNs应用于估计卫星的轨道状态和连续的低幅度异常加速度轮廓。通过最小化观测的均方误差，PINN被训练以学习未知的加速度。我们通过观测残差和超出观测拟合时间段的传播精度来评估纯物理模型与PINNs的性能。对于使用未建模的加速度轮廓的GEO卫星的两天模拟，PINN在观测残差（123角秒与1.00角秒）和传播精度（五天后的3860公里与164公里）方面比最佳物理模型表现更好。

本文旨在解决卫星在轨道上受到的非常规加速度难以建模的问题，并探讨使用物理知识引导神经网络（PINNs）来实现对卫星轨道状态和非连续、低振幅的异常加速度的估计。

本文提出了将物理模型与深度神经网络相结合的方法，使用神经网络来学习未知的加速度，从而提高机器学习资源的利用效率和精度。

本文使用PINNs估计卫星轨道状态和异常加速度的连续性，相比于仅使用物理模型，实现了更高的精度和效率，实验结果表明在两天的模拟中，PINN在观测残差和超出观测拟合时间的轨道传播精度方面均优于最佳物理模型，值得进一步研究。

相关研究包括使用机器学习来估计卫星轨道状态和预测异常加速度的方法，如基于神经网络的方法和使用贝叶斯优化的方法。