Image-based attitude determination of co-orbiting satellites using deep learning technologies

Abstract

La eliminación activa de basura espacial impone restricciones alta exigencia al guiado, la navegación y el control. Este trabajo presenta un nuevo enfoque que adopta el uso de tecnologías de aprendizaje profundo (deep Learning) para resolver el problema de la determinación de actitud de un objeto de basura espacial no-cooperativo de una geometría a priori desconocida.

Para tal fin, se ha desarrollado una red neuronal convolucional de estructura siamesa, que detecta y realiza implícitamente el seguimiento de puntos de referencia ("landmarks") del objeto que Sean intrínsecamente útiles para la mencionada finalidad, a partir de los datos proporcionados por sensores ópticos, tras haberse entrenado la red con datos sintéticos de tipo visual, LiDAR o RGB-D.

El método desarrollado es capaz de ser utilizado en tiempo real, mostrando un rendimiento que mejora el de los enfoques basados en técnicas convencionales de "visión por computadora"; además, generaliza bien para geometrías de objetos nunca antes vistos durante el entrenamiento, permitiendo que el algoritmo desarrollado sea una solución factible para realizar de manera segura el guiado y navegación durante la eliminación activa de basura espacial, re-abastecimiento en órbita de satélites y otras operaciones de proximidad en órbita.

Por último, el rendimiento del algoritmo, su sensibilidad a parámetros del modelo y su robustez frente a condiciones de iluminación y sombreado, se analizan mediante simulación numérica.