Advanced maneuver detection techniques for active Resident Space Objects correlation

In the last decades, the Near-Earth environment has grown more and more crowded, mainly due to an exponential increase in launches and Space missions. While scientific ones have a long and well-established history, just moderately impacting the resident space object population due to their very nature, relying on few elaborate payloads, commercial ones are rising in number, providing services to wide user bases, often via constellations of actively controlled objects. A direct consequence of this scenario consists in an increased rate of conjunctions and consequent collision risk, possibly leading to fragmentation events and debris that could progressively hinder Space operations. Space Traffic Management has risen for this very reason as a set of intertwined disciplines as a coordinated attempt at monitoring the evolution of the space objects population to attain a comprehensive Space Situational Awareness. As part of this framework, Space Surveillance and Tracking tries to tackle the problem by tracking and cataloging Resident Space Objects through ground and space-based sensor networks. Track-to-orbit correlation plays a crucial role in maintaining a Space object catalog, serving the purpose of determining if a known target generated a specific measurement. Statistical distance-based approaches are not always enough when dealing with controlled objects, leading to alternative correlation metrics that exploit the effort of linking the track to candidate orbits. This work delves into a deep investigation on how to extend the support for maneuvering targets to this specific step, trying to exploit every piece of information available by blending knowledge from both physical models and data histories. Firstly, a novel optical measurement correlation tool is proposed, exploiting optimal control theory to back-propagate an admissible region of observables to catalog epochs through a patchwork of Taylor polynomial expansions. Therefore, an alternative and simplified version is detailed, replacing the effort-based formulation with orbital distance to target a higher level of robustness to false negatives. After that, a different path is followed, relying on past orbital data and maneuver histories, leveraged to build two sequential neural network models to achieve the tasks of state prediction and maneuver detection. A first attempt to plug in the data-driven modules to the model-based techniques is reported as a final step, showing some effective ways in which multiple sources of information can interface, cooperating to provide a more comprehensive correlation process.

Negli ultimi decenni, l'ambiente spaziale in prossimità della Terra è diventato sempre più affollato, principalmente a causa di un aumento esponenziale di lanci e missioni spaziali. Mentre quelle scientifiche hanno una storia lunga e consolidata, impattando solo moderatamente sulla popolazione di resident space objects a causa della loro stessa natura, basandosi su un numero limitato di payload complessi, le missioni commerciali stanno aumentando in numero, fornendo servizi ad un'utenza sempre più ampia, spesso servendosi di costellazioni di oggetti controllati attivamente. Una conseguenza diretta di questa situazione consiste in un aumento della frequenza di congiunzioni e del conseguente rischio di collisioni, che potrebbero portare a eventi di frammentazione e detriti in grado di ostacolare le operazioni spaziali sempre di più. Lo Space Traffic Management è emerso proprio per questa ragione come un insieme di discipline interconnesse, rappresentando un tentativo coordinato di monitorare l'evoluzione della popolazione di oggetti spaziali per raggiungere una Space Situational Awareness più completa. In questo contesto, il campo dello Space Surveillance and Tracking cerca di affrontare il problema tracciando e catalogando i resident space objects attraverso reti di sensori a terra e in orbita. La correlazione svolge un ruolo cruciale nel mantenimento dei cataloghi di oggetti spaziali, servendo lo scopo di determinare se un oggetto conosciuto ha prodotto una specifica misura. Gli approcci basati su distanze statistiche non sono sempre sufficienti quando si ha a che fare con oggetti controllati, per cui vengono formulate delle metriche di correlazione alternative che sfruttano lo sforzo di collegare la traccia alle orbite candidate. Questo lavoro di tesi consiste in un'indagine approfondita su come estendere il supporto ai satelliti manovrabili in questa fase specifica, cercando di sfruttare l'intera varietà di informazioni disponibili e combinando conoscenze sia da modelli fisici che da storici di dati. In primo luogo, viene proposto un nuovo strumento di correlazione di tracce ottiche, sfruttando la teoria del controllo ottimo per propagare all'indietro una regione ammissibile di osservabili alle epoche di catalogo attraverso un mosaico di espansioni polinomiali di Taylor. Successivamente, viene dettagliata una versione alternativa e semplificata che sostituisce la formulazione basata sull'effort dell'oggetto con la distanza orbitale, in modo da puntare ad un livello più elevato di robustezza contro i falsi negativi. Successivamente, vengono sfruttati dati orbitali passati e storie di manovre per strutturare due modelli di reti neurali sequenziali così da svolgere le task di state prediction e rilevamento di manovra. Un primo tentativo di inserirmento di tali moduli data-driven nelle tecniche model-based viene riportato come step conclusivo, mostrando alcuni modi efficaci di interfacciare più fonti di informazione, in modo che cooperino a fornire un processo di correlazione più completo.