Projektissa sovellettiin robotiikan paikannusmenetelmiä satelliitin kiertoradan määrittämisen tarkkuuden parantamiseksi. Työ keskittyi satelliitin kiertoradan estimointiin sensoridatan ja systeemin dynaamisen mallin pohjalta. Perinteisiä Kalman Filter -pohjaisia menetelmiä laajennettiin koneoppimismallien avulla.
Kehitystyö painottui koneoppimismallin integroimiseen osaksi estimointialgoritmia sekä algoritmin kokonaistarkkuuden parantamiseen. Yritys hyötyi kiertoradan tarkasta määrittämisestä (orbit determination), sillä satelliittien tarkan sijainnin tunteminen on kriittistä useille satelliittisovelluksille. Aalto-yliopisto kehitti ja testasi ehdotettua ratkaisua.
Kehitetty hybridimenetelmä yhdisti fysiikkapohjaisen dynaamisen mallin ja koneoppimiseen perustuvan virheenkorjauksen. Random Forest -regressiota hyödynnettiin Extended Kalman Filterin dynaamisen mallin systemaattisten virheiden kompensoimiseksi, erityisesti mallintamattomien häiriövoimien vaikutusten vähentämiseksi. Menetelmää testattiin simulaatioympäristössä Molniya-kiertoradalla GNSS-mittausten pohjalta tuotetulla datalla. Tulokset osoittivat merkittävän parannuksen kiertoradan määrittämisen tarkkuudessa: keskimääräinen paikannusvirhe pieneni noin 16 metristä noin 4 metriin verrattuna pelkkään GNSS-ratkaisuun.
Satelliitin paikannustarkkuuden parantaminen -demovideo
Reorbit Oy
ReOrbit Oy on vuonna 2020 perustettu yritys, joka tarjoaa ohjelmistopohjaisia satelliitteja ja käyttövalmiita avaruusjärjestelmiä.