A convolutional neural network model as image processing in cislunar environment

The last decade of technological developments saw the spread of Machine Learning techniques in numbers of different applications. Their enhancement, led by years of deep researches, allowed the building of high performance models empowering Artificial Intelligence systems. This allowed to automate operations that once were supervised by humans, with high accuracy. In Guidance Navigation and Control field, the chance to automate a process of navigation would let the satellite take a decision on its own in risk conditions, where an immediate operation is asked when communications are off, or distances are too high. The automation processes have been highly tested in the past years with standard Optical Navigation methods, relying on Image Processing techniques to perform state estimations of the satellites. The high rate of growth of accuracy and complexity of Machine Learning methods, such as Neural Networks, provided to research community an alternative way to the standard techniques in OpNav. A way that must be properly studied and applied to space navigation to achieve a faster and reliable approach along with better performance than standard approaches provide. The current work will carry out a comparison of a standard Image Processing techniques for Optical Navigation based on Center and Apparent Diameter (CAD) estimation of the Moon by making use of two algorithms: an ellipse fitting algorithm, and a Convolutional Neural Network that performs a regression task providing the center of mass and the radius of the Moon. The processes will be performed in the environment of the LUMIO mission. By making use of a rendering software, the images coherent with the mission will be generated and used for the comparison, in order to provide a test set, as similar as possible to the real mission scenario, and a training set of 34940 images for the deep learning method. As such, 8935 images of the Moon, rendered accordingly to the mission scenario will be used as object of comparison between the two algorithms. A final chapter will provide to the reader the results, highlighting the strength and weaknesses of the different methods.

Gli ultimi decenni di sviluppo tecnologico sono stati caratterizzati da una notevole e rapida diffusione di tecniche di Machine Learning in differenti settori e applicazioni. Tale sviluppo, portato in auge da anni di meticolosa ricerca, ha permesso di definire modelli altamente performanti e sofisticati che hanno agito da base per sistemi di intelligenza artificiale. In particolare, nel settore della Guidance Navigation and Control, la possibilità di automatizzare processi di navigazione permette a sistemi quali satelliti di agire autonomamente sulla base dei dati ricevuti dall’esterno, come immagini, in condizioni ad elevata criticità, quando è richiesta un’azione immediata in casi di failure dei sistemi di comunicazione o ad elevata distanza dalla terra. Tuttavia, i processi di automazione sono stati altamente studiati e testati negli anni con sistemi di Optical Navigation standard, sulla base di algoritmi di Image Processing per definire una stima della posizione del satellite stesso. L’elevato tasso di crescita dell’accuratezza e complessità dei metodi di Machine Learning, come Reti Neurali, fornisce ai ricercatori una soluzione alternativa ai metodi standard di OpNav. Una via e una soluzione che deve essere accuratamente studiata e sperimentata nel settore della navigazione spaziale, con lo scopo di ottenere un metodo sì veloce, ma ancora più accurato delle tecniche standard. Il presente lavoro ha lo scopo di presentare un confronto tra un metodo standard di Image Processing per navigazione ottica basato sulla stima del centro di massa e del raggio della Luna utilizzando un algoritmo di ellipse fitting, con una Rete Neurale Convoluzionale per un processo di regressione per il calcolo del centro di massa e del raggio. Gli approcci, verrano sperimentati e valutati nel contesto della missione LUMIO. A tal fine, utilizzando un software di rendering, le immagini relative alla missione stessa verranno generate e utilizzate come mezzo di confronto, per fornire sia un test set coerente con l’orbita, sia un training set di 34940 immagini per l’approccio di deep learning. Per tal motivo, 8935 immagini della luna verranno utilizzate e fornite come input ai due approcci. Un capitolo finale, fornirà al lettore i risultati, evidenziando i punti di forza e debolezza dei due metodi.