A point-based rendering approach for on-board instance segmentation of non-cooperative resident space objects

According to the ESA’s Space Environment Report dated May 19,2022 the increasing number of launches and permanence of spaces debris leads to a significant conjunction risk in the most populated orbit. To reduce this risk different techniques to mitigate the generation of debris or to enable their removal have been studied, but all of them are based on feedback with an on-ground station. The focus of this work is to adopt a machine learning model for instance segmentation that grants better accuracy and robustness than the state-of-the-art-model previously used, Mask R-CNN. Models were compared using different datasets that represent different possible scenarios during a real inspection mission. The simplicity in generating all the datasets is due to the new version of the JINS software that not only allows the user to obtain scenes very close to the reality through few choices to be made in the implemented GUI, but also to be able to describe the attitude of the chaser and target, an option that was not available in the previous version of the software. A fundamental aspect of the datasets used is that they not only contain the greatest variety of possible scenarios but that data augmentation techniques were used to increase the number of images the algorithm is trained on. After testing the models with various combinations of datasets and learning rates, their performance were evaluated on real images from the Intelsat 901 satellite.

Secondo il report del ESA sullo Space Environment del 19 Maggio 2022, l’aumento del numero di lanci e di debris che continuano a rimanere in orbita sta portando a un aumento del rischio di collisioni nelle orbite più popolate. Per ridurre il rischio diverse tecniche per mitigare la generazione di debris o per la loro rimozione sono state studiate, ma tutte quante sono basate su un feedback con una stazione a terra. Scopo di questo lavoro è quello di adottare un modello di machine learning per instance segmentation che permette di ottenere una migliore accuratezza e robustezza rispetto al modello stato dell’arte, Mask R-CNN. I modelli vengono confrontati utilizzando diversi dataset che rappresentano diversi scenari che possono verificarsi durante una missione di ispezione reale. La facilità nel generare tutti i dataset si deve alla nuova versione del software JINS che non solo permette all’utente di ottenere scene molto simili alla realtà attraverso poche opzioni da scegliere nell’interfaccia grafica implementata, ma è anche possibile descrivere l’attitude di chaser e target, funzione che non era disponibile nella versione precedente del software. Aspetto fondamentale dei dataset utilizzati o che non solo contengono una grande varietà di scenari possibili ma che tecniche di data augmentation sono state utilizzate per aumentare il numero di immagini utilizzate nell’addestramento. Dopo diversi test eseguiti sui modelli con diverse combinazioni di dataset e di learning rate, le loro performances sono state valutate su immagini reali del satellite Intelsat 901.