Over the past few years, in the huge field of Artificial Intelligence (AI), new Machine Learning techniques are playing a central role, proving to be very powerful and versatile. For this reason, it is expected that they could become protagonist of space applications and they are already under study. Thanks to the large availability of data, neural networks are able to elaborate and extract useful information to predict from sequences of data or to classify new ones. The goal of this work is to demonstrate how it is possible to lighten space navigation, replacing computational heavy algorithms with a well trained neural network. This proves to be a very useful tool in proximity operations with celestial objects. More in detail, this research is focused on the development of neural networks able to perform a lunar landing, exploiting an optic navigation, i.e. Moon surface images. Recurrent Neural Networks (RNN) have been developed, in which the descent trajectory state is the input and the relative control action is the output. Considering the optimal achieved results, the analysis has been carried forward with the study of Convolutional Neural Networks (CNN), where the lunar surface images are the inputs and the relative control actions are the outputs. Two kinds of landings have been considered: the first one is a pure vertical (1D) landing, faced exploting only the images; the second one is a planar (2D) landing. In this last case, both neural networks have been used (RNN and CNN). The results are particularly satisfying even if the limits of the adopted approach emerged. In fact, in the final part of this thesis new solutions for future developments are proposed.

Negli ultimi anni, nel vasto ambito dell’ Intelligenza Artificiale (AI), le nuove tecniche di Machine Learning stanno ricoprendo un ruolo centrale rivelandosi molto potenti e versatili. Per questo si prevede che possano diventare protagoniste per le applicazioni spaziali e sono già tema di ricerca. Grazie all’enorme disponibilità di dati, le reti neurali sono in grado di elaborare ed estrarre informazioni utili per predire da sequenze di dati o classificarne di nuovi. L’obiettivo primario di questa tesi è dimostrare come sia possibile alleggerire la navigazione spaziale, sostituendo algoritmi ingenti dal punto di vista computazionale con una rete neurale allenata opportunamente. Questo risulta essere uno strumento molto vantaggioso per eseguire operazioni in prossimità di un corpo celeste. Nel dettaglio, questo lavoro si incentra sullo sviluppo di reti neurali capaci di eseguire un atterraggio lunare basandosi su una navigazione ottica, cioè immagini del suolo della Luna. Sono state sviluppate Recurrent Neural Networks (RNN), il cui input è lo stato della traiettoria di discesa e l’output è l’azione di controllo corrispondente. Considerati gli ottimi risultati conseguiti, l’analisi è stata portata avanti nello studio di Convolutional Neural Network (CNN) i cui input sono le immagini del suolo lunare durante la fase di atterraggio e gli output sono le rispettive azioni di controllo. Sono state studiati due tipologie di atterragio: la prima puramente verticale (1D) e affrontata sfruttando le sole immagini; la seconda incentrata su un atterraggio planare (2D). In questo ultimo caso sono state usate entrambe le tipologia di reti (RNN e CNN). I risultati sono particolarmente soddisfacenti anche se sono emersi i limiti che l’approccio adottato in questo lavoro presenta. Nella parte finale sono infatti proposte nuove soluzioni da considerare per sviluppi futuri.

A deep learning approach to autonomous lunar landing

BLOISE, ILARIA;ORLANDELLI, MARCELLO
2017/2018

Abstract

Over the past few years, in the huge field of Artificial Intelligence (AI), new Machine Learning techniques are playing a central role, proving to be very powerful and versatile. For this reason, it is expected that they could become protagonist of space applications and they are already under study. Thanks to the large availability of data, neural networks are able to elaborate and extract useful information to predict from sequences of data or to classify new ones. The goal of this work is to demonstrate how it is possible to lighten space navigation, replacing computational heavy algorithms with a well trained neural network. This proves to be a very useful tool in proximity operations with celestial objects. More in detail, this research is focused on the development of neural networks able to perform a lunar landing, exploiting an optic navigation, i.e. Moon surface images. Recurrent Neural Networks (RNN) have been developed, in which the descent trajectory state is the input and the relative control action is the output. Considering the optimal achieved results, the analysis has been carried forward with the study of Convolutional Neural Networks (CNN), where the lunar surface images are the inputs and the relative control actions are the outputs. Two kinds of landings have been considered: the first one is a pure vertical (1D) landing, faced exploting only the images; the second one is a planar (2D) landing. In this last case, both neural networks have been used (RNN and CNN). The results are particularly satisfying even if the limits of the adopted approach emerged. In fact, in the final part of this thesis new solutions for future developments are proposed.
FURFARO, ROBERTO
TOPPUTO, FRANCESCO
ING - Scuola di Ingegneria Industriale e dell'Informazione
25-lug-2018
2017/2018
Negli ultimi anni, nel vasto ambito dell’ Intelligenza Artificiale (AI), le nuove tecniche di Machine Learning stanno ricoprendo un ruolo centrale rivelandosi molto potenti e versatili. Per questo si prevede che possano diventare protagoniste per le applicazioni spaziali e sono già tema di ricerca. Grazie all’enorme disponibilità di dati, le reti neurali sono in grado di elaborare ed estrarre informazioni utili per predire da sequenze di dati o classificarne di nuovi. L’obiettivo primario di questa tesi è dimostrare come sia possibile alleggerire la navigazione spaziale, sostituendo algoritmi ingenti dal punto di vista computazionale con una rete neurale allenata opportunamente. Questo risulta essere uno strumento molto vantaggioso per eseguire operazioni in prossimità di un corpo celeste. Nel dettaglio, questo lavoro si incentra sullo sviluppo di reti neurali capaci di eseguire un atterraggio lunare basandosi su una navigazione ottica, cioè immagini del suolo della Luna. Sono state sviluppate Recurrent Neural Networks (RNN), il cui input è lo stato della traiettoria di discesa e l’output è l’azione di controllo corrispondente. Considerati gli ottimi risultati conseguiti, l’analisi è stata portata avanti nello studio di Convolutional Neural Network (CNN) i cui input sono le immagini del suolo lunare durante la fase di atterraggio e gli output sono le rispettive azioni di controllo. Sono state studiati due tipologie di atterragio: la prima puramente verticale (1D) e affrontata sfruttando le sole immagini; la seconda incentrata su un atterraggio planare (2D). In questo ultimo caso sono state usate entrambe le tipologia di reti (RNN e CNN). I risultati sono particolarmente soddisfacenti anche se sono emersi i limiti che l’approccio adottato in questo lavoro presenta. Nella parte finale sono infatti proposte nuove soluzioni da considerare per sviluppi futuri.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
2018_07_Bloise_Orlandelli.pdf

accessibile in internet per tutti

Descrizione: Testo della tesi
Dimensione 7.44 MB
Formato Adobe PDF
7.44 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/10589/141426