Precise and autonomous landing capability is a key feature for the next space systems generation. The possibility to carry out Hazard Detection and Avoidance would allow both absolute and relative correction maneuvers, dramatically increasing the robustness and the flexibility of the mission. A novel guidance algorithm is presented: the trajectory is modeled as a polynomial of minimum degree required to satisfy the boundary constraints, leaving a reduced set of parameter free to be optimized. The novelty of the proposed method lies in the fact that it allows the computation of large diversions, with a suboptimization of the fuel consumption, satisfying at the same time all the constraints imposed by the system in terms of control torques, thrust, and allowed hovering area. Only 2 or 3 optimization variables are needed, making the algorithm light enough to run on-board. The flexibility of the guidance is addressed with two different applications, a lunar landing and the close approach to an asteroid. An ad hoc optimizer is also developed, based on Differential Algebra, capable to solve the guidance optimization in a fast and reliable way. Objective and constraints are modeled as low order Taylor maps. The general features of the functions are easily got, leading in a few iterations to the optimal solution, due to the property of the Taylor series to converge to the true value in proximity to the expansion point.An innovative hazard detection and target selection algorithm is also proposed. The capability of Artificial Neural Networks (ANNs) to extrapolate underlying rules in complex datasets is exploited to obtain an automatic classifier that builds a hazard map of the landing area, basing on a single image. Manual establishment of heuristic correlations between image and terrain features is no longer required, leaving to the ANN training the task to identify these correlations automatically; the process is run off-line, while only the trained network runs on-board, with a minimal computational burden. A target selection algorithm exploits the map to locate and rank the candidate landing sites following safety and reachability criteria. A coherent and effective dataset for rigorous training and test is generated with a realistic simulation tool. The network showed the ability to select a safe landing site in 100% of cases.

La capacità di atterrare autonomamente e con precisione è in procinto di diventare una caratteristica chiave della prossima generazione di sistemi spaziali: la possibilità di rilevare ed evitare potenziali zone pericolose permetterebbe di effettuare correzioni di traiettoria sia a livello assoluto che relativo, aumentando enormemente la flessibilità e la robustezza della missione. In questo lavoro viene presentato un innovativo algoritmo di guida per l'atterraggio autonomo: la traiettoria è modellata come un polinomio funzione del tempo, di grado minimo per soddisfare le condizioni al contorno, lasciando solo un set ridotto di parametri liberi di essere ottimizzati. L'innovazione del nuovo metodo risiede nel fatto che consente di calcolare deviazioni di grande entità, subottimizzando il consumo di propellente, e al tempo stesso garantendo la soddisfazione di tutti i vincoli imposti dall'architettura del sistema, in termini di coppie di controllo e spinta disponibili e di zona di sorvolo ammessa. Il sistema richiede solo 2 o 3 variabili di ottimizzazione, a seconda dei casi, rendendo l'algoritmo sufficientemente leggero per funzionare a bordo del lander autonomamente durante la manovra di atterraggio, permettendo di modificare la traiettoria se richiesto. Per risolvere l'ottimizzazione in modo rapido e affidabile, è sviluppato anche un ottimizzatore ad hoc, basato sui meccanismi dell'algebra differenziale. La funzione obiettivo e i vari vincoli vengono mappati come sviluppi di Taylor di basso ordine: in tal modo la forma generale delle funzioni viene facilmente rilevata, conducendo in poche iterazioni nelle vicinanze della soluzione ottima. La soluzione viene quindi ulteriormente raffinata fino all'ottimo esatto, sfruttando la proprietà delle serie di Taylor di convergere al vero valore della funzione approssimata nei pressi del punto di espansione. È inoltre proposto anche un nuovo algoritmo di rilevamento del pericolo e di selezione del punto di atterraggio. La capacità delle Reti Neurali Artificiali di estrapolare regolarità nascoste in grandi e complessi set di dati è sfruttata per ottenere un classificatore automatico, in grado di generare una mappa di rischio della zona di atterraggio basandosi su un'unica immagine. Viene in questo modo meno il bisogno di stabilire manualmente delle correlazioni tra le caratteristiche dell'immagine (come, ad esempio, media e varianza locali, etc.) e le caratteristiche fisiche del terreno (come rugosità superficiale, pendenza del terreno, e presenza di ostacoli). Il processo di apprendimento viene effettuato a terra, mentre solo la rete neurale già addestrata viene utilizzata a bordo, con un minimo carico computazionale. Infine, un algoritmo di selezione automatica del target utilizza la mappa di rischio per classificare i possibili siti di atterraggio, secondo criteri di sicurezza e raggiungibilità. Un set coerente di dati per l'apprendimento ed il test del sistema viene generato con un realistico simulatore di immagini planetarie. Nei test condotti, la rete neurale dimostra di essere in grado di selezionare un sito d'atterraggio sicuro nel 100% dei casi.

