Data-driven crater detection algorithm for lunar landing applications

Data scarcity in space exploration poses a significant challenge as missions rely on limited real-world datasets. This thesis addresses this issue by generating synthetic data for lunar landing applications using real data from the Lunar Reconnaissance Orbiter (LRO), including Wide-Angle Camera (WAC) images and Digital Elevation Models (DEMs). A deep learning-based crater detection framework is developed, leveraging Convolutional Neural Networks (CNNs) to efficiently detect and segment craters on the lunar surface. A synthetic dataset was created using the Celestial Object Rendering TOol (CORTO) architecture, producing realistic lunar tiles with varied terrain and lighting. The dataset trained a YOLOv11 model for crater detection, utilizing data augmentation to improve robustness. The model’s performance was evaluated using specific metrics and weighted loss functions, demonstrating its effectiveness for real-time lunar surface monitoring. The results highlight the potential of deep learning in lunar exploration, though chal- lenges remain in handling diverse terrain and incomplete data. Future work will focus on improving crater detection models and extending their application to other aspects of lunar exploration.

La scarsità di dati nell’esplorazione spaziale rappresenta una sfida significativa poiché le missioni si basano su dataset reali limitati. Questa tesi affronta il problema generando dati sintetici per applicazioni di atterraggio lunare utilizzando dati reali provenienti dalla Lunar Reconnaissance Orbiter (LRO), tra cui immagini della Wide-Angle Camera (WAC) e modelli di elevazione digitale (DEM). È stato sviluppato un framework di rilevamento dei crateri basato sull’apprendimento profondo, utilizzando le reti neurali convoluzionali (CNN) per rilevare e segmentare in modo efficiente i crateri sulla superficie lunare. Un dataset sintetico è stato creato utilizzando l’architettura di Celestial Object Render- ing TOol (CORTO), producendo piastrelle lunari realistiche con terreni e illuminazioni variabili. Il dataset ha allenato un modello YOLOv11 per il rilevamento dei crateri, uti- lizzando tecniche di aumento dei dati per migliorare la robustezza. Le prestazioni del modello sono state valutate utilizzando metriche specifiche e funzioni di perdita ponder- ate, dimostrando la sua efficacia nel monitoraggio in tempo reale della superficie lunare. I risultati evidenziano il potenziale dell’apprendimento profondo nell’esplorazione lunare, sebbene rimangano sfide nel gestire terreni diversi e dati incompleti. I lavori futuri si concentreranno sul miglioramento dei modelli di rilevamento dei crateri e sull’estensione della loro applicazione ad altri aspetti dell’esplorazione lunare.