KR102614633B1 - 지구 재진입 물체의 궤적 예측 시스템 및 방법 - Google Patents

지구 재진입 물체의 궤적 예측 시스템 및 방법 Download PDF

Info

Publication number
KR102614633B1
KR102614633B1 KR1020210117437A KR20210117437A KR102614633B1 KR 102614633 B1 KR102614633 B1 KR 102614633B1 KR 1020210117437 A KR1020210117437 A KR 1020210117437A KR 20210117437 A KR20210117437 A KR 20210117437A KR 102614633 B1 KR102614633 B1 KR 102614633B1
Authority
KR
South Korea
Prior art keywords
earth
entry
trajectory
altitude
data
Prior art date
Application number
KR1020210117437A
Other languages
English (en)
Other versions
KR20230034553A (ko
Inventor
정옥철
성재동
정유연
Original Assignee
한국항공우주연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국항공우주연구원 filed Critical 한국항공우주연구원
Priority to KR1020210117437A priority Critical patent/KR102614633B1/ko
Priority to US17/901,011 priority patent/US20230070518A1/en
Publication of KR20230034553A publication Critical patent/KR20230034553A/ko
Application granted granted Critical
Publication of KR102614633B1 publication Critical patent/KR102614633B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
    • B64G1/00—Cosmonautic vehicles
    • B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
    • B64G1/24—Guiding or controlling apparatus, e.g. for attitude control
    • B64G1/242—Orbits and trajectories
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
    • B64G3/00—Observing or tracking cosmonautic vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
    • B64G1/00—Cosmonautic vehicles
    • B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
    • B64G1/62—Systems for re-entry into the earth's atmosphere; Retarding or landing devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 지구 재진입 물체의 궤적 예측 시스템 및 방법에 관한 것으로, 본 발명에 따른 방법은 과거 실제 지구 재진입 물체의 궤도 정보를 이용하여 훈련 데이터 세트를 구축하는 단계 - 상기 훈련 데이터 세트는 기준 시점 이전의 제1 구간에서 궤적에 대응하는 입력 시퀀스 데이터와 상기 기준 시점 이후 제2 구간에서 궤적에 대응하는 출력 시퀀스 데이터 쌍을 복수 개 포함함 - ; 상기 훈련 데이터 세트를 이용하여 재진입 궤적 예측 모델을 학습하는 단계; 및 관심 대상 지구 재진입 물체의 상기 기준 시점 이전의 실제 궤적에 대응하는 입력 시퀀스 데이터를 상기 재진입 궤적 예측 모델에 입력하여 상기 관심 대상 지구 재진입 물체의 상기 기준 시점 이후의 궤적을 예측하는 단계; 를 포함한다.

