Autor: STEVENSON, Emma
Título: Enhancing orbital conjunction assessment with deep learning
Fecha: 2025
Materia: ---
Escuela: E.T.S.I. AERONÁUTICA Y DEL ESPACIO
Departamento: SISTEMAS INFORMATICOS
Acceso electrónico: https://oa.upm.es/90664/
Director/a(s):
- Director/a: RODRÍGUEZ FERNÁNDEZ, Víctor
- Director/a: URRUTXUA CEREIJO, Hodei
Resumen: Avoiding collisions in orbit is a crucial component of safe and sustainable space operations, protecting space assets and limiting the proliferation of space debris. Underlying this is the process of conjunction assessment, in which close approaches (conjunctions) between space objects are predicted, and collision risks mitigated. Conjunction assessment is becoming both increasingly essential and challenging in the face of an exponential rise in space traffic and a growing space debris population, particularly in Low Earth Orbit (LEO). This thesis investigates the potential of deep learning to support and enhance the processes involved in conjunction assessment. Deep learning, a subset of machine learning, uses multi-layered artificial neural networks to model complex, non-linear relationships in high-dimensional data. This capability makes deep learning particularly suitable for addressing limitations in areas of the conjunction assessment pipeline that rely on statistical methods or require efficient and scalable solutions to handle the rapidly increasing space object population. As a consequence, the thesis focuses on two key processes: developing time series-based deep learning techniques for space weather forecasting and all-vs-all conjunction detection. First, deep residual networks are employed for forecasting the F10.7 solar radio flux, a key driver in atmospheric density models, and consequently orbit prediction and conjunction assessment in LEO. The use of deep ensembles to both improve forecast accuracy and provide a quantification of forecast uncertainty, an aspect currently lacking in operationally available forecasts, is also introduced, and it is demonstrated that the proposed deep learning approach can outperform existing methods up to 27-days ahead. Second, a deep learning-based approach is introduced for the problem of all-vs-all conjunction detection, aiming to efficiently identify close approaches among all objects in a space object catalogue, a process which is not typically performed operationally due to prohibitive computational cost, but which provides crucial space situational awareness of potential debris-debris collision events which may have a catastrophic effect on the space environment. This problem is framed as a time series classification task, based on orbital ephemeris up to 7-days ahead, and compared to classical filtering techniques. To strengthen robustness for operational deployment, self-supervised learning techniques are employed to build a foundation orbit model, ORBERT, which assimilates an understanding of the orbital dynamics affecting space objects by leveraging unlabelled orbit data to aid in generalisation and data efficiency. This approach is demonstrated to be both effective and computationally efficient, indicating its potential to support large-scale conjunction detection in an operational setting. Finally, the outlook of the thesis is discussed from a space operations and deep learning perspective, with particular reference to foundation orbit models for supporting wider deep learning-based astrodynamics applications, for example for manoeuvre detection, as well as graph learning for conjunction assessment. Together, the contributions of this thesis demonstrate how deep learning can complement existing conjunction assessment processes to improve both accuracy and scalability in an increasingly congested orbital environment. RESUMEN Evitar colisiones en órbita es un aspecto crucial de las operaciones espaciales seguras y sostenibles, proteger los bienes espaciales y limitar la proliferación de basura espacial. Para llevar esto a cabo, se realiza un proceso de evaluación de conjunciones en el que se predicen las aproximaciones cercanas (conjunciones) entre objetos espaciales, mitigando así los riesgos de colisión. La evaluación de conjunciones es cada vez más esencial y desafiante debido al aumento exponencial del tráfico espacial y a la creciente población de basura espacial, especialmente en la órbita baja terrestre (LEO). Esta tesis investiga el potencial del aprendizaje profundo para apoyar y mejorar los procesos implicados en la evaluación de conjunciones. El aprendizaje profundo, un subconjunto del aprendizaje automático, utiliza redes neuronales artificiales para modelar relaciones complejas y no lineales en datos de alta dimensionalidad. Esta capacidad lo hace especialmente adecuado para abordar limitaciones en áreas del proceso de evaluación de conjunciones que se basan en métodos estadísticos o que requieren soluciones escalables para gestionar el rápido aumento de la población de objetos espaciales. Como consecuencia, la tesis se centra en dos procesos clave: el desarrollo de técnicas de aprendizaje profundo basadas en series temporales para la predicción meteorológica espacial y la detección de conjunciones todos contra todos. En primer lugar, se emplean redes residuales profundas para predecir el flujo solar F10.7, un factor clave en los modelos de densidad atmosférica y, por tanto, en la predicción de órbitas y la evaluación de conjunciones en LEO. También se introduce el uso de ensembles de modelos para mejorar la precisión del pronóstico y proporcionar una cuantificación de la incertidumbre de éste, un aspecto que no forma parte de los pronósticos operacionales actuales. Con todo esto, se demuestra que el enfoque propuesto puede superar los métodos existentes en horizontes de predicción de hasta 27 días. En segundo lugar, se introduce un enfoque de aprendizaje profundo para el problema de la detección de conjunciones en modo todos contra todos, con el objetivo de identificar de forma eficiente las aproximaciones cercanas entre todos los objetos de un catálogo de objetos espaciales. Este es un proceso que no se suele llevar a cabo de forma operativa debido a un coste computacional prohibitivo, pero que proporciona un conocimiento crucial de posibles eventos de colisión de escombros que pueden tener un efecto catastrófico en el entorno espacial. Este problema se plantea como una tarea de clasificación de series temporales, basada en efemérides orbitales de hasta 7 días de antelación, y se compara con técnicas clásicas de filtrado. Con el fin de reforzar la robustez del modelo de cara a despliegue operativo, se emplean técnicas de aprendizaje autosupervisado para construir un modelo de base fundacional, ORBERT, que aprende patrones de la dinámica orbital aprovechando datos no etiquetados, con el objetivo de mejorar la generalización y la eficiencia del entrenamiento de modelos posteriores. Se demuestra que este enfoque es eficaz y eficiente desde el punto de vista computacional, lo que indica su potencial para apoyar a la tarea de detección de conjunciones a gran escala en un entorno operativo. Por último, se analizan las perspectivas de la tesis con un especial énfasis en el uso operativo, así como en el uso de modelos fundacionales para datos orbitales que den soporte a aplicaciones astrodinámicas más amplias basadas en aprendizaje profundo, tales como la detección de maniobras o el aprendizaje basado en grafos para la evaluación de conjunciones. En su conjunto, las contribuciones de esta tesis demuestran cómo el aprendizaje profundo puede complementar los procesos de evaluación de conjunciones existentes para mejorar tanto la precisión como la escalabilidad en un entorno orbital cada vez más congestionado.