The space sector is undergoing rapid growth, especially in near-Earth orbits, promising unprecedented benefits through integrated space-based services. At the same time, CubeSats are reshaping deep space by diversifying scientific objectives and complementing traditional missions. Profiting from this favorable environment, a surge in deep-space missions dedicated to the exploration and exploitation of the Solar System is on the horizon. Within this context, small celestial bodies, such as asteroids and comets, emerge as intriguing targets due to their abundance, proximity to Earth's orbit, ancient origins, importance for planetary defense, potential for resource utilization, and the quest for extraterrestrial life. However, the operation of a large fleet of spacecraft exploring these deep space bodies poses critical challenges when approached with the current ground-based paradigm. Driven by the need for real-time decision-making and cost-effective solutions, technological advancements are gearing towards autonomous spacecraft operations. Within this context, artificial intelligence enhancements on computer vision tasks are posed to enrich perception and spatial comprehension of the surrounding environment, enabling intelligent spacecraft to operate effortlessly and autonomously. Image segmentation and visual-based navigation, in particular, are investigated in this manuscript using neural networks and machine learning approaches. Data-driven image processing options are also assessed for the future CubeSat mission Milani, which will visit the Didymos binary system. Milani's semi-autonomous vision-based capabilities pave the way for adopting data-driven algorithms in deep space. Assessing the performance of these techniques is as important as highlighting their drawbacks and the challenges associated with their development, primarily related to the availability of high-quality training data. The integration of artificial intelligence and autonomous capabilities holds the potential to revolutionize our engagement with minor bodies, shaping the future of space exploration.

Il settore spaziale è in rapida crescita, soprattutto nelle basse orbite terrestri, promettendo vantaggi senza precedenti attraverso servizi integrati. Allo stesso tempo, i piccoli satelliti stanno rivoluzionando il nostro modo di esplorare lo spazio profondo, diversificando gli obiettivi scientifici e complementando missioni tradizionali. Approfittando di questo ambiente favorevole, si prospetta un'ondata di missioni dedicate all'esplorazione e allo sfruttamento del sistema solare. In questo contesto, piccoli corpi celesti, come asteroidi e comete, emergono come intriganti obiettivi per la loro abbondanza, vicinanza all'orbita terrestre, antiche origini, l'importanza per la difesa planetaria, potenziale sfruttamento delle risorse e la ricerca di vita extraterrestre. Tuttavia, la gestione di una grande flotta di veicoli spaziali pone sfide critiche se affrontate con l'attuale paradigma basato sulle operazioni da terra. Spinti dalla necessità di un processo decisionale in tempo reale e di soluzioni economicamente vantaggiose, i progressi tecnologici si stanno orientando verso operazioni autonome dei veicoli spaziali. In questo contesto, i miglioramenti dell'intelligenza artificiale nell'analisi delle immagini sono proposti per arricchire la percezione e la comprensione dell'ambiente circostante, consentendo a dei satelliti intelligenti di operare senza sforzo e in modo autonomo. In particolare, la segmentazione delle immagini e la navigazione ottica, sono state investigate in questo manoscritto utilizzando reti neurali e approcci di apprendimento automatico. Algoritmi basati sui dati sono valutati anche per la futura missione Milani, un piccolo satellite che visiterà il sistema binario Didymos. Le capacità semi-autonome di Milani aprono la strada all'adozione di algoritmi basati sui dati nello spazio profondo. Valutare le prestazioni di queste tecniche è importante quanto evidenziare i loro svantaggi e le sfide associate al loro sviluppo, principalmente legate alla disponibilità di dati di addestramento di alta qualità. L'integrazione tra intelligenza artificiale e capacità autonome ha il potenziale di rivoluzionare il modo in cui interagiamo con i corpi minori, plasmando il futuro dell'esplorazione spaziale.