Description

지구 재진입 물체의 궤적 예측 시스템 및 방법{System and method for predicting re-entry trajectories of space object}
본 발명은 지구 재진입 물체의 궤적 예측 시스템 및 방법에 관한 것이다.
우주개발 및 응용분야 확대에 따라 우주물체 증가로 인해 지구 재진입 물체 수도 급증하고 있다. 지구 재진입 물체의 궤적 예측은 추락에 대한 위험요소 사전 경보 등을 위해 필요한 기술이다.
종래 지구 재진입 물체 궤적 예측은 일반적으로 물리법칙(동역학 모델링)에 기반하여 지구재진입 물체의 궤적을 예측하는 방식이 이용되었다. 그런데 일반적으로 지구 재진입 물체의 궤적 예측은 관측자료의 보정, 제어 파라미터의 추정 및 최적화를 통해 수행되고 있으나 다양한 형태의 불확실성이 작용하여 정밀한 예측에 한계가 있다. 이에 대한 대안으로 동역학 모델링을 보조하는 방식이 제시되어 왔으나 한계가 있었다. 또한 기존 방식은 다양한 물체에 일반화시켜 적용시킬 수 없는 문제가 있었다.
본 발명이 해결하고자 하는 기술적 과제는 물리법칙(동역학 모델링)에 기반한 것보다 정확한 예측이 가능하고, 다양한 물체에 일반화시켜 지구 재진입 궤적을 정확하게 예측할 수 있는 지구 재진입 물체의 궤적 예측 시스템 및 방법을 제공하는 것이다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 지구 재진입 물체의 궤적 예측 방법은, 과거 실제 지구 재진입 물체의 궤도 정보를 이용하여 훈련 데이터 세트를 구축하는 단계 - 상기 훈련 데이터 세트는 기준 시점 이전의 제1 구간에서 궤적에 대응하는 입력 시퀀스 데이터와 상기 기준 시점 이후 제2 구간에서 궤적에 대응하는 출력 시퀀스 데이터 쌍을 복수 개 포함함 - ; 상기 훈련 데이터 세트를 이용하여 재진입 궤적 예측 모델을 학습하는 단계; 및 관심 대상 지구 재진입 물체의 상기 기준 시점 이전의 실제 궤적에 대응하는 입력 시퀀스 데이터를 상기 재진입 궤적 예측 모델에 입력하여 상기 관심 대상 지구 재진입 물체의 상기 기준 시점 이후의 궤적을 예측하는 단계; 를 포함한다.
상기 훈련 데이터 세트를 구축하는 단계는, 상기 지구 재진입 물체의 기본 궤도정보(Two Element, TLE) 데이터로부터 특정 시점에서의 지구 재진입 물체의 고도 데이터를 구하는 단계, 상기 구해진 고도 데이터에 커브 피팅을 이용하여 시간에 따른 상기 지구 재진입 물체의 고도를 나타내는 근사화 함수를 결정하는 단계, 상기 근사화 함수를 이용하여 제1 고도에서 제2 고도까지 등간격으로 나누어진 각 고도에서의 경과 시간 - 상기 경과 시간은 상기 제1 고도로부터 상기 각 고도까지 상기 지구 재진입 물체가 도달하는데 걸린 시간임 - 을 순서대로 나열한 고도 프로파일 시퀀스 데이터를 생성하는 단계, 및 상기 고도 프로파일 시퀀스 데이터를 상기 기준 시점 이전의 제1 구간에 해당하는 입력 시퀀스 데이터와 상기 기준 시점 이후의 제2 구간에 해당하는 출력 시퀀스 데이터로 분할하는 단계를 포함할 수 있다.
상기 지구 재진입 물체의 기본 궤도정보 데이터에 포함된 Mean Motion 값을 이용하여 상기 지구 재진입 물체의 고도 데이터를 구하거나, 상기 Mean Motion 값에 Mean Motion의 1차 미분 값 및 B* 파라미터 값 중 적어도 하나를 함께 이용하여 상기 지구 재진입 물체의 고도 데이터를 구할 수 있다.
상기 재진입 궤적 예측 모델은, RNN(Recurrent Neural Network), GRU(Gated Recurrent Unit), LSTM (Long Short Term Memory) 및 Seq2Seq(Sequence-to-Sequence) 중 어느 하나를 포함할 수 있다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 지구 재진입 물체의 궤적 예측 시스템은, 과거 실제 지구 재진입 물체의 궤도 정보를 이용하여 훈련 데이터 세트를 구축하는 데이터 처리부 - 상기 훈련 데이터 세트는 기준 시점 이전의 제1 구간에서 궤적에 대응하는 입력 시퀀스 데이터와 상기 기준 시점 이후 제2 구간에서 궤적에 대응하는 출력 시퀀스 데이터 쌍을 복수 개 포함함 - ; 및 상기 훈련 데이터 세트를 이용하여 재진입 궤적 예측 모델을 학습하고, 관심 대상 지구 재진입 물체의 상기 기준 시점 이전의 실제 궤적에 대응하는 입력 시퀀스 데이터를 상기 재진입 궤적 예측 모델에 입력하여 상기 관심 대상 지구 재진입 물체의 상기 기준 시점 이후의 궤적을 예측하는 인공 신경망부; 를 포함한다.
