In den letzten Jahren hat das Thema Space Situational Awareness (SSA) stark an Bedeutung gewonnen. Grund dafür ist die stetig wachsende Zahl aktiver Satelliten sowie die Zunahme von Weltraummüll. Um Kollisionen im Orbit zu vermeiden und den sicheren Betrieb von Raumfahrzeugen zu gewährleisten, ist eine möglichst präzise Vorhersage der Bahnen sogenannter Resident Space Objects (RSO) unerlässlich.
Doch herkömmliche Modelle stoßen an ihre Grenzen. Unsicherheiten bei Objektgeometrie, Materialeigenschaften oder vereinfachten Kraftmodellen können bereits nach wenigen Tagen zu Vorhersagefehlern von mehreren Kilometern führen. In der Praxis hat das zur Folge, dass die Berechnungen unzuverlässig werden und das Risiko für kritische Annäherungen steigt. Studien zeigen, dass Machine Learning(ML) Verfahren hier einen entscheidenden Beitrag leisten können, indem sie genau diese Unsicherheiten gezielt ausgleichen.
An dieser Stelle ist das AI4POD Projekt angesetzt, um die Lücke durch Integration diverser ML - Methoden zu schließen. Das Python-basierte Softwarepaket erleichtert die Integration von ML-Algorithmen in bestehende Prozesse der Bahnvorhersage und -bestimmung. Die Toolbox kombiniert ein hochpräzises Kraftmodell mit verschiedenen Messfunktionen und klassischen Verfahren wie dem Batch Least Squares Algorithmus. So können traditionelle Bahnsimulationen mit datengetriebenen Methoden kombiniert werden, um die Genauigkeit zu erhöhen und den Vorhersagezeitraum zu verlängern.
Darüber hinaus werden sogenannte Physics-Informed Neural Networks (PINNs) untersucht, die eine vielversprechende Alternative zur klassischen Orbitbestimmung darstellen. Ihr wesentlicher Vorteil liegt darin, dass sie Bahnbestimmungen durchführen können, ohne auf Annahmen zu Modellparametern angewiesen zu sein.
