하이브리드 TCN-Transformer로 위성 충돌 위험을 미리 예측하는 방법
Early Prediction of Satellite Collision Probability Using a Hybrid TCN-Transformer Model for a CDM-Based Conjunction Analysis Framework
arXiv저궤도(LEO) 위성 증가로 근접 충돌 위험이 높아지면서, 기존의 CDM 기반 충돌 확률 예측 방식만으로는 한계가 생겼습니다.
- 연구진은 민감도 분석과 주성분 분석을 거쳐 데이터를 정제하고, 이를 바탕으로 하이브리드 TCN-Transformer 모델을 구축했습니다.
- 이 모델은 다음 CDM 업데이트 시 예상되는 충돌 확률(PoC)을 사전에 예측하여, 위성 운영자에게 선제적이고 일관된 위험 평가를 제공합니다.
- 복잡한 비선형 전파 및 시계열 분석 기법을 적용해, 특히 추진 시간이 제한적인 위성의 안전성 확보에 큰 도움을 줄 수 있습니다.
저궤도(LEO) 위성의 급증과 우주 잔해물 증가로 근접 접근 이벤트가 잦아지면서, 위성 운영자들에게 높은 운용 부담이 가중되고 있습니다. 기존의 충돌 데이터 메시지(CDM)는 상대 상태, 공분산, 최소 이격 거리 및 충돌 확률(PoC) 등의 정보를 제공하지만, 궤도 불확실성의 비선형 전파와 공분산 변화에 따른 PoC 민감성 때문에 순차적인 CDM 해석에 어려움이 존재합니다.
연구진은 먼저 Unscented Transform 기반의 전파 및 역전파 프레임워크를 활용하여 충돌 위험 지표가 CDM 에 얼마나 민감한지 평가했습니다. 이후 주성분 분석(PCA)을 적용해 PoC 변화에 가장 관련성이 높은 특징들을 식별하고, 이를 통해 상대 운동, 조우 기하학, 공분산 관련 불확실성을 나타내는 파생 지표를 구성하는 과정을 거쳤습니다.
이렇게 확보된 순차적이고 풍부한(enriched) 근접 데이터셋을 기반으로 하이브리드 Temporal Convolutional Network (TCN)-Transformer 모델이 학습되었습니다. 이 모델은 충돌 위험의 시간적 변화를 예측하여, 동일한 근접 상황 이벤트에 대해 다음 CDM 업데이트 시 예상되는 PoC를 사전에 추정할 수 있게 합니다.
개발된 프레임워크는 TÜBİTAK UZAY에서 수신 및 분석된 실제 CDM 데이터에 적용되었으며, LEO 위성 근접 상황에 대한 보다 빠르고 일관적인 운영 위험 평가가 가능함을 입증했습니다. 이는 특히 추력(thrust)이 제한적인 위성의 충돌 회피 계획 수립에 도움을 줄 것으로 기대됩니다.
용어 풀이
- 매개변수
- 모델이 학습하면서 조정한 내부 숫자. 개수가 많을수록 대체로 모델이 크고 무거워요.