본 발명의 다른 실시예에 따른 컴퓨터로 읽을 수 있는 기록매체는 상기 방법 중 어느 하나를 컴퓨터에 실행시키기 위한 프로그램을 기록한다.
본 발명에 의하면 종래 물리법칙(동역학 모델링)에 기반한 것보다 정확한 예측이 가능하고, 다양한 물체에 일반화시켜 지구 재진입 궤적을 정확하게 예측할 수 있는 장점이 있다. 특히 Seq2Seq 방식을 적용하는 경우 지구 재진입 물체에 대한 궤적 관측 자료의 갱신이 없어도 정밀한 궤적 예측이 가능한 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 지구 재진입 물체의 궤적 예측 시스템의 구성도이다.
도 2는 훈련 과정에서 사용된 지구 재진입 물체의 궤적 데이터에서 입력 시퀀스 데이터와 출력 시퀀스 데이터를 나타낸 것이다.
도 3은 예측 과정에서 사용된 관심 대상 지구 재진입 물체의 입력 시퀀스 데이터와 그로부터 예측된 출력 시퀀스 데이터를 나타낸 것이다.
도 4 및 도 5는 TLE 데이터로부터 추출된 고도에 커브피팅을 적용하여 결과를 나타낸 것이다.
도 6은 본 발명의 일 실시예에 따른 훈련 데이터 세트를 예시한 도면이다.
도 7은 도 6의 훈련 데이터 세트를 그래프로 나타낸 것이다.
도 8은 TLE 데이터에 포함되는 시변 파라미터를 예시한 것이다.
도 9는 TLE 데이터에 포함되는 시변 파라미터의 상관성 분석 결과를 나타낸 것이다.
도 10은 본 발명의 일 실시예에 따른 지구 재진입 물체의 궤적 예측 방법의 흐름도이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 지구 재진입 물체의 궤적 예측 시스템의 구성도이다.
도 1을 참고하면, 본 발명에 따른 지구 재진입 물체의 궤적 예측 시스템(100)은 데이터 획득부(110), 데이터 처리부(130), 인공 신경망부(150) 및 데이터 저장부(170)를 포함할 수 있다.
본 발명에 따른 지구 재진입 물체의 궤적 예측 시스템(100)은 실제로 지구에 재진입한 물체(이하 '지구 재진입 물체'라 함)의 과거 실제 궤적 데이터를 기초로 구축된 훈련 데이터로 재진입 궤적 예측 모델을 학습하고, 이를 이용하여 관심 대상 지구 재진입 물체의 궤적을 예측할 수 있다.
먼저 지구 재진입 물체의 시간에 따른 궤적을 T로 정의할 수 있다.
[수학식 1]
수학식 1에서 는 ti(i= 1, 2, …, N, N+1, …,F} 시점에서의 지구 재진입 물체의 고도를 나타내고, tN은 궤적 예측 시작 시점, tF는 예측된 지구 재진입 시점을 나타낸다.
재진입 궤적 예측 모델은 궤적 예측 시작 시점 이전에 주어진 궤적 을 이용하여 궤적 예측 시작 시점 이후의 궤적 을 예측할 수 있다.
가령 궤적 예측 시작 시점(tN)은 미리 정해진 기준 시점으로 정해질 수 있다. 예를 들어 지구 재진입 물체가 고도 120km 통과하는 시점을 궤적 예측 시작 시점으로 정하고, 지구 재진입 물체가 고도 80km에 도달하는 시점을 지구 재진입 시점(tF)으로 평가할 수 있다. 물론 실시예에 따라 지구 재진입 시점의 기준이 되는 고도나 궤적 예측 시작 시점의 기준이 되는 고도 등은 달라질 수 있다.
재진입 궤적 예측 모델 훈련을 위해 필요한 훈련(training) 데이터 세트는 수학식 2에 나타낸 것과 같이 과거 실제 지구에 재진입한 물체들의 궤적 데이터를 이용할 수 있다.
[수학식 2]
j는 과거 실제 지구에 재진입한 물체들의 인덱스이고, 수학식 2에서는 총 S개의 재진입 물체의 궤적 데이터를 이용하여 훈련 데이터 세트를 구축한 것을 나타낸다. 는 j번째 지구 재진입 물체에 대한 입력 시퀀스 데이터이고, 는 j번째 지구 재진입 물체에 대한 출력 시퀀스 데이터이다.
과거 실제 지구에 재진입한 물체들의 궤적 데이터를 이용하여 훈련된 지구 재진입 예측 모델(Mpred)이 구축되면, 관심 대상 지구 재진입 물체의 궤적은 수학식 3을 통해 계산이 가능하다.
[수학식 3]
