A Hybrid Approach to Satellite Orbit Detection Using Extended Kalman Filter with a Dynamic Model Enhanced by Random Forest Regression

Thumbnail Image

Files

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025-01-18

Department

Major/Subject

Teknillinen fysiikka

Mcode

SCI3028

Degree programme

Teknistieteellinen kandidaattiohjelma

Language

en

Pages

39

Series

Abstract

Determining the precise position and velocity of a satellite is important in various applications, including navigation, weather forecasting, and global communications. Accurate orbit determination relies on both measurement data, such as that obtained from Global Navigation Satellite Systems (GNSS), and physical modeling of satellite dynamics. Multiple approaches have been developed to model satellite motion: some are broadly applicable across different types of orbits, while others are tailored to specific orbital configurations. Satellite motion is influenced by a range of perturbations, such as atmospheric drag and solar radiation pressure, which complicates precise modeling. In many cases, knowledge of accurate position and velocity is essential, which has led to the development of various algorithms and machine learning models. This bachelor’s thesis explored the most common orbit determination algorithms, with a focus on the Extended Kalman Filter (EKF), and reviewed machine learning models developed for orbit determination. An overview of the relevant physics was also provided. The primary objective was to develop an EKF-based orbit determination algorithm to improve the accuracy of GNSS data. The EKF algorithm was implemented in Python for a satellite in a highly elliptical Molniya orbit. The EKF algorithm was enhanced with Random Forest Regression (RFR) machine learning algorithm, which was trained to estimate and correct errors in the dynamic model. These corrections were then applied to create a more accurate estimation of the movement of the satellite. The results demonstrated that the RFR-enhanced EKF model significantly improved the accuracy of the GNSS data. Specifically, the mean error for GNSS was 15.96 meters, while the error with the EKF-RFR approach was reduced to 4.34 meters. While such a trained machine learning algorithm may not generalize well across different orbits, it showed potential as a rather simple solution for managing complex perturbative effects and justifies further investigation.

Satelliittien tarkan sijainnin ja nopeuden määrittäminen on keskeistä monissa käyt- tökohteissa, kuten navigoinnissa, sääennusteissa ja maailmanlaajuisessa viestinnässä. Kiertoradan tarkan määrityksen pohjana ovat mittaustulokset, kuten satelliittinavi- gointijärjestelmien (engl. Global Navigation Satellite System, GNSS) tuottama data sekä fysiikan mallintaminen. Satelliitin liikkeen mallintamiseen on kehitetty useita eri tapoja: osa soveltuu yleisesti kaikille kiertoradoille, kun taas toiset on räätälöity yksittäisille radoille. Satelliitin liikkeeseen vaikuttavat useat häiriöt, kuten ilmakehän vastus ja auringon säteilypaine, mikä vaikeuttaa liikkeen tarkkaa mallintamista. Tarkan sijainnin ja nopeuden tunteminen on usein jopa välttämätöntä, minkä vuoksi on kehitetty erilaisia algoritmeja ja koneoppimismalleja. Tässä kandidaatintyössä käsiteltiin yleisimpiä radanmääritysalgoritmeja, erityisesti laajennettua Kalman-suodinta (engl. Extended Kalman Filter, EKF). Lisäksi tarkas- teltiin keskeisiä koneoppimispohjaisia radanmääritysalgoritmeja, joita ongelmaan on kehitetty. Työssä perehdyttiin myös taustalla vaikuttavaan fysiikkaan ja luotiin sen pohjalta satelliitin liikettä kuvaava dynaaminen malli. Työn tavoitteena oli kehit- tää EKF-pohjainen radanmääritysalgoritmi, joka parantaa GNSS-datan tarkkuutta. EKF-algoritmi toteutettiin Pythonilla satelliitille, joka kiertää erittäin elliptisellä Molniya-kiertoradalla. EKF:n avulla yhdistettiin GNSS-data ja dynaamisen mallin tuottama ennuste, ja radanmääritysalgoritmin tarkkuutta parannettiin koneoppimi- salgoritmilla. Koneoppimisalgoritmina käytettiin satunnaismetsäregressoria (engl. Random Forest Regressor, RFR), jonka avulla minimoitiin dynaamisen mallin virheitä. Tulokset osoittivat, että RFR-paranneltu EKF-malli paransi GNSS-datan tark- kuutta merkittävästi. Alkuperäisen GNSS-datan keskivirhe oli 15,96 metriä, ja RFR- parannellulla EKF-mallilla keskivirhe oli enää 4,34 metriä. Työssä käytetyn mallin etuna on sen yksinkertainen tapa mallintaa monimutkaisia häiriöitä, mutta se ei välttä- mättä ole sellaisenaan toimiva muilla kiertoradoilla. Tästä syystä mallin soveltuvuutta ja yleistettävyyttä tulisi tutkia tarkemmin.

Description

Supervisor

Martikainen, Jani-Petri

Thesis advisor

Ojala, Risto

Keywords

orbit detection, extended Kalman filter, machine learning, random forest regression

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202505133625

Collections

[kand] Perustieteiden korkeakoulu / SCI