AI-driven autonomous space robotics guidance navigation and control for in-orbit servicing

As the number of active satellites and space infrastructure continues to grow, in-orbit servicing (IOS) has emerged as a key capability to ensure the sustainability, resilience, and long-term usability of space assets. Autonomy plays a crucial role in enabling reliable and efficient servicing operations, especially in complex and dynamic environments where human intervention is limited. In this context, there is a growing interest in leveraging artificial intelligence (AI) techniques to enhance the decision-making capabilities of space robotic systems. This thesis presents the development, simulation, and experimental validation of autonomous guidance, navigation and control strategies for space robotic systems engaged in IOS missions. The first major contribution is the design and implementation of a modular simulation framework capable of modeling spacecraft and robotic manipulator dynamics in the orbital environment. This simulator enables the realistic testing of complex mission scenarios, including rendezvous, fly-around, approach maneuvers, as well as post-contact scenarios. Building on this foundation, the research investigates the application of reinforcement learning (RL) to optimize guidance algorithms for different phases of an IOS mission. RL-based agents are trained within the simulation environment, leveraging task-specific reward structures to promote efficiency, robustness, and autonomy. They are applied to several different operative conditions, from the inspection phase, inside a fully AI-based image processing and GNC simulator, to robotic manipulation tasks. Their benefits are highlighted, while their drawbacks are mitigated by combining them with other state-of-the-art solutions. The developed solution is then extensively tested in simulation against several sources of uncertainty to check its robustness to previously unseen events. Next, to bridge the gap between simulation and real- world operations, a processor-in-the-loop (PIL) and hardware-in-the-loop (HIL) testing campaign have been conducted at the Orbital Robotics Lab (ORL) of the European Space Agency. Using a floating robotic platform equipped with thrusters, onboard sensors, and a monocular camera, the trained policies are deployed and evaluated under realistic conditions, validating their performance and the overall process of the inspection phase, where the spacecraft has to reconstruct a map of the serviced target. The results of this work demonstrate the feasibility of integrating AI-driven strategies into autonomous space servicing operations and highlight the importance of experimental validation to ensure reliable performance in space-relevant environments. Through this research, new insights are provided into the development of intelligent, resilient robotic systems capable of sustaining and extending human activities in space.

Con l’aumento del numero di satelliti attivi e infrastrutture spaziali, il servizio in orbita (In-Orbit Servicing, IOS) è emerso come una capacità fondamentale per garantire la sostenibilità, la resilienza e l’utilizzabilità a lungo termine dei beni spaziali. L’autonomia gioca un ruolo cruciale nel rendere possibili operazioni di servizio affidabili ed efficienti, specialmente in ambienti complessi e dinamici dove l’intervento umano è limitato. In questo contesto, cresce l’interesse verso l’impiego di tecniche di intelligenza artificiale (AI) per potenziare le capacità decisionali dei sistemi robotici spaziali. Questa tesi presenta lo sviluppo, la simulazione e la validazione sperimentale di strategie autonome di guida, navigazione e controllo (GNC) per sistemi robotici spaziali impiegati in missioni IOS. Il primo contributo principale è la progettazione e l’implementazione di un framework di simulazione modulare in grado di modellare la dinamica del veicolo spaziale e del manipolatore robotico in ambiente orbitale. Questo simulatore consente di testare in modo realistico scenari di missione complessi, tra cui rendezvous, manovre di fly-around, avvicinamento, nonché fasi successive al contatto. Su queste basi, la ricerca esplora l’applicazione del reinforcement learning (RL) per ottimizzare gli algoritmi di guida nelle diverse fasi di una missione IOS. Agenti basati su RL vengono addestrati all’interno dell’ambiente simulato, sfruttando strutture di reward specifiche per ciascun compito, al fine di promuovere efficienza, robustezza e autonomia. Essi sono applicati a differenti condizioni operative, dalla fase di ispezione, all’interno di un simulatore completamente basato su AI per l’elaborazione delle immagini e la GNC, fino ai compiti di manipolazione robotica. I benefici di tali approcci vengono evidenziati, mentre le criticità vengono mitigate combinando gli agenti RL con altre soluzioni allo stato dell’arte. La soluzione sviluppata viene quindi testata estensivamente in simulazione, considerando diverse fonti di incertezza, per verificarne la robustezza in scenari non previsti. Successivamente, per colmare il divario tra simulazione e operazioni reali, è stata condotta una campagna di test processor-in-the-loop (PIL) e hardware-in-the-loop (HIL) presso l’Orbital Robotics Lab (ORL) dell’Agenzia Spaziale Europea. Utilizzando una piattaforma robotica flottante dotata di propulsori, sensori di bordo e una telecamera monoculare, le reti neurali addestrate sono state implementate e valutate in condizioni realistiche, validando le prestazioni e l’intero processo relativo alla fase di ispezione, in cui il veicolo spaziale deve ricostruire una mappa del target da servire. I risultati di questo lavoro dimostrano la fattibilità dell’integrazione di strategie basate su AI nelle operazioni autonome di servizio spaziale e sottolineano l’importanza della validazione sperimentale per garantire prestazioni affidabili in ambienti rilevanti per lo spazio. Attraverso questa ricerca, vengono forniti nuovi spunti per lo sviluppo di sistemi robotici intelligenti e resilienti, capaci di sostenere ed estendere l’attività umana nello spazio.