은 예측 시작 시점 이전의 관심 대상 지구 재진입 물체의 입력 시퀀스 데이터이고, 는 지구 재진입 예측 모델(Mpred)을 통해 예측한 관심 대상 지구 재진입 물체의 궤적(출력 시퀀스 데이터)을 나타낸다.
도 2는 훈련 과정에서 사용된 지구 재진입 물체의 궤적 데이터에서 입력 시퀀스 데이터와 출력 시퀀스 데이터를 나타낸 것이고, 도 3은 예측 과정에서 사용된 관심 대상 지구 재진입 물체의 입력 시퀀스 데이터와 그로부터 예측된 출력 시퀀스 데이터를 나타낸 것이다.
도 2에서는 훈련 과정에서 사용되는 S개의 과거 지구 재진입 물체의 궤적 데이터 와 그로부터 구해지는 S개의 입력 시퀀스 데이터와 S개의 출력 시퀀스 데이터 를 도식적으로 나타내고 있다.
도 3에서는 예측 과정에서 관심 대상 지구 재진입 물체의 입력 시퀀스 데이터 를 지구 재진입 예측 모델(Mpred)에 입력하여 관심 대상 지구 재진입 물체의 궤적에 대응하는 출력 시퀀스 데이터 를 구하는 것을 도식적으로 나타내고 있다.
다시 도 1을 참조하면, 데이터 획득부(110)는 지구 재진입 물체의 궤도 정보를 획득할 수 있다. 데이터 획득부(110)는 훈련 과정에서는 과거 실제 지구 재진입 물체의 궤도 정보를 획득할 수 있고, 예측 과정에서는 관심 대상 지구 재진입 물체의 궤도 정보를 획득할 수 있다. 지구 재진입 물체의 궤도 정보는 TLE(Two Line Element) 데이터 등이 이용될 수 있다. 지구 재진입 물체는 인공위성, 발사체 상단, 우주 쓰레기 등과 같은 우주 물체일 수 있다.
데이터 처리부(130)는 지구 재진입 물체의 과거 실제 궤도 정보, 예컨대 TLE 데이터를 전처리하여 훈련 데이터 세트를 구축할 수 있다. 훈련 데이터 세트는 TLE 데이터를 전처리하여 구해지는 입력 시퀀스 데이터와 출력 시퀀스 데이터로 이루어지는 복수 개의 지구 재진입 물체의 궤적 데이터로 구축될 수 있다.
데이터 처리부(130)는 지구 재진입 물체의 TLE 데이터로부터 특정 시점(기산일, Epoch)에서의 지구 재진입 물체의 고도 데이터를 구할 수 있다. 데이터 처리부(130)는 TLE 데이터에서 구해지는 고도 데이터에 커브피팅(curve fitting)을 이용하여 시간에 따른 지구 재진입 물체의 고도를 나타내는 아래 수학식 4에서와 같은 근사화 함수를 결정할 수 있다. 물론 실시예에 따라 수학식 4에 나타낸 것과 다른 커브피팅 함수가 이용될 수도 있다.
[수학식 4]
수학식 4에서 tref는 지구 재진입 물체의 실제 재진입 시점을 나타낸다. tref는 실제로 지구에 재진입한 물체에 대한 훈련 데이터의 경우 이미 알고 있는 실측 자료(Ground Truth)에 해당한다. ak는 최소 자승법(Least Square Method)과 같은 방식으로 커브피팅을 통해 구해지는 계수이다.
도 4 및 도 5는 TLE 데이터로부터 추출된 고도에 커브피팅을 적용하여 결과를 나타낸 것이다.
도 4 및 도 5에서 각 원(circle)(1, 2, 3, 4, 5, 6, 7, 8, 9)은 TLE 데이터로부터 구해진 특정 시점(기산일, Epoch, 수직선으로 표시함)에 대한 고도를 나타내고, 사각형(10)은 지구 재진입 물체의 실제 재진입 시점인 tref를 나타낸다. 원(1, 2, 3, 4, 5, 6, 7, 8, 9)과 사각형(10)에 해당하는 데이터에 커브피팅을 이용하여 지구 재진입 물체의 시간에 따른 고도를 나타내는 근사화 함수를 구할 수 있다.
도 4는 7개의 TLE 데이터를 이용하여 구해진 지구 재진입 물체의 시간에 따른 고도를 나타내는 함수 그래프이고, 도 5는 9개의 TLE 정보를 이용하여 구해진 지구 재진입 물체의 시간에 따른 고도를 나타내는 함수 그래프이다.
TLE 데이터로부터 추출된 고도 데이터에 커브피팅을 적용하여 구한 근사화 함수는 시간에 따른 고도 변화를 나타낸다. 그런데 지구 재진입 시점이 물체마다 다르므로 훈련 데이터 세트의 길이를 동일하게 하기 위해서 '시간에 따른 고도' 대신에 '고도에 따른 시간' 형태로 데이터를 변환할 수 있다. 예를 들어 지구 재진입 물체가 고도 200km를 통과하는 시점을 '0'으로 정의하면, 고도 200km에서 80km는 동일한 범위를 가지는 독립 변수로 볼 수 있고, 각 고도를 통과하는 시점은 고도 200km 부터의 경과 시간(Elapse Time)에 해당하는 종속 변수로 정의할 수 있다.
