Deep learning solutions for attitude ambiguity in relative navigation with unknown and uncooperative targets

This project investigates the challenging problem of relative navigation in scenarios involving unknown and uncooperative symmetric targets. The significance of this problem is growing with the increase in the number of space debris. To address this issue, two types of missions are gaining importance, On-Orbit Servicing and Active Debris Removal, which involve the ability to safely conduct proximity operations around even completely unknown targets. CoMBiNa (COarse Model-Based relatIve NAvigation) and its reformulation represents a new navigation technique for autonomous inspection. CoMBiNa uses measurements from a stereo camera, and by combining Simultaneous Localization and Mapping (SLAM) techniques, Bayesian Coherent Point Drift (BCPD) algorithm, and Unscented Kalman filters (UKF), it estimates the relative pose and inertial properties of the target. The limitation of CoMBiNa is that it fails with symmetric targets. A reformulation has been proposed in which, in case of symmetric targets, the state variables are changed. This new formulation allows to estimate the relative position and the relative velocity between the chaser and the target and the orientation of the symmetry axis of the target body. Nevertheless it is not able to compute the complete attitude of the target and its angular velocity. Starting from this basis and taking advantage of artificial intelligence, in particular Convolutional Neural Networks (CNNs), a new formulation is proposed in this project, that aims to reconstruct the complete relative pose and the target angular velocity even for symmetric targets. Through CNN, the presence of specific features on the target will be detected, and after identifying them, this information will be combined with the already existing CoMBiNa algorithm to try to estimate the complete state of the target. The features allow us to derive attitude measurements of the target, even if it is symmetrical. The CoMBiNa pipeline is modified introducing different methods to derive the measurements, depending on the number of features available. To verify the validity of the algorithm, numerical simulations are carried out, producing promising results.

Questo progetto studia il difficile problema della navigazione relativa in scenari che coinvolgono bersagli simmetrici, sconosciuti e non cooperativi. L’importanza di questo argomento sta crescendo con l’aumento del numero di detriti spaziali. Per affrontare questo problema, stanno acquisendo importanza due tipi di missioni, On-Orbit Servicing e Active Debris Removal, che prevedono la capacità di condurre in sicurezza operazioni di prossimità intorno a bersagli anche completamente sconosciuti. CoMBiNa (COarse Model-Based relatIve NAvigation) e la sua riformulazione rappresentano una nuova tecnica di navigazione per l’ispezione autonoma. CoMBiNa utilizza le misure di una stereo camera e, combinando le tecniche di localizzazione e mappatura simultanea (SLAM), l’algoritmo Bayesian Coherent Point Drift (BCPD) e i Filtri di Kalman Unscented (UKF), stima la posa relativa e le proprietà inerziali del target. Il limite di CoMBiNa è che fallisce con bersagli simmetrici. È stata proposta una riformulazione in cui, in caso di bersagli simmetrici, le variabili di stato vengono modificate. Questa nuova formulazione consente di stimare la posizione relativa e la velocità relativa tra l’inseguitore e il bersaglio e l’orientamento dell’asse di simmetria del corpo del bersaglio. Tuttavia, non è in grado di calcolare l’assetto completo del bersaglio e la sua velocità angolare. Partendo da questa base e sfruttando l’intelligenza artificiale, in particolare le Reti Neurali Convoluzionali (CNN), in questo progetto viene proposta una nuova formulazione che mira a ricostruire la posa relativa completa e la velocità angolare del bersaglio anche per bersagli simmetrici. Tramite una CNN, viene rilevata la presenza di caratteristiche specifiche sul bersaglio e, dopo averle identificate, queste informazioni vengono integrate con l’algoritmo già esistente per cercare di stimare lo stato completo del bersaglio. Le caratteristiche permettono di ricavare misure di assetto del bersaglio, anche se è simmetrico. La pipeline di CoMBiNa viene modificata introducendo diversi metodi per ricavare le misure, a seconda del numero di caratteristiche disponibili. Per verificare la validità dell’algoritmo, sono state effettuate simulazioni numeriche che hanno dato risultati promettenti.