Realization of intelligent systems for the observation, identification and classification of geostationary and low orbit satellites

Satellites in orbit around Earth are used in many areas and disciplines, including space science, navigation, meteorology, climate research, telecommunication and many others. They offer a unique resource for collecting scientific data, which lead to unrivalled possibilities for research and exploitation, both scientific and commercial. However, in the past decades, with the increasing of space activities, the number of space objects orbiting around Earth has dramatically increased. The reasons are that more and more countries have achieved a presence in space and that there has been a growth in the number of inactive and debris objects. In February 2009 a collision occurred between an active Iridium communication satellite and a defunct Russian satellite. It happened at an altitude that will ensure a long life for the resultant debris cloud. It was a total unexpected accidental collision that catapulted the concept of Space Situational Awareness (SSA) to the fore. SSA refers to the ability to view, understand and predict the physical location of natural and manmade objects in orbit around the Earth, with the objective of increasing knowledge and avoiding collisions. This thesis fits in the field of SSA. In particular, the main goal is to study and develop techniques in order to realize intelligent systems to observe, identify and classify geostationary and low orbit satellites. Since the subject is too wide, only three problems are examined. The first task is the realization of an astrometry and photometry pipeline to automatically extract information related to the position and the brightness of targets from telescope images. Two solutions are presented: a simple solution built “from scratch” and a more complex one which makes use of already existing programs available online. The second part investigates how to classify the shape/control of an object starting from its light curve through machine learning algorithms (especially through a recent method called Extreme Learning Machines). Finally, the third problem is associated with sensor management via Q-learning, where the goal is to maintain knowledge over a given number of geostationary satellites using a limited number of sensing platforms. The results are particularly satisfactory. The complex pipeline is shown to perform very good with real images depicting satellites. Then, the accuracy of the classification procedure turns out to be around 95% and the Extreme Learning Machines present a very fast learning with respect to traditional algortihms. Finally, the Q-learning applied to the sensor tasking problem with 3 satellites works properly.

I satelliti in orbita intorno alla Terra sono utilizzati in svariate aree e discipline, tra cui la scienza spaziale, la navigazione, la meteorologia, le telecomunicazioni e tante altre. Essi offrono una risorsa unica per la raccolta di dati scientifici, che porta a opportunità impareggiabili per quanto riguarda la ricerca e possibili utilizzi sia scientifici che commerciali. Tuttavia, negli ultimi decenni, con l’aumento delle attività spaziali, il numero di oggetti in orbita intorno alla Terra è drammaticamente aumentato. Le ragioni sono che sempre più stati hanno raggiunto una presenza nello spazio e che si è verificata una crescita degli oggetti inattivi e dei detriti. Nel Febbraio 2009 è avvenuta una collisione tra il satellite attivo per la comunicazione Iridium e un satellite Russo inattivo, ad un’altitudine che garantirà una lunga sopravvivenza alla nuvola di detriti creata. Si è trattato di una collisione accidentale totalmente inaspettata che ha portato alla ribalta il tema della Space Situational Awareness (SSA). Il termine SSA si riferisce all’abilità di osservare, capire e predire la posizione fisica di oggetti naturali o creati dall’uomo in orbita intorno alla Terra, con l’obiettivo di aumentare la conoscenza ed evitare collisioni. La tesi rientra nell’ambito della SSA. In particolare, l’obiettivo principale è lo studio e lo sviluppo di tecniche per la realizzazione di sistemi intelligenti per osservare, identificare e classificare satelliti geostazionari e in orbita bassa. Dato che il tema è molto vasto, solamente tre problemi sono esaminati. Il primo compito riguarda la realizzazione di una procedura per l’astrometria e la fotometria in modo da estrarre automaticamente informazioni riguardanti la posizione e la luminosità di alcuni oggetti da immagini prese da un telescopio. Vengono presentate due soluzioni: una semplice costruita da zero e una più complessa che utilizza programmi esistenti disponibili in rete. La seconda parte studia come classificare la forma/controllo di un oggetto spaziale a partire dalla sua curva di luce attraverso algoritmi di machine learning (specialmente attraverso un recente metodo chiamato Extreme Learning Machines). Infine, il terzo problema è associato alla gestione di sensori ottici per mezzo del Q-learning, in cui l’obiettivo è osservare un certo numero di satelliti geostazionari usando un limitato numero di sensori. I risultati sono particolarmente soddisfacenti. La procedura complessa delineata nella prima parte si comporta molto bene con immagini reali che includono satelliti. Successivamente, l’accuratezza del procedimento di classificazione risulta essere intorno al 95% e il metodo Extreme Learning Machines presenta un apprendimento molto veloce rispetto agli algoritmi tradizionali. Infine, il Q-learning applicato al problema sensoristico con 3 satelliti funziona in maniera appropriata.