Machine learning for visual SLAM applied to spacecraft relative pose estimation

In space, the ability for a spacecraft to estimate the pose (namely, position and attitude) relatively to an orbiting object plays a fundamental role in many missions, such as debris removal, on-orbit satellite servicing and space exploration. Electro-optical sensors are at the moment one of the best options for this task since in terms of mass and power consumption, they meet the requirements also for small satellites. Relative navigation is important also in other fields and in particular in robotics. Indeed, the ability for a robot to localize itself within a certain scene relying on several surrounding features is what SLAM (Simultaneous Localization and Mapping) is based on. On of the recent and most interesting development directions consists in the integration of Machine Learning techniques to enhance its performance. In this framework, the aim of this thesis is to tread this direction to offer an innovative preliminary approach based on Deep Learning to the issue of relative navigation in space. First of all, a brief survey of the state of the art both for the relative navigation and for the SLAM is presented. Then, everything related to proper synthetic images generation, to dataset creation and to building and training of the neural network is described. At last, the implementation of a Kalman filter to process the predictions of the network to refine pose estimation is reported.

Nello spazio, la capacità per un veicolo di stimare con accuratezza la posa (ovvero posizione ed orientamento) relativamente ad un altro oggetto orbitante ha un ruolo fondamentale in moltissime missioni, come ad esempio la rimozione dei detriti, il rifornimento dei satelliti e l'esplorazione spaziale. I sensori elettro-ottici rappresentano attualmente una delle migliori opzioni per svolgere questo compito considerando che, in termini di massa e di consumo energetico, sono molto adatti anche a satelliti miniaturizzati. La navigazione relativa è oggetto di interesse anche di altri campi ed in particolare della robotica. Infatti, la capacità per un robot di capire la sua posizione all'interno di una scena rispetto a determinati oggetti presenti è alla base del cosiddetto SLAM (Simultaneous Localization and Mapping). Una delle sue direzioni di sviluppo più interessanti ed innovative vede l'integrazione di tecniche di Machine Learning per migliorarne le performance. In questo contesto, questa tesi si pone come scopo quello di calcare questa direzione per offrire un approccio preliminare innovativo basato sul Deep Learning alla questione della navigazione relativa nello spazio. Innanzitutto viene presentata una rassegna sullo stato attuale sia della navigazione relativa che dello SLAM nel settore spaziale. Successivamente vengono illustrati tutti gli aspetti legati alla generazione di immagini sintetiche adeguate, alla creazione del dataset e alla costruzione e addestramento della rete neurale. Infine, è riportata l'implementazione di un filtro di Kalman per processare le predizioni della rete e migliorare l'accuratezza della stima della posa.