Real-time and on-orbit inspection trajectories based on artificial intelligence

On-Orbit inspections are one of the most complex types of missions while, at the same time, they are of vital importance as their proper execution is a key enabler for other types of missions (e.g. rendezvous and docking, on-orbit refuelling, space debris removal...). In addition, the increasing number of spacecrafts and satellites operating in space makes the current manual mission design procedure untenable. Therefore, there is a growing interest in developing new automated and optimised methodologies able to design efficient on orbit trajectories. Some methodologies have been developed over these last years, but, even though they do a good job in computing efficient orbits, they are not well suited for real-time decision making and on-board implementation. These two last characteristics are of paramount importance. By removing the need of computing the trajectories in the ground segment and sending them back to the spacecrafts, vehicles would become fully autonomous in this regard, making decisions based on their current situation and relieving the ground segment workload. In turn, the operating cost of missions would be decreased while at the same time the safety, efficiency and success rate of said missions would increase. This master thesis presents and successfully implements a sampling- based receding-horizon inspection algorithm that will be fed into a Neural Network in order to train it, so that it is able to solve on-orbit inspection optimal trajectories. The novel idea is to take advantage of the Neural Network’s fast computation capabilities so that, instead of a complex, slow algorithm that needs many computational resources; a trained, fast and light Neural Network implemented in the on-board computer can be in charge of the inspection strategy.

Le ispezioni in orbita rappresentano uno dei più complessi tipi di missione, ma, allo stesso tempo, sono di vitale importanza dato che la loro corretta esecuzione è vitale per altri tipi di missione (e.g. rendezvous e attracco, ri- fornimento in orbita, rimozione di detriti spaziali?). Inoltre, il crescente nu- mero di satelliti che operano nello spazio, rende insostenibile l’attuale design di missioni manuale. Perciò, esiste un crescente interesse nello sviluppare metodologie automatiche ed ottimizzate capaci di progettare efficientemente traiettorie in orbita. Nel corso degli ultimi anni sono stati sviluppati dei metodi, ma, nonostante siano capaci di calcolare orbite efficienti, queste non sono adatte a prendere decisioni in tempo reale e ad essere implementate a bordo. Queste ultime due caratteristiche sono di fondamentale importanza. Rimuovendo la necessità di calcolare le traiettorie nelle stazioni a terra e rinviarle alle spacecrafts, i veicoli diventerebbero completamente autonomi da questo punto di vista, prendendo decisioni basate sul loro attuale stato e alleggerendo il carico di lavoro delle stazioni a terra. Di conseguenza, il costo operativo delle missioni diminuirebbe e, allo stesso tempo, aumenter- ebbero la sicurezza, l’efficienza e il tasso di successo di queste missioni. Questa tesi magistrale espone un algoritmo sampling-based receding- horizon inspection che alimenterà una Rete Neurale in modo da allen- arla affinchè possa effettuare l’ispezione in orbita di traiettorie ottimali. L’obiettivo finale è di trarre vantaggio dai rapidi calcoli della Rete Neurale così che, invece di un algoritmo lento e complesso che necessita di molte risorse computazionali, un’istruita, veloce e leggera Rete Neurale imple- mentata sul computer di bordo possa essere incaricata del processo di decisione dell’ispezione.