An unsupervised LEO satellite maneuver detection method using recurrent neural networks

With the increasing availability of services for humanity and scientific research that utilize the space surrounding Earth, the number of debris and space objects has grown significantly in recent years. For this reason, maintaining Space Safety is currently one of the most challenging and critical objectives, as evidenced by the presence of various programs aimed at ensuring Space Situational Awareness (SSA). Specifically, one of the main aspects supporting Surveillance & Tracking (SST) activities is the accurate and timely recognition of maneuvers performed by objects in orbit around Earth to maintain space catalogs. Alongside traditional methods and algorithms, the growing amount of observational data has allowed machine learning to play a significant role in maneuver recognition. In particular, this Thesis explores the use of autoencoders (AEs) that leverage recurrent neural network (RNN) architectures, such as Bi-LSTM, for unsupervised maneuver detection. Several sets of natural orbital element time series are used to train the neural network to reconstruct the given input with minimal error. As a result, when a maneuver occurs in the data, it can be identified by an anomalous reconstruction error for the input. The proposed method progressively achieves promising results in terms of precision, recall, and F1 score, generalizing for a specific group of satellites with similar orbits and maneuvering regimes. The model is trained using the Keplerian elements of a debris set with orbits similar to those of the test satellites, forcing the network to learn from data that closely resemble ballistic behavior. This research represents an initial attempt to develop a tool capable of automatically labeling orbital data for maneuver identification.

Con l’aumento dei servizi a disposizione dell’uomo e della ricerca scientifica, che sfruttano lo spazio intorno alla Terra, negli ultimi anni il numero di detriti ed oggetti spaziali sta crescendo in maniera evidente. Per questo motivo, attualmente il mantenimento della Sicurezza Spaziale è uno degli obiettivi e una delle sfide più stimolanti, come dimostrato dalla presenza di diversi programmi per garantire la Space Situational Awareness (SSA). Nello specifico, uno degli aspetti principali per il supporto delle attività di Surveillance & Tracking (SST) è quello del corretto e tempestivo riconoscimento delle manovre degli oggetti in orbita attorno alla Terra per la manutenzione dei cataloghi spaziali. In parallelo ai metodi e gli algoritmi tradizionali, con la sempre maggiore quantità di dati di osservazioni a disposizione, il machine learning sta trovando ampio spazio nell’ambito del riconoscimento di manovre. In particolare, in questa Tesi si sperimenta l’utilizzo di autoencoders (AEs) che sfruttano architetture di reti neurali ricorrenti (RNNs) come quelle Bi-LSTM, per l’identificazione di manovre non supervisionata. Diversi set di sequenze temporali di elementi orbitali normali vengono usati per allenare la rete neurale a ricostruire l’input dato con il minimo errore. In questo modo, quando una manovra è presente nei dati, questa è riconoscibile con un valore anomalo dell’errore di ricostruzione dell’input. Il metodo proposto arriva progressivamente ad ottenere risultati promettenti in termini di precision, recall e F1 score, generalizzando per uno specifico gruppo di satelliti con orbite e regimi di manovra simili. Il modello viene allenato con gli elementi Kepleriani di un set di detriti con orbite simili a quelle dei satelliti di test, per forzare la rete ad apprendere da dati vicini ad un comportamento balistico. Questa ricerca rappresenta un primo tentativo di costruzione di uno strumento in grado di provvedere ad un labeling automatico dei dati orbitali per l’identificazione di manovre.