Hazard detection and avoidance systems for autonomous planetary landing

LUNGHI, PAOLO

Abstract

Precise and autonomous landing capability is a key feature for the next space systems generation. The possibility to carry out Hazard Detection and Avoidance would allow both absolute and relative correction maneuvers, dramatically increasing the robustness and the flexibility of the mission. A novel guidance algorithm is presented: the trajectory is modeled as a polynomial of minimum degree required to satisfy the boundary constraints, leaving a reduced set of parameter free to be optimized. The novelty of the proposed method lies in the fact that it allows the computation of large diversions, with a suboptimization of the fuel consumption, satisfying at the same time all the constraints imposed by the system in terms of control torques, thrust, and allowed hovering area. Only 2 or 3 optimization variables are needed, making the algorithm light enough to run on-board. The flexibility of the guidance is addressed with two different applications, a lunar landing and the close approach to an asteroid. An ad hoc optimizer is also developed, based on Differential Algebra, capable to solve the guidance optimization in a fast and reliable way. Objective and constraints are modeled as low order Taylor maps. The general features of the functions are easily got, leading in a few iterations to the optimal solution, due to the property of the Taylor series to converge to the true value in proximity to the expansion point.An innovative hazard detection and target selection algorithm is also proposed. The capability of Artificial Neural Networks (ANNs) to extrapolate underlying rules in complex datasets is exploited to obtain an automatic classifier that builds a hazard map of the landing area, basing on a single image. Manual establishment of heuristic correlations between image and terrain features is no longer required, leaving to the ANN training the task to identify these correlations automatically; the process is run off-line, while only the trained network runs on-board, with a minimal computational burden. A target selection algorithm exploits the map to locate and rank the candidate landing sites following safety and reachability criteria. A coherent and effective dataset for rigorous training and test is generated with a realistic simulation tool. The network showed the ability to select a safe landing site in 100% of cases.
VIGEVANO, LUIGI
DOZIO, LORENZO
23-gen-2017
La capacità di atterrare autonomamente e con precisione è in procinto di diventare una caratteristica chiave della prossima generazione di sistemi spaziali: la possibilità di rilevare ed evitare potenziali zone pericolose permetterebbe di effettuare correzioni di traiettoria sia a livello assoluto che relativo, aumentando enormemente la flessibilità e la robustezza della missione. In questo lavoro viene presentato un innovativo algoritmo di guida per l'atterraggio autonomo: la traiettoria è modellata come un polinomio funzione del tempo, di grado minimo per soddisfare le condizioni al contorno, lasciando solo un set ridotto di parametri liberi di essere ottimizzati. L'innovazione del nuovo metodo risiede nel fatto che consente di calcolare deviazioni di grande entità, subottimizzando il consumo di propellente, e al tempo stesso garantendo la soddisfazione di tutti i vincoli imposti dall'architettura del sistema, in termini di coppie di controllo e spinta disponibili e di zona di sorvolo ammessa. Il sistema richiede solo 2 o 3 variabili di ottimizzazione, a seconda dei casi, rendendo l'algoritmo sufficientemente leggero per funzionare a bordo del lander autonomamente durante la manovra di atterraggio, permettendo di modificare la traiettoria se richiesto. Per risolvere l'ottimizzazione in modo rapido e affidabile, è sviluppato anche un ottimizzatore ad hoc, basato sui meccanismi dell'algebra differenziale. La funzione obiettivo e i vari vincoli vengono mappati come sviluppi di Taylor di basso ordine: in tal modo la forma generale delle funzioni viene facilmente rilevata, conducendo in poche iterazioni nelle vicinanze della soluzione ottima. La soluzione viene quindi ulteriormente raffinata fino all'ottimo esatto, sfruttando la proprietà delle serie di Taylor di convergere al vero valore della funzione approssimata nei pressi del punto di espansione. È inoltre proposto anche un nuovo algoritmo di rilevamento del pericolo e di selezione del punto di atterraggio. La capacità delle Reti Neurali Artificiali di estrapolare regolarità nascoste in grandi e complessi set di dati è sfruttata per ottenere un classificatore automatico, in grado di generare una mappa di rischio della zona di atterraggio basandosi su un'unica immagine. Viene in questo modo meno il bisogno di stabilire manualmente delle correlazioni tra le caratteristiche dell'immagine (come, ad esempio, media e varianza locali, etc.) e le caratteristiche fisiche del terreno (come rugosità superficiale, pendenza del terreno, e presenza di ostacoli). Il processo di apprendimento viene effettuato a terra, mentre solo la rete neurale già addestrata viene utilizzata a bordo, con un minimo carico computazionale. Infine, un algoritmo di selezione automatica del target utilizza la mappa di rischio per classificare i possibili siti di atterraggio, secondo criteri di sicurezza e raggiungibilità. Un set coerente di dati per l'apprendimento ed il test del sistema viene generato con un realistico simulatore di immagini planetarie. Nei test condotti, la rete neurale dimostra di essere in grado di selezionare un sito d'atterraggio sicuro nel 100% dei casi.
Tesi di dottorato
File allegati
File Dimensione Formato  
2017-01_PhD_Lunghi.pdf

accessibile in internet per tutti

Descrizione: Tesi completa
Dimensione 6.92 MB
Formato Adobe PDF
6.92 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/131168