Физически информированные нейросети предсказывают орбиты в окололунном пространстве
Учёные из США и Европы представили новый подход к определению орбит космических аппаратов в сложной гравитационной среде системы Земля-Луна. Их работа, опубликованная на arXiv, использует генеративные модели — нормализующие потоки — для восстановления вероятностного распределения начального состояния объекта по измерениям.
Задача формулируется как оценка условной плотности: по короткой серии телескопических наблюдений (только угловые координаты) модель выводит возможные орбиты. В отличие от классических методов, нейросеть автоматически учитывает физику движения и способна генерировать многомодальные апостериорные распределения, что важно при неоднозначности траекторий.
Обучение проводилось на данных с возмущёнными топоцентрическими наблюдениями для орбит типа Near Rectilinear Halo Orbits — перспективных трасс для будущих лунных миссий. После тренировки модель по новым наблюдениям выдает набор физически согласованных гипотез о состоянии аппарата.
Полученные оценки служат «тёплым стартом» для классических алгоритмов нелинейной минимизации методом наименьших квадратов. Это ускоряет сходимость и повышает точность итогового решения. Авторы отмечают, что их метод особенно эффективен в окололунном пространстве, где гравитационные возмущения делают традиционную навигацию сложной.
Работа является шагом вперёд в области генеративной астродинамики. Она демонстрирует, как современные методы машинного обучения могут дополнить классические подходы к определению орбит, особенно в сценариях с ограниченными наблюдениями и нелинейной динамикой.
