Monocular feature-based navigation in proximity of unknown space objects with regions of interest effective extraction

The recent evolution of space missions has required continuous development of cutting-edge technologies. Complex objectives such as formation flying or orbital maintenance currently sought-after necessitate of advanced navigation tools and methods, capable of guaranteeing performance and safety during operations. The research field that deals with optical navigation is the one of computer vision. It was born from the desire to better understand the human visual system and it is built on various technological fields such as signal and image processing, statistics, optimization methods etc. One of the most common processes by which visual navigation is performed is often referred to as V-SLAM, designating the estimation of the location of a robot in an unknown environment and the mapping of the latter. Furthermore, thanks to the development of new AI technologies, machine learning in particular, new methods have been introduced in recent years and their possible contribution is investigated in this work. The following thesis explores the V-SLAM process by adopting a monocular architecture applied to the space sector. An image generator software has been used to obtain images of an unknown and uncooperative satellite. A feature based method for relative navigation has been implemented and preliminary tests have been performed with satisfying results. Moreover, the problem of estimating the Region of Interest in images affected by Earth presence is addressed by means of artificial intelligence tools. A Convolutional Neural Network has been trained on a new data set containing satellite images and information of relative attitude and position. The CNN offers positive performance and, tested also on images of never seen before satellites, confirms the capability of these networks to generalize to previously unknown objects.

Le recenti evoluzioni delle missioni spaziali hanno richiesto continui sviluppi di tecnologie sempre più all'avanguardia. Obiettivi complessi come la navigazione in formazione o la manutenzione orbitale attualmente ricercati necessitano di strumenti e metodi di navigazione evoluti, in grado di garantire prestazioni elevate e sicurezza nelle operazioni. Il campo di ricerca che si occupa specificamente di navigazione ottica è quello della computer vision. Esso nasce dalla volontà di capire meglio il sistema visivo umano e poggia le sue basi su vari ambiti tecnologici come il processo di segnali, di immagini, statistica, metodi di ottimizzazione etc. Uno dei processi più comuni con cui la navigazione ottica viene condotta è spesso definito V-SLAM, ad indicare la localizzazione di un robot in un ambiente sconosciuto e la mappatura di quest'ultimo. Inoltre grazie all'introduzione di nuove tecnologie nell'ambito dell'AI, machine learning in particolare, nuovi metodi sono emersi in questi ultimi anni ed un loro possibile contributo viene investigato in questo lavoro. La seguente tesi esplora quindi il processo V-SLAM adottando una architettura monoculare applicata al settore spaziale. Un software di generazione immagini è stato utilizzato per ottenere immagini di un satellite non noto e non cooperativo. Un metodo per la navigazione relativa basato su features è stato implementato e test preliminari sono stati effettuati con risultati soddisfacenti. Inoltre il problema della stima della Region of Interest in immagini affette dalla presenza della Terra è stato affrontato utilizzando strumenti di intelligenza artificiale. Una Convolutional Neural Network è stata addestrata su un nuovo dataset contenente immagini e informazioni dell'assetto e posizione relativi di due satelliti. La CNN offre performance positive e, testata anche su immagini di satelliti mai visti prima, conferma la possibilità di queste network di generalizzare ad oggetti sconosciuti.