Data-Driven Image Processing for Enhanced Vision-Based Applications Around Small Bodies with Machine Learning

Pugliatti, Mattia
2023/2024

Abstract

The space sector is undergoing rapid growth, especially in near-Earth orbits, promising unprecedented benefits through integrated space-based services. At the same time, CubeSats are reshaping deep space by diversifying scientific objectives and complementing traditional missions. Profiting from this favorable environment, a surge in deep-space missions dedicated to the exploration and exploitation of the Solar System is on the horizon. Within this context, small celestial bodies, such as asteroids and comets, emerge as intriguing targets due to their abundance, proximity to Earth's orbit, ancient origins, importance for planetary defense, potential for resource utilization, and the quest for extraterrestrial life. However, the operation of a large fleet of spacecraft exploring these deep space bodies poses critical challenges when approached with the current ground-based paradigm. Driven by the need for real-time decision-making and cost-effective solutions, technological advancements are gearing towards autonomous spacecraft operations. Within this context, artificial intelligence enhancements on computer vision tasks are posed to enrich perception and spatial comprehension of the surrounding environment, enabling intelligent spacecraft to operate effortlessly and autonomously. Image segmentation and visual-based navigation, in particular, are investigated in this manuscript using neural networks and machine learning approaches. Data-driven image processing options are also assessed for the future CubeSat mission Milani, which will visit the Didymos binary system. Milani's semi-autonomous vision-based capabilities pave the way for adopting data-driven algorithms in deep space. Assessing the performance of these techniques is as important as highlighting their drawbacks and the challenges associated with their development, primarily related to the availability of high-quality training data. The integration of artificial intelligence and autonomous capabilities holds the potential to revolutionize our engagement with minor bodies, shaping the future of space exploration.
MASARATI, PIERANGELO
FREZZOTTI, ALDO
27-nov-2023
Data-Driven Image Processing for Enhanced Vision-Based Applications Around Small Bodies with Machine Learning
Il settore spaziale è in rapida crescita, soprattutto nelle basse orbite terrestri, promettendo vantaggi senza precedenti attraverso servizi integrati. Allo stesso tempo, i piccoli satelliti stanno rivoluzionando il nostro modo di esplorare lo spazio profondo, diversificando gli obiettivi scientifici e complementando missioni tradizionali. Approfittando di questo ambiente favorevole, si prospetta un'ondata di missioni dedicate all'esplorazione e allo sfruttamento del sistema solare. In questo contesto, piccoli corpi celesti, come asteroidi e comete, emergono come intriganti obiettivi per la loro abbondanza, vicinanza all'orbita terrestre, antiche origini, l'importanza per la difesa planetaria, potenziale sfruttamento delle risorse e la ricerca di vita extraterrestre. Tuttavia, la gestione di una grande flotta di veicoli spaziali pone sfide critiche se affrontate con l'attuale paradigma basato sulle operazioni da terra. Spinti dalla necessità di un processo decisionale in tempo reale e di soluzioni economicamente vantaggiose, i progressi tecnologici si stanno orientando verso operazioni autonome dei veicoli spaziali. In questo contesto, i miglioramenti dell'intelligenza artificiale nell'analisi delle immagini sono proposti per arricchire la percezione e la comprensione dell'ambiente circostante, consentendo a dei satelliti intelligenti di operare senza sforzo e in modo autonomo. In particolare, la segmentazione delle immagini e la navigazione ottica, sono state investigate in questo manoscritto utilizzando reti neurali e approcci di apprendimento automatico. Algoritmi basati sui dati sono valutati anche per la futura missione Milani, un piccolo satellite che visiterà il sistema binario Didymos. Le capacità semi-autonome di Milani aprono la strada all'adozione di algoritmi basati sui dati nello spazio profondo. Valutare le prestazioni di queste tecniche è importante quanto evidenziare i loro svantaggi e le sfide associate al loro sviluppo, principalmente legate alla disponibilità di dati di addestramento di alta qualità. L'integrazione tra intelligenza artificiale e capacità autonome ha il potenziale di rivoluzionare il modo in cui interagiamo con i corpi minori, plasmando il futuro dell'esplorazione spaziale.
File allegati
File Dimensione Formato  
PhD Pugliatti.pdf

accessibile in internet per tutti

Descrizione: PhD manuscript
Dimensione 102.5 MB
Formato Adobe PDF
102.5 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/213552