Image processing techniques for vision-based navigation around small bodies

The increasing interest in small bodies such as asteroids is due to both scientific and commercial motivations. The scientific community believes that studying small bodies could provide useful information regarding how life developed on our planet. In addition, asteroids contain metals, some of which are valuable and scarce on Earth. Finally, the interest in those bodies is due to planetary protection reasons. As a consequence, the space industry has growing interest in producing spacecrafts that are as cheap and as autonomous as possible to explore these bodies. In this framework, it is necessary to develop navigation techniques that allow to operate autonomously in such environments. A promising approach consists in vision-based navigation, that would allow to estimate the state of a spacecraft from images acquired from a navigation camera. In this work, feature tracking and matching techniques for vision-based navigation are investigated. These techniques consist in extracting reference points, or features, from the images, and tracking or matching them between different frames. The apparent displacement of the features on the image plane can be used to reconstruct the state of the spacecraft by means of localization algorithms. The performances of traditional techniques, i.e. not based on machine learning, are compared to a convolutional neural network specifically designed for features extraction and tracking. Results show lower errors and less outliers for traditional techniques, while faster computations for the CNN.

Il crescente interesse in corpi celesti di piccole dimensioni, come gli asteroidi, è attribuibile a ragioni sia scientifiche che commerciali. La comunità scientifica ritiene che lo studio di tali corpi possa fornire importanti informazioni riguardanti lo sviluppo della vita sul nostro pianeta. Inoltre, gli asteroidi contengono grandi quantità di metalli, alcuni dei quali sono preziosi e presenti sulla Terra solo in scarse quantità. Infine, l'interesse per questi oggetti è dovuto a motivi di protezione planetaria. Di conseguenza, l'industria spaziale ha un crescente interesse nel produrre veicoli spaziali che siano il più economici e autonomi possibile, in modo da poterli usare per l'esplorazione di corpi di questo tipo. In questo scenario, è necessario studiare tecniche di navigazione che consentano di operare in autonomia in ambienti di questo tipo. Un approccio promettente consiste nelle tecniche di navigazione ottica, che consentono di stimare lo stato del veicolo a partire dalle immagini acquisite da una fotocamera di navigazione. In questo lavoro sono state studiate tecniche di feature tracking e matching per la navigazione ottica. Queste tecniche consentono di estrarre dei punti di riferimento dalle immagini e tracciarli attraverso i vari frames. Tali punti possono poi essere utilizzati per stimare lo stato del veicolo, usando algoritmi di determinazione della posizione. Le prestazioni delle tecniche tradizionali, ovvero che non utilizzano machine learning, sono confrontate con le prestazioni di una rete neurale convoluzionale sviluppata specificamente per l'estrazione e il tracciamento di tali punti di riferimento. Si osservano errori minori e meno outliers con le tecniche tradizionali, mentre la rete neurale risulta più rapida dal punto di vista computazionale.