Vision-based positioning via linked neural networks in lunar environment

The Moon has emerged as a central focus in contemporary space exploration, evidenced by the growing deployment of satellites for both orbital and landing missions. To achieve autonomous navigation research has explored various methods, from traditional algorithms to machine learning and deep learning. Despite advancements, a comprehensive absolute navigation system remains elusive, as existing solutions are often restricted to specific applications like landings or fly-bys and typically estimate the spacecraft's state only in relative terms. This paper introduces an innovative end-to-end \acrshort{ai} solution for positioning around the Moon, extracting geospatial information and expanding the altitude range, without the need for any a priori information. Covering distances from tens to thousands of kilometers, the approach addresses a wide spectrum of scenarios, providing spacecraft localization in diverse conditions. The algorithm is built on a Linked Neural Networks architecture for localization, taking grayscale images of the Moon's surface and outputting a probability map of the satellite's position through a multi-stage feature extraction process. Initially, the network computes a rough estimate of the position, to delimit the observed site. Subsequently, the image is aligned with a comprehensive representation of the site using a Siamese Neural Networks architecture. The resulting output is transformed into position information to generate a refined estimate. Trained in a fully simulated environment with photorealistic images using NASA's Lunar Reconnaissance Orbiter (LRO) mission dataset, this approach offers high flexibility, enabling localization from any location around the Moon. This innovative scheme is then compared to the current state-of-the-art in optical navigation, showcasing potential applications for miniaturized Moon missions.

Ultimamente la Luna sta emergendo come uno dei punti focali dell'esplorazione spaziale, a dimostrarlo constribuisce il crescente numero di satelliti disiegati per missioni sia orbitali che di atterraggio. Per ottenere una navigazione autonoma, vari metodi sono stati considerati dalla ricerca, a partire da algoritmi tradizionali fino ai più recenti algoritmi di machine learning e deep learning. Nonostante i progressi compiuti, un sistema di navigazione assoluto e completo rimane ancora elusivo, dato che le soluzioni esistenti sono spesso limitate ad applicazioni specifiche come atterraggi o fly-bys e in genere stimano lo stato del veicolo solo in termini relativi. Questo lavoro presenta una soluzione innovativa end-to-end per la navigazione assoluta nello spazio circostante la Luna, basato sull'estrazione automatica di informazioni geospaziali da immagini monocromatiche, in grado di funzionare su un'ampia gamma di altitudini, da decine a migliaia di chilometri, compatibile quindi con un'ampia gamma di scenari e condizioni. L'algoritmo si basa su un'architettura Linked Neural Networks per la localizzazione, prendendo immagini in scala di grigi della superficie della Luna e producendo una mappa di probabilità della posizione del satellite attraverso un processo di estrazione di features in più fasi. Inizialmente, la rete produce una stima grossolana della posizione, che viene utilizzata per individuare i limiti del sito osservato. Successivamente, l'immagine viene allineata con una rappresentazione del sito utilizzando una coppia di Siamese Neural Networks. L'output risultante viene trasformato in informazioni sulla posizione in modo tale da generare una seconda stima più raffinata. Addestrato in un ambiente completamente simulato con immagini fotorealistiche utilizzando il dataset della missione Lunar Reconnaissance Orbiter (LRO) della NASA, questo approccio offre un'elevata flessibilità, consentendo la localizzazione da qualsiasi punto della Luna. Questo schema innovativo viene poi confrontato con l'attuale stato dell'arte della navigazione ottica, mostrandone le potenziali applicazioni in future missioni lunari miniaturizzate.