Small bodies centroiding via image processing and convolutional neural network

As small bodies interest by the scientific community continues to grow, spacecraft design tries to adapt itself to the particular environment these targets dictate. The use of optical images to navigate around these bodies has become nearly a standard in the last years, but the request of precision, robustness and autonomy push the research toward different and more innovative approaches. The field of machine learning and deep learning has offered many tools to improve the existing technology, such that it can substitute completely the GNC loop or some of its parts. In this work the possibility to use a convolutional neural network (CNN) for solving the problem of centroid is investigated. The resulting output is compared with other two traditional image processing techniques, which are analysed in the work. Initially, the CNN is trained, taking advantage of transfer learning, on a set of 21000 synthetic images obtained with Blender, composed of 6 small body shape models. Then is faced the problem of specialising the network to some new shapes, investigating also the effect of lack of data to the training. The CNN has shown to be better than the other techniques developed, with all the bodies considered.

Come l’interesse della comunità scientifica per gli small bodies cresce, così il design delle sonde cerca di adattarsi al particolare ambiente che questi impongono. L’uso di immagini per navigare attorno a questi corpi è diventato quasi uno standard negli ultimi anni, ma la richiesta di maggiore precisione, robustezza e autonomia spinge la ricerca verso nuovi approcci. Il campo del machine learning e del deep learning ha offerto molti strumenti per migliorare l’attuale tecnologia, tanto che con loro è possibile sostituire del tutto o in parte la GNC. In questo lavoro è indagata la possibilità di utilizzare una rete neurale convoluzionale per risolvere il problema del centroiding. Il risultato è poi confrontato con altre due tecniche, provenienti dall’image processing, che sono analizzate. Inizialmente, la rete è sottoposta a un training, sfruttando la tecnica del transfer learning, con un set fatto di 21000 immagini sintetiche ottenute con Blender dai modelli di 6 corpi. In seguito, è affrontato il problema della specializzazione del network su alcuni nuovi corpi, indagando anche l’effetto della mancanza di immagini per il training. Il CNN ha mostrato una performance migliore delle altre tecniche sviluppate, con tutti i corpi considerati.