Generation and validation of synthetic CDM: a data synthesis with publicly available dataset

The surge in space traffic and debris presents a formidable challenge for collision avoidance. The complexity of manual monitoring is heightened, prompting a shift to automated solutions. While Artificial Intelligence (AI) and Machine Learning (ML) offer promising tools for predicting close approaches, their effectiveness is hindered by insufficient data, notably a lack of Conjunction Data Messages (CDMs), which serve as the primary dataset for training the AI/ML tools. The e.Cube mission evaluates an autonomous on-board Collision Avoidance Maneuver (CAM) system. It relies on a ML module for autonomous CAM decisions, requiring training with CDMs. However, the scarcity of CDMs directly hinders the training process for the ML module. This thesis focuses on synthesizing CDMs to enhance ML module training. By creating statistically meaningful data that closely mimic reality, the research aims to address the dataset imbalance, improving ML training.The research creates covariance families akin to those in the Assessment of Risk Event Statistics (ARES) toolkit by the European Space Agency (ESA). ARES categorized families based on diameter, eccentricity, perigee, and inclination, hereafter known as DEPI. This study not only creates DEPI-based covariance families but also classifies them by event risk categories, providing a more refined approach to covariance family creation. The investigation utilizes an anonymized dataset of historic CDMs published by ESA for a competition on their Kelvins platform, referred to as the Kelvin dataset. This dataset serves as the reference for generating covariance families since no other public data with covariance details are currently available. This study focuses on creating realistic target and chaser clouds to generate close approaches for synthetic CDMs. It leverages statistical data from ESA for the target cloud and their Meteoroid and Space Debris Terrestrial Environment Reference (MASTER) software tool for the chaser cloud. Conjunction geometries from MASTER are respected, and miss distance evolution, referenced from the Kelvins dataset, is used to establish the risk categories. TA limited set of synthetic CDMs is selected to validate the functionality of the improved e.Cube mission pipeline.

L'aumento del traffico spaziale e dei detriti rappresenta una sfida formidabile per la prevenzione delle collisioni. La complessità del monitoraggio manuale è aumentata e ciò spinge a passare a soluzioni automatizzate. Sebbene l'intelligenza artificiale (AI) e l'apprendimento automatico (ML) offrano strumenti promettenti per prevedere gli avvicinamenti, la loro efficacia è ostacolata dall'insufficienza di dati, in particolare dalla mancanza di messaggi di dati di congiunzione (CDM), che servono come set di dati primario per l'addestramento degli strumenti AI/ML. La missione e.Cube valuta un sistema autonomo di manovra anticollisione (CAM) a bordo. Si basa su un modulo di ML per le decisioni autonome di CAM, che richiede un addestramento con i CDM. Tuttavia, la scarsità di CDM ostacola direttamente il processo di addestramento del modulo ML. Questa tesi si concentra sulla sintesi di CDM per migliorare l'addestramento del modulo ML. Creando dati statisticamente significativi che imitano da vicino la realtà, la ricerca mira a risolvere lo squilibrio del set di dati, migliorando l'addestramento del modulo ML. La ricerca crea famiglie di covarianza simili a quelle del toolkit Assessment of Risk Event Statistics (ARES) dell'Agenzia Spaziale Europea (ESA). ARES classifica le famiglie in base al diametro, all'eccentricità, al perigeo e all'inclinazione, di seguito note come DEPI. Questo studio non solo crea famiglie di covarianza basate sul DEPI, ma le classifica anche in base alle categorie di rischio degli eventi, fornendo un approccio più raffinato alla creazione di famiglie di covarianza. L'indagine utilizza un set di dati anonimizzati di CDM storici pubblicati dall'ESA per un concorso sulla sua piattaforma Kelvins, denominato set di dati Kelvin. Questo set di dati funge da riferimento per la generazione di famiglie di covarianze, poiché non sono attualmente disponibili altri dati pubblici con dettagli sulle covarianze. Questo studio si concentra sulla creazione di nuvole di bersagli e inseguitori realistici per generare approcci ravvicinati per le CDM sintetiche. Sfrutta i dati statistici dell'ESA per la nube del bersaglio e lo strumento software Meteoroid and Space Debris Terrestrial Environment Reference (MASTER) per la nube dell'inseguitore. Le geometrie di congiunzione di MASTER sono rispettate e l'evoluzione della distanza di miss, riferita al Kelvins Dataset, è utilizzata per stabilire le categorie di rischio. I dati sintetici CDM ottenuti sono utilizzati per valutare la fattibilità tecnologica della pipeline della missione e.Cube migliorata.