A shape-based maneuver detection method using CNN AntoEncoder

As the number of satellites and debris in Low Earth Orbit (LEO) grows, maintaining accurate catalogues has become a crucial activity within the Space Surveillance & Tracking (SST) framework for Space Situational Awareness (SSA) services, including collision avoidance and re-entry prediction. In this context, reliably identifying and reconstructing a satellite’s Pattern of Life (PoL) can provide valuable a priori information during orbit determination. However, because PoL data are rarely publicly available, a broadly generalizable method for PoL reconstruction is needed. This thesis proposes a shape-based maneuver detection method that uses a one-dimensional Convolutional AutoEncoder (1D CNN-AE) trained on debris time series to learn natural orbital behavior and flag anomalies via reconstruction errors. The model ingests short sliding windows of selected orbital features derived from TLEs and is trained without maneuver labels, enabling unsupervised use and automatic data labeling. To make decisions robust, anomaly scores are computed with percentile and slope based aggregations, then separated from nominal behavior through clustering algorithm followed by a standard-deviation threshold. A Dynamic Time Warping (DTW) pre-selection aligns training debris with target satellites when needed. Tests on Sentinel-3A and CryoSat-2 show that the method detects most station-keeping events, with higher performance when the maneuvers are high-impulse and the impulses exceed the TLE noise floor. Finally, the use of proper elements is explored to enhance readability of small out-of-plane changes to contrast the noise sensitivity. This work is an initial step toward a model that automatically labels orbital data to identify maneuvers while trying to mitigate the inherent noise in TLEs and shows the importance of continuing the research in this direction.

Con l’aumento del numero di satelliti e detriti in orbita bassa terrestre (LEO), mantenere accurati i cataloghi è diventato un'attività fondamentale nella Space Surveillance & Tracking (SST) framework per i servizi di Space Situational Awareness (SSA) che includono prevenzione delle collisioni e predizione del rientro. In questo contesto, l’identificazione e la ricostruzione affidabili del Pattern of Life (PoL) di un satellite possono fornire preziose informazioni a priori durante la determinazione dell’orbita. Tuttavia, poiché i dati PoL sono raramente disponibili pubblicamente, è necessario un metodo ampiamente generalizzabile per la ricostruzione del PoL. Questa tesi propone un metodo di rilevamento delle manovre basato sulla forma dei parametri orbitali, che utilizza un Convolutional AutoEncoder monodimensionale (1D CNN-AE) addestrato su serie temporali di detriti per apprendere il comportamento orbitale naturale e segnalare anomalie tramite errori di ricostruzione. Il modello elabora brevi finestre scorrevoli di parametri orbitali selezionati derivate dai TLEs ed è addestrato senza etichette di manovra, consentendo un uso non supervisionato e l’etichettatura automatica dei dati. Per rendere robusti i risultati, i punteggi di anomalia sono calcolati con aggregazioni basate su percentili e massime pendenze, poi separati dal comportamento nominale tramite un algoritmo di clustering seguito da un limite definito tramite la deviazione standard. Una pre-selezione con Dynamic Time Warping (DTW) allinea, quando necessario, i detriti di addestramento con i satelliti di interesse. I test su Sentinel-3A e CryoSat-2 mostrano che il metodo rileva la maggior parte degli eventi di station-keeping dell’orbita, con prestazioni migliori quando gli impulsi della manovra sono elevati e gli impulsi superano il livello di rumore dei TLE. Infine, si esplora l’uso degli elementi propri per migliorare la leggibilità di piccole variazioni fuori dal piano e contrastare la sensibilità al rumore. Questo lavoro rappresenta un primo passo verso uno strumento che etichetta automaticamente i dati orbitali per identificare le manovre, cercando di mitigare il rumore intrinseco dei TLE, e evidenzia l’importanza di proseguire la ricerca in questa direzione.