Assessment of a deep learning approach for autonomous lunar landing

In recent years more than ever, the need for increased autonomy in the space sector has emerged. Artificial intelligence (AI) applications have been studied for the increased computational power that technology has had in past years, and it has emerged that they outperform non-AI-based applications in terms of performances and provide the required autonomy to space operations. In this work a Multi-Task Learning (MTL) network, based on Convolutional Neural Networks (CNNs), composed of five branches has been developed to address the hazard map generation issue, characterizing the Hazard Detection and Avoidance (HDA) phase of autonomous lunar landing, so to indirectly select the safest landing site. A supervised learning logic and data-centric approaches have been carried out. \\ This work presents the study of different auto-weighting strategies of the MTL network, and the choice of the most promising one in terms of performances according to a statistical analysis. Moreover, a comparison with a single-task network is carried out.

Negli ultimi anni, più che mai, è emersa la necessità di aumentare l'autonomia nel settore spaziale. Le applicazioni dell'intelligenza artificiale (IA) sono state studiate per la maggiore potenza computazionale che la tecnologia ha avuto negli anni passati, ed è emerso che superano le applicazioni non basate su IA in termini di prestazioni e forniscono l'autonomia richiesta alle operazioni spaziali. In questo lavoro è stato sviluppato un network Multi-Task Learning (MTL), basato su reti neurali convoluzionali, composto da cinque rami, per affrontare il problema della generazione della mappa dei pericoli presenti sulla superficie lunare, caratterizzando la fase di Rilevamento ed Evitamento dei Pericoli (Hazard detection and avoidance) dell'atterraggio lunare autonomo, così da selezionare indirettamente il sito di atterraggio più sicuro. È stata utilizzata una logica di apprendimento supervisionato e un approccio centrato sui dati. Questo lavoro presenta lo studio di diverse strategie di auto-pesatura del network MTL e la scelta di quella più promettente in termini di prestazioni secondo un'analisi statistica. Inoltre, viene effettuato un confronto con un network single-task.