Space-based sensor images simulator for object detection-aimed neural networks

One of the crucial challenges of current space studies is the development of reliable and quick detection methods for orbital debris. The problem of orbital overpopulation has exploded in the last years due to a significant increase in launch activity. Without prompt action, the problem of orbit overpopulation could quickly worsen and become an unsolvable predicament. Thus, programmes for Space Situational Awareness (SSA) are being developed by the major space agencies worldwide to deal with the problem present-day as well as in the future. Spotting and tracking orbiting objects is one of the key SSA activities to perform catalogue maintenance and enhance collision avoidance and space debris removal routines. Up to now, ground observations with radar and optical systems have served for orbit determination and correlation purposes. With the rise of lightweight image processing techniques for debris recognition and affordable access to space, the trend is partially moving to space-based optical platforms to characterize the debris population and improve the detection rate. They can also effectively support avoidance manoeuvres. The purpose of this work is to present a pipeline for synthetic in-space images generator for orbiting debris given the lack of real datasets. The underlying idea is to train an object detection aimed network with these, You Only Look Once (YOLO), to recognize targets from a satellite platform. The introduction of several features is essential to mimic shots, including the exact location of the stars in the background of the pictures, the introduction of the satellite’s dynamic, and the sensor noise characterization. In the second segment, the YOLOv5 neural network is put to the test on four distinct created datasets to check its performance straightaway and identify any potential improvements. The figure of merit that measures the goodness of the trained network is the Mean Average Precision (mAP); it is above 0.9 when not encompassing detector noise. In contrast, when noise is introduced the performances decay ruinously until an mAP of 0.55 for the worst case. Despite this, the study and analysis of the results permit the identification of some problems and elaboration of improvements, which will be explained in the conclusion of this work.

Una delle sfide chiave nell’esplorazione spaziale odierna è lo sviluppo di metodi robusti e rapidi per l’identificazione di detriti spaziali. Negli ultimi anni, il rapido aumento del numero di lanci ha fatto esplodere il problema della sovrappopolazione orbitale e, senza un’azione immediata, la situazione potrebbe rapidamente degenerare in uno stato irrisolvibile. Per questo motivo, programmi di Space Situational Awarness (SSA) stanno venendo sviluppati dalle maggiori agenzie spaziali nel mondo, per poter affrontare il problema sia per il presente che per il futuro. L’identificazione e tracciamento di oggetti nello spazio è una delle attivitò fondamentali della SSA per poter mantenere aggiornato il catalgo degli oggetti in orbita terrestre, migliorare le manovre di evasione da detriti e la loro routine di rimozione. Fino ad ora le osservazioni da terra con sistemi ottici o radar sono risultate fondamentali per la determinazione delle orbite di detriti spaziali. Tuttavia, grazie alla crescita delle tecniche di processazione dell’immagine per l’identificazione di detriti e all’accesso sempre più semplice allo spazio, l’approccio si è spostato verso l’utilizzo di sistemi ottici space-based per poter caratterizzare meglio la popolazione di detriti e migliorare ulteriormente il rateo di identificazione. Un sistema ottico space-based potrebbe inoltre risultare di aiuto nel supportare manovre d’evasione. Lo scopo di questo lavoro è quindi di presentare una possibile pipeline per la generazione di immagini sintetiche dello spazio atte all’identificazione di detriti spaziali tramite reti neurali, data la mancanza di dataset reali. L’idea di base è quella di allenare una rete neurale per l’individuazione di detriti spaziali, You Only Look Once (YOLO), con le immagini generate per poter riconoscerli direttamente dal satellite. Le immagini per risultare il più possibile realistiche devono quindi possedere una serie di caratteristiche, tra cui: il posizionamento corretto delle stelle presenti nello sfondo dell’immagine, l’introduzione degli effetti della dinamica del satellite nell’immagine e i disturbi tipici del sensore utilizzato. Nella seconda parte la rete YOLOv5 è effettivamente allenata e testata utilizzando quattro differenti dataset creati nella fase precedente per verificare le sue performance e identificare fin da subito possibili problemi e miglioramenti. La figura di merito utilizzata per misurare la qualità della rete allenata è la Mean Averege Precision (mAP); il suo valore è addirittura superiore a 0.9 quando vengono utilizzati dataset in cui non è presente il distrubo del sensore. Di contro, l’introduzione del disturbo porta ad un rapido decadimento delle prestazioni fino ad un minimo di mAP di 0.55. Nonostante questo, l’analisi dei risultati ha permesso l’identificazioni di alcuni problemi e all’elaborazioni di possibili migliorie, che saranno presentate nel capitolo conclusivo.