데이터 처리부(130)는 앞서 시간에 따른 지구 재진입 물체의 고도를 나타내는 근사화 함수에 기초하여 제1 고도(예컨대 200km)로부터 제2 고도(예컨대 80km, 지구 재진입 고도)까지 등간격으로 나누어진 각 고도에서의 경과 시간(제1 고도로부터 해당 고도까지 지구 재진입 물체가 도달하는데 걸리는 시간)을 순서대로 나열한 고도 프로파일 시퀀스 데이터를 생성할 수 있다. 그리고 데이터 처리부(130)는 고도 프로파일 시퀀스 데이터를 궤적 예측 시작 시점(tN) 이전의 입력 시퀀스 데이터와 궤적 예측 시작 시점(tN) 이후의 출력 시퀀스 데이터로 분할하여 훈련 데이터 세트를 생성할 수 있다.
도 6은 본 발명의 일 실시예에 따른 훈련 데이터 세트를 예시한 도면이다.
도 6을 참고하면 고도(ALT) 200km를 통과하는 시점을 '0'으로 하여 5km씩 고도가 낮아질 때마다 경과 시간으로 이루어진 시퀀스 데이터로 구성되는 훈련 데이터 세트를 나타낸 것이다. 데이터 세트(trj #1)는 고도 200km에서 경과 시간 '0'이고, 고도 195km에서 경과 시간 '9.5', …, 고도 80km에서 경과 시간 '60.6'인 것을 나타내고 있다. 데이터 세트(trj #211)는 고도 200km에서 경과 시간 '0'이고, 고도 195km에서 경과 시간 '14.2', …, 고도 80km에서 경과 시간 '85.9'인 것을 나타내고 있다.
궤적 예측 시작 시점을 고도 120km로 정하면, 고도 200km 부터 고도 120km 까지 제1 구간에서 경과 시간이 순서대로 나열된 데이터가 입력 시퀀스 데이터이고, 고도 120km 이후부터 고도 80km까지 제2 구간에서 경과 시간이 순서대로 나열된 데이터가 출력 시퀀스 데이터에 해당한다.
도 7은 도 6의 훈련 데이터 세트를 그래프로 나타낸 것이다.
도 7을 참조하면, 좌측은 각각 다른 고도에서 80km까지의 궤적을 나타내고 있는데 반하여 우측은 모두 고도 200km에서 80km까지의 궤적을 나타내는 것을 확인할 수 있다.
TLE 데이터에 고도 데이터가 바로 포함되어 있는 것은 아니다. 따라서 TLE 데이터에서 고도를 산출해야 한다. 본 발명에서와 같이 데이터에 따라 처리하는(data-driven) 방식을 이용할 경우 어떤 특성치(feature)를 고도 데이터 산출을 위해 선택할 것인지가 중요하다. 훈련 데이터 세트 구성을 위해 필요한 기본 입력 정보로 이용 가능한 TLE 데이터에 포함된 시변 파라미터는 도 8에 예시한 것과 같다.
도 8은 TLE 데이터에 포함되는 시변 파라미터를 예시한 것이고, 도 9는 TLE 데이터에 포함되는 시변 파라미터의 상관성 분석 결과를 나타낸 것이다.
도 8에 예시한 TLE 데이터에 포함되는 시변 파라미터들(time-varying parameters) 중에서 고도와 직접 관련되는 파라미터는 궤도 운동 속도를 나타내는 Mean Motion(n)과 Mean Motion의 1차 미분 값(n_dot, 1st derivative of mean motion), 그리고 대기항력과 연관되는 B*(b*) 파라미터를 상관성 분석을 통해 특성치로 선택하였다.
도 9를 참조하면, Mean Motion(n)과 Mean Motion의 1차 미분 값 및 B*(b*) 파라미터 값이 상관도가 높은 것을 확인할 수 있다.
TLE 데이터에 포함되는 시변 파라미터 중에서 1) Mean Motion 값만을 이용하거나, 2) Mean Motion 값에 추가하여 Mean Motion의 1차 미분 값 또는 B*(b*) 파라미터 값을 함께 이용하거나, 또는 3) Mean Motion 값에 Mean Motion의 1차 미분 값과 B*(b*) 파라미터 값을 함께 이용하여 대응하는 지구 재진입 물체의 고도를 구할 수 있다. Mean Motion 값을 이용하여 특정 시점(기산일, Epoch)에서 지구 재진입 물체의 고도를 계산하는 것은 이미 공지되어 해당 기술분야에 속하는 통상의 기술자에게는 잘 알려져 있다.
케플러 제 3법칙에 따라 우주물체(인공위성 등)의 공전 주기의 제곱은 궤도의 장반경 세제곱에 비례하므로, 아래 수학식 5와 같이 Mean Motion 값()으로부터 궤도의 장반경()을 구할 수 있고, 궤도 장반경에서 지구평균반경(6378.13km)을 빼면 우주물체(인공위성 등)의 고도를 구할수 있다. 수학식 5에서 는 지구중력상수로 약 398600(km3s-2)이다.
