급증하는 저궤도(LEO) 위성과 우주 잔해물로 인해 위성 간 근접 비행이 잦아지면서 충돌 위험이 커지고 있습니다. 이는 위성 운영자에게 막대한 부담으로 작용하며, 특히 저추력 전기 추진 위성의 경우 회피 기동에 더 많은 시간이 필요해 문제 해결이 시급합니다. 이러한 배경 속에서 튀르키예 연구진이 위성 충돌 확률(PoC)을 조기에 예측하는 새로운 인공지능(AI) 기반 프레임워크를 개발하여 위성 운영의 효율성을 높일 가능성을 제시했습니다.
현재 위성 충돌 위험 평가는 충돌 데이터 메시지(CDM)에 의존합니다. CDM은 위성 간의 상대적 상태, 공분산, 최소 근접 거리, 최접근 시간, 그리고 충돌 확률(PoC) 등의 정보를 제공합니다. 하지만 궤도 불확실성의 비선형적 전파와 PoC의 공분산 변화에 대한 민감성 때문에 순차적인 CDM 해석이 어렵다는 한계가 있었습니다. 튀르키예 연구진은 이러한 문제를 해결하기 위해 언센티드 변환(Unscented Transform) 기반 전파 및 역전파 프레임워크를 사용하여 충돌 위험 지표의 CDM 매개변수 민감도를 평가했습니다. 또한 주성분 분석(PCA)을 통해 PoC 변화와 가장 관련성이 높은 수치적 CDM 매개변수를 식별하고, 이를 바탕으로 상대 운동, 조우 기하학, 공분산 관련 불확실성을 나타내는 파생 지표를 구성했습니다. 이렇게 생성된 순차적 강화 충돌 데이터셋을 활용하여 하이브리드 시계열 컨볼루션 네트워크(TCN)-트랜스포머 모델을 훈련시켜 충돌 위험의 시간적 진화를 학습하도록 했습니다.
이 하이브리드 AI 모델은 다음 CDM 업데이트에서 예상되는 PoC를 조기에 예측함으로써 위성 운영자가 충돌 회피 계획을 수립하는 데 필요한 시간을 확보해 줍니다. 특히 기동 시간이 오래 걸리는 전기 추진 위성에 큰 도움이 될 수 있습니다. TÜBİTAK UZAY에서 수신 및 분석된 CDM에 이 프레임워크를 적용한 결과, 저궤도 위성 충돌에 대한 더 빠르고 일관된 운영 위험 평가 가능성을 입증했습니다. 이는 위성 운영의 안전성과 효율성을 크게 향상시키고, 궁극적으로는 우주 공간의 지속 가능성에 기여할 중요한 진전으로 평가됩니다.