低地球轨道的空间态势感知 （LEO）是一个拥挤的地方，进入LEO的人为空间物体（ASO）的数量正在Swift增加。 随着人口的激增，物体之间的近距离接触（连接）也不可避免地增加。 空间态势感知（SSA）问题的核心是预测ASO的位置以及去向。 从油漆规格到国际空间站，应有尽有。 当前用于轨道预测的最新方法是基于物理学的模型，这些模型需要对物体的轨迹，其运行环境以及物体进行操纵的意图的非常准确的了解。 实际上，我们无权访问此数据。 轨迹很少通过嘈杂的地面雷达系统进行测量，我们对太空天气和大气密度的理解是有限的，并且卫星运营商并不热衷于分享他们的机动计划。 该项目旨在成为使用ML改善SSA的实验实验室和游乐场，并提供了一条端到端的管道以： 来自USSTRATCOM Space Track API的LEO中有关ASO的ETL轨道数据。 根据物理模型进行轨道预测。 训练并使用机器学习模型来