Modélisation du comportement orbital nominal en utilisant l’apprentissage profond pour la détection de manoeuvres de satellites

Résumé

La détection précise des manoeuvres satellitaires, tant dans le plan orbital qu’en dehors, constitue une composante essentielle de la surveillance de l’espace (SSA). Ces manoeuvres se manifestent généralement par des anomalies dans les séries temporelles des paramètres orbitaux : le demi-grand axe et l’excentricité pour les manoeuvres dans le plan, et l’inclinaison pour les manoeuvres hors du plan. Cette capacité est devenue de plus en plus critique avec l’émergence de grandes constellations de satellites, où une détection précise et en temps réel des manoeuvres est essentielle pour atténuer les risques de collision et prévenir les scénarios de réaction en chaîne. La diversité des systèmes de propulsion utilisés par les satellites complique davantage la détection des manoeuvres, nécessitant des méthodes capables de s’adapter à une grande variété de profils de poussée et de comportements orbitaux. Bien que des travaux antérieurs, tels que ceux de Mukundan & Wang (2021), aient exploré l’utilisation de propagateurs orbitaux combinés à l’analyse résiduelle pour détecter les manoeuvres, ces méthodes nécessitent souvent des coefficients balistiques spécifiques au satellite et souffrent d’une précision réduite en raison de variables confusionnelles imprévisibles telles que l’activité solaire. Des études plus récentes se sont tournées vers l’application de techniques d’apprentissage profond pour atténuer l’impact de ces perturbations, notamment par le biais de réseaux neuronaux informés par la physique (PINN) proposés par Varey, Ruprecht, Tierney & Sullenberger (2024), qui intègrent des lois physiques dans le processus d’apprentissage. Toutefois, ces approches demeurent exigeantes en ressources computationnelles et présentent des capacités de généralisation encore limitées. Pour relever ces défis, nous proposons une nouvelle approche fondée sur l’apprentissage profond, consistant à entraîner des réseaux neuronaux à prédire le comportement nominal, c’est-à- dire sans manoeuvre, des objets spatiaux (Resident Space Objects, RSOs), à partir de séries temporelles d’éléments orbitaux moyens (Mean Orbital Elements, MOEs) de débris extraits de la base de données Special Perturbation (SP). Les prédictions ainsi obtenues pour des satellites susceptibles de manoeuvrer peuvent ensuite être comparées aux mesures réelles. Les écarts significatifs, révélateurs de manoeuvres, apparaissent alors sous forme de pics dans les séries résiduelles, permettant une détection non supervisée des anomalies caractéristiques de manoeuvres, tout en maintenant un faible taux de faux positifs. Deux variantes de modèles sont proposées pour cette application : les modèles MOE-Only, qui s’appuient uniquement sur les MOEs passés, et les modèles MOE+SW (Space Weather), qui intègrent en plus des données exogènes liées à la météorologie spatiale, disponibles pour les pas de temps passés et futurs, afin d’affiner les prédictions. Des expériences avec plusieurs modèles de prédiction de séries temporelles de l’état de l’art démontrent que les méthodes proposées permettent une prédiction d’orbite à la fois précise et efficiente, sans nécessiter de métadonnées (telles que les coefficients de traînée ou de pression de radiation solaire), ni d’intégrations intermédiaires. Ces résultats mettent en évidence leur fort potentiel pour des applications évolutives de détection de manoeuvres avec un minimum d’informations préalables.

Date	15 sept. 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Georges Ghazi (Directeur(-trice)) & Bruno Revelin (Codirecteur(-trice))