The trajectory modeling and re-entry prediction of uncontrolled space object is a challenging research area. Many previous studies have been conducted by using orbital dynamics, optimization technique and parameter estimation. In this paper, we have proposed new approach to predict re-entry trajectory of space object by using recurrent neural network. These deep learning models are based on LSTM and sequence-to-sequence method. Both simulated dataset and real flight dataset were validated by comparing the predicted trajectory with ground truth data. The main results from this study can be an alternative or a supplement for enhancement of prediction accuracy for re-entered space object in the future, instead of classical physics-based re-entry prediction. We verified our strategy for uncontrolled re-entry objects including different reentry objects, and got precise prediction results.
본 논문에서는 반복 신경망 회로를 이용한 비-제어 지구 재진입 물체의 궤적 예측 방안을 연구하였다. 일반적으로 지구 재진입 물체의 궤적 예측은 관측자료의 보정, 제어 파라미터의 추정 및 최적화를 통해 수행되고 있으나 다양한 형태의 불확실성이 작용하여 정밀한 예측에 한계가 있다. 본 논문에서는 기존 물리적 동역학 기반의 모델을 사용하지 않고, 과거 지구 재진입 물체의 궤적 형태 패턴을 학습하여 구축한 딥러닝 모델을 이용하여, 궤적을 예측하는 새로운 방안을 제안하였다. 딥러닝 모델을 위한 데이터 전처리 과정에서는 고도 프로파일을 간단한 형태의 함수로 근사화하여 학습에 필요한 데이터셋을 생성하였고, 딥러닝 방식으로 반복적으로 궤적을 예측하는 방식과 이전 고도변화 시퀀스를 통해 이후 고도변화를 일괄적으로 예측하는 방식도 제시하였다. 본 논문에서 제안한 데이터 기반 딥러닝 모델을 이용하여 지구 재진입 물체의 궤적을 예측한 결과 동역학 모델을 사용하지 않고도 기존 방식과 유사한 수준의 정밀도를 확보하였다.