[수학식 5]
다시 도 1을 참조하면, 인공 신경망부(150)는 지구 재진입 물체의 과거 실제 궤적 데이터를 이용하여 구축된 훈련 데이터 세트를 이용하여 재진입 궤적 예측 모델을 학습할 수 있다.
인공 신경망부(150)는 관심 대상 지구 재진입 물체의 궤적 예측 시작 시점 이전의 실제 궤적 데이터를 학습된 재진입 궤적 예측 모델을 입력하여 해당 관심 대상 지구 재진입 물체의 궤적 예측 시작 시점 이후의 궤적 예측 결과를 출력할 수 있다. 즉 인공 신경망부(150)는 관심 대상 지구 재진입 물체의 입력 시퀀스 데이터를 입력받아, 궤적 예측 시작 시점 이후의 궤적에 해당하는 출력 시퀀스 데이터를 출력할 수 있다.
이를 위해 인공 신경망부(150)는 딥 러닝 기법이 적용된 신경망 알고리즘이 사용될 수 있다. 인공 신경망부(150)는 시퀀스 데이터를 입력받아 시퀀스 데이터를 출력하는 딥러닝(Deep Learning) 모델로 구현될 수 있다. 구체적으로 딥러닝(Deep Learning) 모델은 RNN(Recurrent Neural Network), GRU(Gated Recurrent Unit), LSTM (Long Short Term Memory), Seq2Seq(Sequence-to-Sequence) 등으로 구현할 수 있다.
데이터 저장부(170)는 지구 재진입 물체 궤적 예측 시스템(100)의 동작과 관련된 각종 정보, 데이터 및 프로그램 등을 저장할 수 있다.
도 10은 본 발명의 일 실시예에 따른 지구 재진입 물체의 궤적 예측 방법의 흐름도이다.
도 1 및 도 10을 참조하면, 먼저 데이터 획득부(110)는 과거 실제 지구 재진입 물체의 궤도 정보를 획득할 수 있다(S1010). 단계(S1010)에서 획득되는 지구 재진입 물체의 궤도 정보는 과거 지구에 실제로 재진입한 물체들의 TLE(Two Line Element) 데이터일 수 있다.
다음으로 데이터 처리부(130)는 지구 재진입 물체의 과거 실제 궤도 정보를 전처리하여 훈련 데이터 세트를 구축할 수 있다(S1020).
단계(S1020)를 보다 구체적으로 설명하면, 먼저 데이터 처리부(130)는 지구 재진입 물체의 TLE 데이터로부터 특정 시점(기산일, Epoch)에서의 지구 재진입 물체의 고도 데이터를 구할 수 있다(S1021).
그리고 데이터 처리부(130)는 단계(S1021)에서 구해진 고도 데이터에 커브피팅을 이용하여 시간에 따른 지구 재진입 물체의 고도를 나타내는 근사화 함수를 결정할 수 있다(S1023).
다음으로 데이터 처리부(130)는 근사화 함수를 이용하여 제1 고도(예컨대 200km)로부터 제2 고도(예컨대 80km, 지구 재진입 고도)까지 등간격으로 나누어진 각 고도에서의 경과 시간(제1 고도로부터 해당 고도까지 지구 재진입 물체가 도달하는데 걸리는 시간)을 순서대로 나열한 고도 프로파일 시퀀스 데이터를 생성할 수 있다(S1025).
그리고 데이터 처리부(130)는 단계(S1025)에서 구해진 고도 프로파일 시퀀스 데이터를 궤적 예측 시작 시점(tN) 이전, 즉 제1 구간에서의 입력 시퀀스 데이터와 궤적 예측 시작 시점(tN) 이후, 즉 제2 구간에서의 출력 시퀀스 데이터로 분할하여 훈련 데이터 세트를 구축할 수 있다(S1027).
다음으로 인공 신경망부(150)는 지구 재진입 물체의 과거 실제 궤적 데이터를 이용하여 구축된 훈련 데이터 세트를 이용하여 재진입 궤적 예측 모델을 학습할 수 있다(S1030).
마지막으로 인공 신경망부(150)는 관심 대상 지구 재진입 물체의 궤적 예측 시작 시점 이전의 실제 궤적 데이터(입력 시퀀스 데이터)를 재진입 궤적 예측 모델을 입력하여 해당 관심 대상 지구 재진입 물체의 궤적 예측 시작 시점 이후의 궤적 예측 결과(출력 시퀀스 데이터)를 출력할 수 있다(S1040). 관심 대상 지구 재진입 물체의 궤도 정보를 단계(S1020)에서와 동일하게 전처리하여 구해지는 입력 시퀀스 데이터를 예측 과정(S1040)에서 이용할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (9)

