Improving covariance realism in orbit determination using process noise in a square root information filter

Orbit determination enables knowledge of a spacecraft state, essential for multiple purposes such as navigation, guidance, collision avoidance and more. The reliability of the orbit determination plays a key role in manoeuvre planning and mission safety purposes, and is closely linked to the realism of the estimated covariance. In some cases, the orbit determination process can be overconfident and underestimate the covariance due to modeling imperfections. This work aims to improve the reliability of the orbit determination process implemented in Deimos - Indra repositories. To this end, information is gathered on the state of the art methods used to perform this task. On the basis of the information obtained from the literature analysis, a set of performance criteria is defined and the process noise approach emerges as the most suitable one for this scenario. The selected method is implemented in the company repositories, within a Square Root Information Filter (SRIF) framework in C++ language, while the validation approach, which is based on the Normalized Estimation Error Squared (NEES), is developed in Python. The proposed solution is tested in two different orbit determination scenarios: a real case involving the Sentinel-1A satellite in LEO and a simulated scenario based on observations in a GEO environment. Both test cases demonstrate substantial improvements in terms of covariance realism compared to the initial configuration, significantly enhancing the reliability of the orbit determination process. Finally, potential refinements to further improve covariance realism are identified and proposed as directions for future work.

La determinazione orbitale consente la conoscenza dello stato di un veicolo spaziale, essenziale per molteplici finalità, quali navigazione, guida, prevenzione delle collisioni e altre applicazioni operative. L’affidabilità del processo di determinazione orbitale riveste un ruolo chiave nella pianificazione delle manovre e nella sicurezza della missione, ed è strettamente legata al realismo della covarianza stimata. In alcuni casi, il processo di determinazione orbitale può essere eccessivamente confidente e sottostimare la covarianza a causa di imperfezioni di modellazione. Questo lavoro si propone di migliorare l’affidabilità del processo di determinazione orbitale implementato nei repository di Deimos - Indra. A tal fine, viene condotta un’analisi dello stato dell’arte dei metodi utilizzati per svolgere tale compito. Sulla base delle informazioni ottenute dall’analisi della letteratura, viene definito un insieme di criteri di selezione e l’approccio basato sul process noise emerge come il più idoneo per lo scenario considerato. Il metodo selezionato viene implementato nei repository aziendali nell’ambito di uno Square Root Information Filter (SRIF) in linguaggio C++, mentre l’approccio della validazione, basato sul Normalized Estimation Error Squared (NEES), viene sviluppato in Python. La soluzione proposta viene testata in due diversi scenari di determinazione orbitale: un caso reale relativo al satellite Sentinel-1A in orbita terrestre bassa (LEO) e uno scenario simulato basato su osservazioni in ambiente GEO. Entrambi i casi di test mostrano miglioramenti sostanziale in termini di realismo della covarianza rispetto alla configurazione iniziale, incrementando significativamente l’affidabilità del processo di determinazione orbitale. Infine, vengono individuati possibili perfezionamenti volti a ottenere ulteriori miglioramenti nel realismo della covarianza, proposti come sviluppi futuri.