Enhancing catalogue maintenance through uncertainty reduction in observation scheduling

The exponential increase in space debris orbiting around Earth poses a significant threat to active satellites and space missions, necessitating effective tracking and management strategies to ensure the long-term sustainability of space operations. Space surveillance and tracking systems rely heavily on sensor networks to monitor the trajectories of these objects, building and maintaining up-to-date catalogues of Resident Space Objects (RSOs). Coordination among these sensors is essential to produce effective observation schedules. Software tools are often employed to simulate global sensor networks and solve observation scheduling problems, while also optimizing specific objectives. The Sensor Network Optimal Scheduler (SNOS), a software internally developed at the Department of Aerospace Science and Technology (DAER), is one such tool. It simulates different sensors to generate observation schedules that optimize catalogue coverage and observation quality. However, in its current state, the pipeline lacks comprehensive methods that integrate state uncertainty quantification into the scheduling process, resulting in observation schedules that do not account for objects' uncertainty, thus affecting the software's capability to maintain the catalogue. This thesis aims to carry out an uncertainty analysis of the tool-generated schedules to assess their Catalogue Maintenance (CM) performance, identifying a sub-optimal solution for CM purposes within the software framework. The methodology involves the implementation of an algorithm that reconstructs uncertainty trends throughout the scheduling time window. In particular, a sequential Kalman filter processes network measurements to update the object's covariance matrix when observations are acquired. If no observation is scheduled, instead, the object's covariance is propagated through the State Transition Matrix (STM). Once the analysis is completed, schedules performance is evaluated accounting for the number of correctly maintained objects, for which the covariance always remains below a certain threshold, and their capability in reducing uncertainties, quantified by the Shannon Information Content (SIC) metric. Schedules are then compared to identify the best-performing one for CM.

La quantità di detriti spaziali in orbita terrestre, in costante crescita, rappresenta una minaccia significativa per i satelliti attivi e le missioni spaziali. Per garantire la sostenibilità a lungo termine delle operazioni spaziali sono necessarie precise strategie volte all'osservazione e alla gestione di questi oggetti. Con questo preciso scopo, i sistemi di sorveglianza e tracciamento spaziale utilizzano estese reti di sensori per monitorare le traiettorie di questi oggetti, costruendo e mantenendo cataloghi completi e aggiornati degli oggetti in orbita. Spesso, la pianificazione delle osservazioni viene fatta attraverso l'uso di software che simulano una rete di sensori per ottimizzare obiettivi specifici. Il software Sensor Network Optimal Scheduler (SNOS), sviluppato presso il Dipartimento di Scienze e Tecnologie Aerospaziali del Politecnico di Milano, è uno di questi. SNOS simula il comportamento di diversi sensori per pianificare osservazioni che ottimizzino la copertura del catalogo e la qualità delle osservazioni. Tuttavia, il suo stato attuale non integra la quantificazione dell'incertezza degli stati nel processo di pianificazione: ciò compromette la capacità del software nel mantenere il catalogo. Questa tesi ha l’obiettivo di eseguire un’analisi delle pianificazioni generate dal software dal punto di vista delle incertezze degli oggetti osservati, in modo da valutare le prestazioni di mantenimento del catalogo e identificare una soluzione sub-ottimale all'interno del framework del software. La metodologia adottata si basa sull'implementazione di un algoritmo che ricostruisce l'andamento delle incertezze degli oggetti durante l'intera finestra di programmazione. Se vengono acquisite delle osservazioni, un filtro di Kalman aggiorna la covarianza di ogni oggetto; altrimenti la covarianza viene propagata attraverso la State Transition Matrix (STM). Una volta completata l'analisi, ogni programma osservativo viene valutato tenendo conto del numero di oggetti correttamente mantenuti nel catalogo, la cui covarianza non supera mai un certo valore, e della sua capacità di ridurne l'incertezza, quantificata dallo Shannon Information Content (SIC). Un confronto finale permette di identificare il programma migliore per il mantenimento del catalogo.