  1. 삭제
  2. 지구 재진입 물체의 궤적 예측 방법에 있어서,
    과거 실제 지구 재진입 물체의 궤도 정보를 이용하여 훈련 데이터 세트를 구축하는 단계 - 상기 훈련 데이터 세트는 기준 시점 이전의 제1 구간에서 궤적에 대응하는 입력 시퀀스 데이터와 상기 기준 시점 이후 제2 구간에서 궤적에 대응하는 출력 시퀀스 데이터 쌍을 복수 개 포함함 - ;
    상기 훈련 데이터 세트를 이용하여 재진입 궤적 예측 모델을 학습하는 단계; 및
    관심 대상 지구 재진입 물체의 상기 기준 시점 이전의 실제 궤적에 대응하는 입력 시퀀스 데이터를 상기 재진입 궤적 예측 모델에 입력하여 상기 관심 대상 지구 재진입 물체의 상기 기준 시점 이후의 궤적을 예측하는 단계;
    를 포함하고,
    상기 훈련 데이터 세트를 구축하는 단계는,
    상기 지구 재진입 물체의 기본 궤도정보(Two Line Element, TLE) 데이터로부터 특정 시점에서의 지구 재진입 물체의 고도 데이터를 구하는 단계,
    상기 구해진 고도 데이터에 커브 피팅을 이용하여 시간에 따른 상기 지구 재진입 물체의 고도를 나타내는 근사화 함수를 결정하는 단계,
    상기 근사화 함수를 이용하여 제1 고도에서 제2 고도까지 등간격으로 나누어진 각 고도에서의 경과 시간 - 상기 경과 시간은 상기 제1 고도로부터 상기 각 고도까지 상기 지구 재진입 물체가 도달하는데 걸린 시간임 - 을 순서대로 나열한 고도 프로파일 시퀀스 데이터를 생성하는 단계, 및
    상기 고도 프로파일 시퀀스 데이터를 상기 기준 시점 이전의 제1 구간에 해당하는 입력 시퀀스 데이터와 상기 기준 시점 이후의 제2 구간에 해당하는 출력 시퀀스 데이터로 분할하는 단계
    를 포함하는 지구 재진입 물체의 궤적 예측 방법.
  3. 제 2 항에서,
    상기 지구 재진입 물체의 기본 궤도정보 데이터에 포함된 Mean Motion 값을 이용하여 상기 지구 재진입 물체의 고도 데이터를 구하거나, 상기 Mean Motion 값에 Mean Motion의 1차 미분 값 및 B* 파라미터 값 중 적어도 하나를 함께 이용하여 상기 지구 재진입 물체의 고도 데이터를 구하는 지구 재진입 물체의 궤적 예측 방법.
  4. 지구 재진입 물체의 궤적 예측 방법에 있어서,
    과거 실제 지구 재진입 물체의 궤도 정보를 이용하여 훈련 데이터 세트를 구축하는 단계 - 상기 훈련 데이터 세트는 기준 시점 이전의 제1 구간에서 궤적에 대응하는 입력 시퀀스 데이터와 상기 기준 시점 이후 제2 구간에서 궤적에 대응하는 출력 시퀀스 데이터 쌍을 복수 개 포함함 - ;
    상기 훈련 데이터 세트를 이용하여 재진입 궤적 예측 모델을 학습하는 단계; 및
    관심 대상 지구 재진입 물체의 상기 기준 시점 이전의 실제 궤적에 대응하는 입력 시퀀스 데이터를 상기 재진입 궤적 예측 모델에 입력하여 상기 관심 대상 지구 재진입 물체의 상기 기준 시점 이후의 궤적을 예측하는 단계;
    를 포함하고,
    상기 재진입 궤적 예측 모델은,
    RNN(Recurrent Neural Network), GRU(Gated Recurrent Unit), LSTM (Long Short Term Memory) 및 Seq2Seq(Sequence-to-Sequence) 중 어느 하나를 포함하는 지구 재진입 물체의 궤적 예측 방법.
  5. 컴퓨터에 제2항 내지 제4항 중 어느 한 항에 기재된 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  6. 삭제
  7. 지구 재진입 물체의 궤적 예측 시스템에 있어서,
    과거 실제 지구 재진입 물체의 궤도 정보를 이용하여 훈련 데이터 세트를 구축하는 데이터 처리부 - 상기 훈련 데이터 세트는 기준 시점 이전의 제1 구간에서 궤적에 대응하는 입력 시퀀스 데이터와 상기 기준 시점 이후 제2 구간에서 궤적에 대응하는 출력 시퀀스 데이터 쌍을 복수 개 포함함 - ; 및
    상기 훈련 데이터 세트를 이용하여 재진입 궤적 예측 모델을 학습하고, 관심 대상 지구 재진입 물체의 상기 기준 시점 이전의 실제 궤적에 대응하는 입력 시퀀스 데이터를 상기 재진입 궤적 예측 모델에 입력하여 상기 관심 대상 지구 재진입 물체의 상기 기준 시점 이후의 궤적을 예측하는 인공 신경망부;
    를 포함하고,
    상기 데이터 처리부는,
    상기 지구 재진입 물체의 기본 궤도정보(Two Element, TLE) 데이터로부터 특정 시점에서의 지구 재진입 물체의 고도 데이터를 구하고, 상기 구해진 고도 데이터에 커브 피팅을 이용하여 시간에 따른 상기 지구 재진입 물체의 고도를 나타내는 근사화 함수를 결정하며, 상기 근사화 함수를 이용하여 제1 고도에서 제2 고도까지 등간격으로 나누어진 각 고도에서의 경과 시간 - 상기 경과 시간은 상기 제1 고도로부터 상기 각 고도까지 상기 지구 재진입 물체가 도달하는데 걸린 시간임 - 을 순서대로 나열한 고도 프로파일 시퀀스 데이터를 생성하고, 상기 고도 프로파일 시퀀스 데이터를 상기 기준 시점 이전의 제1 구간에 해당하는 입력 시퀀스 데이터와 상기 기준 시점 이후의 제2 구간에 해당하는 출력 시퀀스 데이터로 분할하여 상기 훈련 데이터 세트를 생성하는 지구 재진입 물체의 궤적 예측 시스템.
  8. 제 7 항에서,
    상기 지구 재진입 물체의 기본 궤도정보 데이터에 포함된 Mean Motion 값을 이용하여 상기 지구 재진입 물체의 고도 데이터를 구하거나, 상기 Mean Motion 값에 Mean Motion의 1차 미분 값 및 B* 파라미터 값 중 적어도 하나를 함께 이용하여 상기 지구 재진입 물체의 고도 데이터를 구하는 지구 재진입 물체의 궤적 예측 시스템.
  9. 지구 재진입 물체의 궤적 예측 시스템에 있어서,
    과거 실제 지구 재진입 물체의 궤도 정보를 이용하여 훈련 데이터 세트를 구축하는 데이터 처리부 - 상기 훈련 데이터 세트는 기준 시점 이전의 제1 구간에서 궤적에 대응하는 입력 시퀀스 데이터와 상기 기준 시점 이후 제2 구간에서 궤적에 대응하는 출력 시퀀스 데이터 쌍을 복수 개 포함함 - ; 및
    상기 훈련 데이터 세트를 이용하여 재진입 궤적 예측 모델을 학습하고, 관심 대상 지구 재진입 물체의 상기 기준 시점 이전의 실제 궤적에 대응하는 입력 시퀀스 데이터를 상기 재진입 궤적 예측 모델에 입력하여 상기 관심 대상 지구 재진입 물체의 상기 기준 시점 이후의 궤적을 예측하는 인공 신경망부;
    를 포함하고,
    상기 재진입 궤적 예측 모델은,
    RNN(Recurrent Neural Network), GRU(Gated Recurrent Unit), LSTM (Long Short Term Memory) 및 Seq2Seq(Sequence-to-Sequence) 중 어느 하나를 포함하는 지구 재진입 물체의 궤적 예측 시스템.
KR1020210117437A 2021-09-03 2021-09-03 지구 재진입 물체의 궤적 예측 시스템 및 방법 KR102614633B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210117437A KR102614633B1 (ko) 2021-09-03 2021-09-03 지구 재진입 물체의 궤적 예측 시스템 및 방법
US17/901,011 US20230070518A1 (en) 2021-09-03 2022-09-01 System and method for predicting trajectory of object

