Sistema de monitorização e colisão entre tráfego espacial: projeto I

Abstract

O aumento exponencial do tráfego espacial, impulsionado pelo lançamento de satélites comerciais, científicos e militares, tem elevado o risco de colisões orbitais e a acumulação de detritos espaciais. Com a crescente preocupação sobre a sustentabilidade das operações espaciais, torna-se essencial o desenvolvimento de soluções inteligentes para monitorização e previsão de possíveis impactos. Este projeto visa a análise e preparação de dados orbitais para a construção de modelos preditivos baseados em Deep Learning, com o objetivo de permitir, em fases futuras, a aplicação de técnicas de Machine Learning na previsão de colisões entre satélites e detritos espaciais. Para garantir uma abordagem fundamentada, foi realizada uma revisão da literatura sobre o uso de Deep Learning na monitorização orbital e na previsão de colisões. O estado da arte permitiu constatar o crescente interesse da comunidade científica na aplicação de redes neuronais profundas, redes neuronais convulsionais e redes neuronais recorrentes para a modelação de trajetórias e eventos de colisão. O foco deste trabalho recai sobre a obtenção, análise e pré-processamento dos dados orbitais para posterior utilização na fase seguinte do projeto, onde será realizado o treino dos modelos de IA. Para isso, foi realizada um tratamento de datasets relevantes, avaliando sua estrutura, qualidade e possíveis limitações. A etapa de pré-processamento dos dados incluiu a limpeza, normalização e seleção de atributos críticos para a modelação preditiva, garantindo que os dados estejam prontos para uso futuro em redes neuronais avançadas. A partir desta investigação, foi possível identificar os principais desafios associados ao uso de Deep Learning na previsão de colisões espaciais, bem como a necessidade de aprimoramento na estruturação e padronização dos dados orbitais. Este estudo fornece uma base sólida para o desenvolvimento da próxima fase do projeto, onde os dados preparados serão utilizados no treino de modelos preditivos que auxiliarão na mitigação de riscos orbitais e na otimização do tráfego espacial.

Abstract: The exponential growth of space traffic, driven by the launch of commercial, scientific, and military satellites, has significantly increased the risk of orbital collisions and the accumulation of space debris. With growing concerns about the sustainability of space operations, it is essential to develop intelligent solutions for monitoring and predicting potential impacts. This project focuses on the analysis and preparation of orbital data for the development of predictive models based on Deep Learning, aiming to enable the application of Machine Learning techniques in future phases for collision prediction between satellites and space debris. To ensure a well-founded approach, a literature review was conducted on the use of Deep Learning for orbital monitoring and collision prediction. The state-of the-art analysis revealed a growing interest in the application of deep neural networks, convolutional neural networks, and recurrent neural networks for trajectory modeling and collision event forecasting. This study focuses on data acquisition, analysis, and preprocessing for subsequent use in the next phase of the project, where AI models will be trained. To achieve this, a selection of relevant datasets was examined, assessing their structure, quality, and limitations. The preprocessing stage involved data cleaning, normalization, and selection of critical attributes for predictive modeling, ensuring that the data is adequately prepared for future use in advanced neural networks. This investigation has identified the main challenges associated with using Deep Learning for collision prediction, highlighting the need for better structuring and standardization of orbital data. This study lays a solid foundation for the next phase of the project, where the prepared data will be used to train predictive models that will assist in mitigating orbital risks and optimizing space traffic management.