Revolusi Navigasi Satelit LEO: Memprediksi dan Mengoreksi Orbit dengan Machine Learning untuk Akurasi Tak Tertandingi

Pengantar: Akurasi Satelit LEO untuk Masa Depan Navigasi

      Layanan Posisi, Navigasi, dan Waktu (PNT) yang mengandalkan Sistem Satelit Navigasi Global (GNSS) seperti GPS rentan terhadap gangguan, penipuan sinyal, dan degradasi. Keterbatasan ini mendorong pengembangan metode PNT alternatif yang memanfaatkan satelit di Orbit Bumi Rendah (LEO). Satelit LEO, yang tidak dirancang khusus untuk PNT, tidak menanamkan ephemeris (data posisi dan kecepatan satelit di masa depan) dalam sinyal yang mereka pancarkan. Oleh karena itu, pengguna transmisi satelit LEO non-kooperatif harus memperoleh ephemeris ini melalui cara lain, seperti pelacakan radar aktif atau pelacakan pasif dari transmisi sinyal dari lokasi yang diketahui.

      Setelah diperoleh, ephemeris yang diperbarui harus diunduh dari penyedia layanan pelacakan dan disebarkan (dipropagasi) ke waktu pengukuran. Akurasi solusi PNT yang dihasilkan sangat bergantung pada akurasi propagasi orbit sejak pembaruan ephemeris terakhir. Peningkatan akurasi propagasi dalam jangka waktu yang lebih lama akan mengurangi frekuensi pembaruan ephemeris yang diperlukan dan meningkatkan ketahanan sistem PNT alternatif. Inilah yang menjadi fokus utama dalam mengatasi tantangan navigasi masa depan.

Tantangan Prediksi Orbit Satelit LEO

      Meskipun model fisika tradisional digunakan untuk memprediksi lintasan satelit, akurasi prediksi orbit satelit LEO dapat dengan cepat terganggu. Salah satu faktor utama yang menyebabkan ketidakakuratan ini adalah pemodelan yang salah terhadap atmospheric drag (gaya hambat atmosfer). Atmosfer Bumi tidak homogen dan terus berubah, membuat prediksi gaya hambat yang tepat menjadi sangat sulit. Kesalahan dalam memperkirakan drag atmosfer dapat menyebabkan penyimpangan signifikan dalam posisi dan kecepatan satelit seiring waktu.

      Selain itu, ketidakpastian yang dipropagasi, yang sering diasumsikan berdistribusi Gaussian (normal), juga bisa menjadi tidak valid akibat kesalahan pemodelan ini. Distribusi Gaussian adalah asumsi umum yang memudahkan analisis, namun jika fundamentalnya salah, perhitungan ketidakpastian (disebut kovarians) menjadi tidak dapat diandalkan. Ini adalah masalah kritis, terutama untuk aplikasi yang membutuhkan tingkat kepastian tinggi, di mana kesalahan yang tidak terkuantifikasi dengan baik dapat menyebabkan keputusan yang salah atau bahkan kegagalan sistem.

Koreksi Kesalahan "Argument of Latitude" dengan Machine Learning

      Untuk mengatasi tantangan ini, sebuah pendekatan machine learning (ML) telah dikembangkan untuk mengoreksi pertumbuhan kesalahan dalam argument of latitude (AOL) untuk berbagai jenis satelit LEO. AOL adalah salah satu parameter orbital yang menggambarkan posisi satelit di orbitnya dari titik tertentu. Kesalahan dalam AOL sering kali merupakan dimensi dominan dari pertumbuhan kesalahan orbit yang disebabkan oleh mismodeled drag, karena secara kumulatif mempengaruhi posisi satelit sepanjang jalurnya.

      Pendekatan ML ini bertujuan untuk memperpanjang validitas asumsi Gaussian dan memodelkan kesalahan dengan rata-rata dan kovarians yang dikoreksi. Model ML, seperti neural network (jaringan saraf tiruan) dan Gaussian Process (proses Gaussian), dilatih pada dataset kesalahan propagasi untuk memprediksi kesalahan AOL dan variansnya. Model-model ini mampu mempelajari pola kompleks dalam kesalahan propagasi yang sulit ditangkap oleh model fisika semata. ARSA Technology, sebagai penyedia solusi AI kustom, memahami pentingnya pengembangan model prediktif semacam ini untuk meningkatkan kinerja sistem yang kompleks.

Metodologi dan Implementasi Solusi Hibrida

      Metodologi yang digunakan dalam penelitian ini melibatkan penggabungan output dari model machine learning dengan propagator orbit yang sudah ada. Dataset untuk melatih model ML dihasilkan menggunakan Vector Covariance Messages (VCM) yang tersedia secara publik dan propagator Special Perturbations (SP). VCM menyediakan informasi keadaan satelit pada satu epoch, bersama dengan parameter dinamika yang digunakan untuk propagasi. Model ML kemudian memprediksi kesalahan AOL sebagai distribusi Gaussian, berdasarkan parameter dari VCM dan kesalahan propagasi balik.

      Salah satu inovasi kunci adalah bahwa koreksi ini hanya berfokus pada dimensi argument of latitude, yaitu dimensi di mana pertumbuhan kesalahan dominan terjadi. Hasil model satu dimensi ini kemudian dapat dipetakan ke ruang keadaan Kartesius (X, Y, Z untuk posisi dan kecepatan), memungkinkan koreksi tidak hanya pada posisi rata-rata tetapi juga pada matriks kovarians yang mencakup istilah korelasi yang salah dimodelkan. Dengan cara ini, metode koreksi memperbarui informasi hanya di sepanjang dimensi pertumbuhan kesalahan yang dominan, sementara tetap mempertahankan propagasi kovarians berbasis fisika di dimensi lainnya. Hal ini berarti utilitas ephemeris VCM dapat diperpanjang ke cakrawala waktu yang lebih lama tanpa memodifikasi fungsionalitas propagator yang sudah ada. Pendekatan hibrida ini, yang menggabungkan kekuatan pemodelan fisika dengan kemampuan pembelajaran pola kompleks dari AI, memberikan solusi yang lebih efisien dan akurat. Seperti ARSA Technology yang telah berpengalaman sejak 2018 dalam integrasi teknologi, pendekatan serupa dapat diadaptasi untuk berbagai kebutuhan industri.

Dampak dan Signifikansi Praktis

      Penerapan pendekatan machine learning untuk koreksi orbit satelit LEO membawa dampak signifikan dan manfaat praktis yang luas:

• Akurasi PNT yang Lebih Baik: Dengan mengoreksi kesalahan AOL dan kovarians, sistem PNT alternatif dapat mencapai akurasi yang lebih tinggi dan lebih konsisten, mengurangi ketergantungan pada GNSS dan meningkatkan ketahanan terhadap gangguan.
• Pengurangan Frekuensi Pembaruan Ephemeris: Peningkatan akurasi propagasi orbit memungkinkan penggunaan ephemeris yang sama untuk jangka waktu yang lebih lama. Ini berarti mengurangi frekuensi pengunduhan dan pemrosesan data baru, yang pada gilirannya menghemat sumber daya komputasi dan bandwidth.
• Optimalisasi Operasional: Operator satelit dapat lebih efisien dalam mengelola konstelasi LEO mereka, dengan pemahaman yang lebih baik tentang posisi satelit dan tingkat ketidakpastiannya. Ini mendukung pengambilan keputusan yang lebih baik dalam operasi sehari-hari.

Fleksibilitas Peningkatan Sistem: Metode koreksi tidak mengharuskan perubahan pada propagator orbit yang ada, menjadikannya solusi plug-and-play* yang dapat diintegrasikan dengan infrastruktur yang sudah ada. Ini mengurangi biaya implementasi dan waktu henti.

• Peningkatan Keamanan dan Keandalan: Untuk misi-misi kritis, pemahaman yang lebih akurat tentang ketidakpastian orbit sangat penting. Koreksi kovarians memastikan bahwa risiko dikuantifikasi dengan lebih realistis, mendukung operasi yang lebih aman dan dapat diandalkan.

      Singkatnya, teknologi ini mengubah data pasif menjadi kecerdasan prediktif yang aktif, memastikan satelit LEO dapat berfungsi sebagai fondasi yang lebih kuat untuk layanan PNT masa depan.

Kesimpulan

      Penelitian ini menunjukkan potensi besar machine learning dalam merevolusi prediksi orbit satelit LEO, terutama untuk aplikasi PNT. Dengan secara efektif mengidentifikasi dan mengoreksi kesalahan yang dominan dalam argument of latitude yang disebabkan oleh pemodelan atmospheric drag yang tidak sempurna, pendekatan ini secara signifikan meningkatkan akurasi propagasi orbit dan validitas estimasi ketidakpastian. Ini memungkinkan utilitas ephemeris yang lebih panjang dan mengurangi kebutuhan akan pembaruan yang sering, yang pada akhirnya meningkatkan keandalan dan efisiensi sistem PNT alternatif. Hasil ini menggarisbawahi bagaimana integrasi AI dan model fisika dapat menghasilkan solusi yang lebih cerdas dan adaptif untuk tantangan rekayasa luar angkasa yang kompleks.

      Untuk mengetahui lebih lanjut tentang bagaimana solusi berbasis AI dan IoT dapat mengatasi tantangan operasional Anda, jangan ragu untuk menghubungi tim ARSA untuk konsultasi gratis.

      ---

Sumber Asli:

      Alex Moody, Penina Axelrad, Rebecca Russell. "Machine Learning Argument of Latitude Error Model for LEO Satellite Orbit and Covariance Correction." arXiv:2602.16764v1 [cs.LG], 18 Feb 2026.