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210117437A KR102614633B1 (ko) 2021-09-03 2021-09-03 지구 재진입 물체의 궤적 예측 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20230034553A KR20230034553A (ko) 2023-03-10
KR102614633B1 true KR102614633B1 (ko) 2023-12-14

Family

ID=85386443

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210117437A KR102614633B1 (ko) 2021-09-03 2021-09-03 지구 재진입 물체의 궤적 예측 시스템 및 방법

Country Status (2)

Country Link
US (1) US20230070518A1 (ko)
KR (1) KR102614633B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020066365A (ja) * 2018-10-25 2020-04-30 国立研究開発法人宇宙航空研究開発機構 予測装置、予測方法、及び予測プログラム
CN111813146A (zh) 2020-07-01 2020-10-23 大连理工大学 基于bp神经网络预测航程的再入预测-校正制导方法
US20210261276A1 (en) 2020-02-20 2021-08-26 Raytheon Company Space object maneuver detection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020066365A (ja) * 2018-10-25 2020-04-30 国立研究開発法人宇宙航空研究開発機構 予測装置、予測方法、及び予測プログラム
US20210261276A1 (en) 2020-02-20 2021-08-26 Raytheon Company Space object maneuver detection
CN111813146A (zh) 2020-07-01 2020-10-23 大连理工大学 基于bp神经网络预测航程的再入预测-校正制导方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
최은정, 우주상황인식을 위한 인공우주물체 추락 예측, 우주기술과 응용 1(1), 2021. 5. 31., 23-32 1부.*

Also Published As

Publication number Publication date
US20230070518A1 (en) 2023-03-09
KR20230034553A (ko) 2023-03-10

Similar Documents

Publication Publication Date Title
Alligier et al. Machine learning and mass estimation methods for ground-based aircraft climb prediction
CN110390396B (zh) 用于估计观测变量之间的因果关系的方法、装置和系统
US11886988B2 (en) Method for adaptive exploration to accelerate deep reinforcement learning
CN110114784B (zh) 递归环境预测器及其方法
CN110582784A (zh) 使用先行搜索来训练动作选择神经网络
Jiang et al. Using neural networks to compute approximate and guaranteed feasible Hamilton-Jacobi-Bellman PDE solutions
US11907821B2 (en) Population-based training of machine learning models
CN109109863A (zh) 智能设备及其控制方法、装置
Alligier et al. Machine learning applied to airspeed prediction during climb
KR102293791B1 (ko) 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체
KR102622486B1 (ko) 유정 로그 데이터의 결측 구간 추정 방법 및 그 장치
KR102614633B1 (ko) 지구 재진입 물체의 궤적 예측 시스템 및 방법
Gregory et al. Early validation of the data handling unit of a spacecraft using MBSE
Kim et al. Efficient and robust inverse simulation techniques using pseudo-spectral integrator with applications to rotorcraft aggressive maneuver analyses
Oestreich et al. Tube-based model predictive control with uncertainty identification for autonomous spacecraft maneuvers
CN116627157B (zh) 一种运载火箭的运行控制方法、装置及设备
US9733341B1 (en) System and method for covariance fidelity assessment
CN113703025B (zh) 一种面向gnss多种失效状态的车辆定位误差智能预测方法
CN113723603A (zh) 一种更新参数的方法、装置及存储介质
US11537846B2 (en) Neural network architecture with concurrent uncertainty output
Shamsudin et al. Recursive Gauss-Newton based training algorithm for neural network modelling of an unmanned rotorcraft dynamics
CN113553779B (zh) 火星进入器驻点热流预测方法、装置、电子设备及介质
Humphreys et al. A Hybrid Technique applied to the Intermediate-Target Optimal Control Problem
Cellini et al. Empirical individual state observability
Chaffee et al. Uncertainty Quantification for High Altitude Balloon Trajectory Optimization

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant