Propagate: как ML-задача внезапно разрослась до orbital dashboard
Продолжение прошлого поста. Ниже — версия, где главный герой не глобус, а нейросеть поверх SGP4.
Изначально я вообще не планировал делать глобус.
Не было идеи “сделать красивую визуализацию спутников” или “нарисовать sci-fi dashboard”.Я хотел решить гораздо более узкую задачу:можно ли улучшить прогноз SGP4 с помощью маленькой нейросети?
SGP4 — это алгоритм, который считает положение спутника по TLE.
TLE — это набор орбитальных данных. Но у него есть проблема: он стареет.
Чем больше времени проходит после эпохи TLE, тем сильнее прогноз начинает расходиться с реальностью. Когда появляется новый TLE, можно увидеть, насколько старый прогноз ошибся.
Идея была простая: не заменять SGP4, а добавить поверх него небольшую ML-поправку.
То есть:
* SGP4 считает базовую позицию;
* модель предсказывает ошибку;
* результат немного корректируется.
На бумаге это выглядело как компактный ML-эксперимент.Но почти сразу оказалось, что модель нельзя нормально обучать “вслепую”.
Нужны:
история TLE;
пары старый TLE → новый TLE;
сравнение прогнозов;
фильтрация плохих примеров;
понимание, где именно модель ошибается.
Так появился архив TLE. Потом появился анализ переходов между TLE. Потом — метрики ошибок. Потом — replay. Потом — визуальная проверка орбит. Потом — 3D-сцена. И только потом я понял, что у меня уже получается не просто ML-скрипт, а полноценный orbital dashboard. Не потому что я хотел “красивый глобус”. А потому что без визуального контроля данных невозможно понять, чему вообще учится модель. ML-задача сама потащила за собой интерфейс. Сначала мне нужно было видеть только одно: насколько старый TLE промахнулся к моменту появления нового. Потом захотелось понять: это нормальный drift или битые данные? Потом: а что происходит между двумя TLE? Потом: а как это выглядит на орбите? Потом: а какие спутники дают самые странные ошибки?
Так маленький эксперимент начал превращаться в систему.
Сейчас в Propagate уже есть:
сбор и хранение TLE;
построение пар между обновлениями;
расчёт ошибок;
обучение residual-модели;
экспорт модели;
inference на Rust;
replay орбит;
визуальный handoff-анализ;
dashboard для мониторинга.
При этом центральная идея осталась той же:
SGP4 даёт базовый прогноз, а нейросеть пытается предсказать остаточную ошибку. Не магия. Не “AI управляет спутниками”. Просто маленькая модель, которая учится на том, как новые TLE исправляют старые прогнозы. Пока это исследовательский проект. Данных ещё мало, чистота датасета важнее красивых цифр, и я не обещаю, что модель “улучшает всё на 40%”. Но уже видно, что ошибка не случайная. В ней есть структура. А значит, её можно изучать. Самое интересное для меня оказалось не в том, что модель что-то предсказывает. А в том, что для честной работы с моделью пришлось построить вокруг неё целую систему наблюдения.
Я начал с вопроса: “Можно ли дообучить SGP4 маленькой нейросетью?” А пришёл к orbital dashboard, который показывает, где данные хорошие, где модель ошибается, а где орбитальная механика всё ещё сильнее моих экспериментов. И да — пока это всё не какой-то “облачный космический стартап”.
Весь проект сейчас живёт у меня локально:
Docker;
локальная база;
локальные сервисы;
локальный inference;
и огромный orbital dashboard, который крутится на моей машине.