Artificial intelligence techniques for uncooperative space objects rendezvous

Driven by the potential increase in the operational capability of future satellites, leading space agencies are increasingly investing in the gradual automation of space missions. Autonomous flight operations may be a key enabler for large-scale-sustainable on-orbit servicing or assembly missions, carrying several inherent benefits, including cost and risk reduction. In the frame of close proximity operations, this work focuses on the development of a trajectory adjustment methodology aiming at reducing the impact of initial conditions deviation from the nominal planned scenario. More precisely, the considered rendezvous approach sequence includes a maneuver that increases the chaser spacecraft's altitude up to the target one, reducing at the same time their relative distance. It leads the chaser to a final stable relative position that might be the starting point for further activities, such as docking or debris capture (not considered in this report). Simulating a non-ideal chaser spacecraft orbit insertion, the proposed correction methodology is adjusting the trajectory duration and maneuver dv, canceling the final state error with respect to the nominal stable relative state. The novelty included in this work lies in the use of Machine Learning regression models for trajectory correction purposes. Several regression models are implemented, mentioning MLP, Regression Tree, and SVR, and are trained with a developed dataset generation strategy. Trajectory propagation is based on relative dynamic models, including the popular Clohessy-Wiltshire model and a more complex one taking into account non-circular orbit and the J2 effect. Most promising correction results were obtained using multi-output MLP regressors and SVR, trained with a hybrid dataset generation strategy, combining randomly generated and analytically computed trajectories. Performed tests show that the final state deflection is effectively canceled, regardless of the initial condition deviation. Highlighting that the main objective of this research is to prove the proposed adjustment strategy potential, off-nominal condition performance assessments are conducted, demonstrating the linearity in correction behavior of the obtained trained models when navigation errors are included, or nominally defined scenario is changed.

Guidate dal potenziale aumento della capacità operativa dei futuri satelliti, le principali agenzie spaziali stanno investendo sempre più nella graduale automazione delle missioni spaziali. Le operazioni di volo autonome possono essere un fattore chiave per le missioni di servizio o di assemblaggio in orbita sostenibili su larga scala, con diversi vantaggi intrinseci, tra cui la riduzione dei costi e dei rischi. Nell'ambito delle operazioni di prossimità, questo lavoro si concentra sullo sviluppo di una metodologia di correzione della traiettoria volta a ridurre l'impatto della deviazione delle condizioni iniziali dallo scenario nominale pianificato. Più precisamente, la sequenza di avvicinamento al rendezvous considerata comprende una manovra che aumenta l'altitudine del veicolo spaziale chaser fino a quella del target, riducendo allo stesso tempo la loro distanza relativa. Questa manovra porta il chaser a una posizione relativa finale stabile che potrebbe essere il punto di partenza per ulteriori attività, come l'aggancio o la cattura di detriti (non considerati in questa relazione). Simulando l'inserimento in orbita di un veicolo spaziale chaser non ideale, la metodologia di correzione proposta regola la durata della traiettoria e la manovra dv, annullando l'errore di stato finale rispetto allo stato relativo stabile nominale. La novità di questo lavoro consiste nell'uso di modelli di regressione Machine Learning per la correzione della traiettoria. Sono stati implementati diversi modelli di regressione, tra cui MLP, Regression Tree e SVR, e sono stati addestrati sviluppando una strategia di generazione di set di dati. La propagazione della traiettoria si basa su modelli dinamici relativi, tra cui il popolare modello Clohessy-Wiltshire e uno più complesso che tiene conto dell'orbita non circolare e dell'effetto J2. I risultati di correzione più promettenti sono stati ottenuti utilizzando i regressori multi-output MLP e SVR, addestrati con una strategia ibrida di generazione di dataset, che combina traiettorie generate casualmente e calcolate analiticamente. Sottolineando che l'obiettivo principale di questa ricerca è dimostrare la strategia di regolazione proposta potential, sono state condotte valutazioni delle prestazioni al di fuori delle condizioni nominali, dimostrando la linearità del comportamento di correzione dei modelli addestrati ottenuti quando vengono inclusi gli errori di navigazione o viene modificato lo scenario definito nominalmente.