Asteroid identification in deep space: autonomous detection and association with computer vision

Interest in asteroids, comets and other small celestial bodies in the Solar System is growing steadily, as evidenced by the increasing number of ground-based observation campaigns over the past two hundred years. The scientific community is convinced that the study of these bodies can provide important information on the formation and evolution of planets, the origin of life, and the dynamics of the solar system. In addition, asteroids contain large quantities of valuable materials, the extraction of which requires extremely complex missions due to the impossibility of making decisions in real time, given the great distance and often unknown environments. Among recent innovative approaches, the use of interplanetary CubeSats has shown great promise. However, the deployment of these small satellites is limited by their dependence on ground-based telecommunication networks, which require dedicated teams for operations, thus limiting scalability. Therefore, future deep-space satellites require autonomous guidance and navigation systems. Optical navigation techniques offer a solid alternative to traditional ground tracking methods, allowing spacecraft to autonomously determine their inertial position by extracting useful information from optical images of celestial objects, without relying on ground stations. Therefore, methodologies based on visual information processing, through the application of computer vision techniques, are increasingly necessary. This research thesis focuses on the use of computer vision techniques to develop a pipeline for the autonomous detection and association of asteroids in deep space. Specifically, the first contribution of the thesis concerns the development of an algorithm for processing acquired images. Synthetic images are created by stacking several unprocessed frames, exploiting very low exposure times to avoid bright spot streaks. Subsequently, all detections within the field of view are extracted, forming the candidates list. The second contribution concerns the development of a data association algorithm: it is based on the concept of multiple hypothesis tracking, in which tracks and hypotheses are initialised, propagated, evaluated, and cut simultaneously as measurements arrive, in order to converge towards correct hypotheses over time. Finally, the performance of the entire pipeline is evaluated through a series of Monte Carlo campaigns in which uncertain pointing parameters, such as jittering and microslew drift, are progressively increased.

L'interesse per asteroidi, comete e altri piccoli corpi celesti del Sistema Solare è in costante crescita, come dimostra il numero sempre maggiore di campagne di osservazione da terra negli ultimi duecento anni. La comunità scientifica è convinta che lo studio di questi corpi possa fornire importanti informazioni sulla formazione e l'evoluzione del pianeta, sull'origine della vita, e sulla dinamica del sistema solare. Inoltre, gli asteroidi contengono grandi quantità di materiali preziosi, la cui estrazione richiede missioni estremamente complesse a causa dell’impossibilità di prendere decisioni in tempo reale, data la grande distanza e gli ambienti spesso sconosciuti. Tra i recenti approcci innovativi, l'uso di CubeSats interplanetari si è dimostrato molto promettente. Tuttavia, il dispiegamento di questi piccoli satelliti è limitato dalla loro dipendenza dalle reti di telecomunicazione da terra, che richiedono team dedicati per le operazioni, limitando così la scalabilità. Quindi, i futuri satelliti per lo spazio profondo richiedono sistemi di guida e navigazione autonomi. Tecniche di navigazione ottica offrono una solida alternativa ai tradizionali metodi di tracciamento da terra, consentendo ai veicoli spaziali di determinare autonomamente la propria posizione inerziale estraendo informazioni utili da immagini ottiche degli oggetti celesti, senza fare affidamento sulle stazioni a terra. Pertanto, le metodologie basate sull'elaborazione delle informazioni visuali, attraverso l'applicazione di tecniche di computer vision, sono sempre più necessarie. Questa tesi di ricerca si concentra sull'utilizzo di tecniche di computer vision per sviluppare una pipeline per l'individuazione e l'associazione autonoma di asteroidi nello spazio profondo. In particolare, il primo contributo della tesi riguarda lo sviluppo di un algoritmo di elaborazione delle immagini acquisite. Le immagini sintetiche vengono create impilando diversi fotogrammi non processati, sfruttando tempi di esposizione molto bassi per evitare strisce di punti luminosi. Successivamente, vengono estratti tutti i rilevamenti all'interno del campo visivo, formando la lista dei candidati. Il secondo contributo riguarda lo sviluppo di un algoritmo di associazione dei dati. La metodologia implementata si basa sul concetto di tracciamento di ipotesi multiple, in cui tracce e ipotesi multiple vengono inizializzate, propagate, valutate, e tagliate simultaneamente all'arrivo delle misure, al fine di convergere verso ipotesi corrette nel tempo. Infine, le prestazioni dell'intera pipeline sono valutate attraverso una serie di campagne Monte Carlo in cui i parametri di puntamento incerti, come il jittering e la deriva di puntamento, vengono progressivamente aumentati.