FenixEdu™

Dissertação

Predicting the Probability of Collision of a Satellite with Space Debris: A Bayesian Machine Learning Approach EVALUATED

Detalhes: Os operadores de satélites necessitam cada vez mais de considerar procedimentos de prevenção de colisões entre satélites e detritos espaciais. Atualmente, este processo baseia-se na análise humana de avisos de colisões, o que poderá ser uma tarefa impossível no futuro, devido ao grande aumento do número de objetos no espaço. Em 2019, a Agência Espacial Europeia lançou uma competição de aprendizagem automático para a previsão do risco de colisões, cujos resultados mostraram que as previsões simplistas são adequadas para este problema, sugerindo que os avisos de colisão podem seguir a propriedade de Markov. Este trabalho investiga essa teoria testando a implementação de modelos ocultos de Markov, usando duas abordagens: na primeira, a sequência do risco contido nos avisos de colisão é diretamente modelada e prevista; na segunda, as incertezas associadas à posição são previstas e o risco é calculado a partir das previsões. Neste trabalho, os modelos são treinados usando inferência Bayesiana, de modo a se inferir a distribuição conjunta dos parâmetros dos modelos implementados em vez de se obter estimativas pontuais. Isto permite a criação de modelos probabilísticos que podem incorporar conhecimentos/crenças prévias sobre o problema e fornecer intervalos de previsão. Apesar da segunda abordagem produzir resultados piores que o modelo base, a primeira abordagem supera a solução simplista, mesmo tendo sido analisada apenas uma característica do conjunto de dados, fortalecendo a ideia de que os avisos de colisão podem seguir a propriedade de Markov e indicando que este é um método promissor que deve ser devidamente explorado.
Keywords: modelos ocultos de Markov, inferência Bayesiana, estimação do risco de colisão, aprendizagem automática

Discussão: dezembro 2, 2022, 16:30