Machine learning based satellite collision avoidance strategy

Collision avoidance is becoming very important in recent years due to the abrupt increase of the objects orbiting the Earth: operational and inoperative satellites, rocket bodies and debris. The European Space Agency (ESA) ’s Space Debris Office reports that the current collision avoidance process is highly human-dependent, while the frequency of collision warnings and the environment complexity keep increasing. In order to study the possibility of increasing the automation of ground operations and achieve autonomy in certain segments ESA established a Collision avoidance challenge. The dataset of the Challenge is used as a basis for the Thesis, which aims to present a collision avoidance strategy including machine learning based models for collision avoidance decision-making assistance using a series of conjunction data messages. The development of the models begins with a discussion of operational and physical limitations and advancements. Eventually, some essential assumptions are made. Firstly, the latest developments of distributed ground station networks drastically drop the revisit time. Secondly, recent works demonstrates that the collision avoidance manoeuvre can be performed at the last moment in the last orbit before the conjunction without a notable increase of ΔV required. Three presented models predict the final risk value, a go/no-go decision based on the estimation of the final risk, and risk instability prediction. The go/no-go and instability detection models demonstrate accuracy up to 97%, especially for high-risk conjunctions. But the model predicting the final risk did not show promising results. Finally, a collision avoidance strategy has been proposed. The strategy exploits the onboard autonomy capabilities, thus adding redundancy to the collision avoidance process. The models and the strategy proposed in this thesis will improve space safety and influence ground infrastructure and satellite autonomy development. Unlike most of the literature in this field, the research is additionally driven by the operational process of collision avoidance which is the novelty of this thesis. “Control for orbit manoeuvring by surfing through orbit perturbations” (Grant agreement No 679086). This project is European Research Council (ERC) funded project under the European Union’s Horizon 2020 research.

Il problema di evitare le collisioni sta diventando molto importante negli ultimi anni a causa del brusco aumento degli oggetti che orbitano intorno alla terra. Sono i satelliti operativi e non controllabili, stadi dei razzi usati e detriti spaziali. Lo Space Debris Office dell'Agenzia Spaziale Europea (ESA) ha rivelato che il processo attuale dipende molto dall’operatore e ha stabilito una Collision avoidance challenge per esplorare la possibilità di applicazione dell'intelligenza artificiale per automatizzare il processo della prevenzione delle collisioni. Lo scopo di questa tesi è presentare una strategia di prevenzione delle collisioni satellitari basata sull'intelligenza artificiale in grado di assistere le decisioni di manovra utilizzando una serie di messaggi di allerta della possibile collisione forniti nel dataset della competizione. Lo sviluppo dei modelli di previsione di collisione è iniziato con una discussione sui limiti operativi e sui progressi tecnologici applicabili. Per questo, vengono fatte alcune ipotesi importanti: in seguito allo sviluppo delle reti di connessione satellitare, il tempo di ripasso dei satelliti diminuisce drasticamente; i lavori successivi hanno dimostrato che la manovra di evitamento della collisione può essere eseguita anche nell'ultima orbita prima della possibile collisione senza un notevole aumento di ΔV richiesto. In questo lavoro vengono presentati tre modelli di previsione: il primo stima il valore esatto del rischio finale, il secondo eroga la decisione go/no-go basata sulla stima del rischio finale, il terzo prevede l'instabilità del rischio. Il modello che stima il rischio finale non ha dimostrato risultati promettenti. Tuttavia, i modelli Go/No-go e di rilevamento dell'instabilità del rischio hanno dimostrato una elevata accuratezza di previsione fino al 97%, specialmente per le congiunzioni ad alto rischio. Infine, viene proposta una strategia intenta a prevedere e minimizzare i rischi di collisioni. La strategia sfrutta le capacità di autonomia di bordo dei satelliti, aggiungendo così ridondanza al processo di prevenzione delle collisioni. A differenza della maggior parte della letteratura in questo campo, la ricerca è guidata dal processo operativo di prevenzione delle collisioni che è la novità di questa tesi. “Control for orbit manoeuvring by surfing through orbit perturbations” (Grant agreement No 679086). Questo progetto è finanziato dal Consiglio Europeo della Ricerca (ERC) nell'ambito della ricerca dell'Unione Europea Horizon 2020.