Autonomous decision making for spacecraft mission planning

There has been a paradigm shift in the way that mission planning is conceived of and carried out as a result of the increased complexity of spacecraft operations, the expanding volume of Earth observation missions, and the requirement for autonomous systems. The objective of this thesis is to build intelligent, adaptive, and explainable planning algorithms in order to handle the problem of increasing the autonomy and efficiency of spaceship operations. The core contributions of this research span three primary areas: the development of a reactive re-scheduling algorithm for spacecraft instruments that ensures optimal scientific return under anomalies such as ground station unavailability; the formulation of a memory-aware, constraint-based ground station scheduling problem using Branch-and- Bound with binary branching and dominance relations; and the integration of Open-Loop Tracking Commands (OLTC) for improved radar altimetry in support of inland water monitoring. The purpose of these components is to enable mission planning systems that require minimum data, provide capabilities for rapid decision-making, and allow for human interpretability and override. This objective is what brings these components together. The thesis demonstrates how real-time decision strategies can retain data integrity and scientific performance while simultaneously reducing operational burden. These strategies make use of techniques from online learning, such as Follow-The-Leader, as well as optimization approaches, such as dominance pruning and horizon compression. Furthermore, the implementation of these approaches in a programming environment that is both secure and memory-efficient, such as Rust, demonstrates that it is possible to migrate planning capabilities from ground systems to on-board computing platforms. The dissertation goes beyond the technological accomplishments and critically investigates the ethical consequences of increasing automation in space systems. These implications include the possibility of the replacement of highly trained mission planners and the requirement of incorporating human oversight into AI-driven architectures. By merging modularity, explainable logic, and operator preference modeling into planning tools, this study promotes the idea that human expertise and autonomous thinking should coexist in a balanced manner. A significant step forward in the direction of the deployment of trusted, autonomous, and intelligent systems for future space missions has been marked by the results, which demonstrate the effectiveness of the suggested methodologies by using real mission data and operational situations.

C’è stato un cambiamento di paradigma nel modo in cui la pianificazione delle missioni è concepita e realizzata a seguito della maggiore complessità delle operazioni delle astronavi, del volume crescente delle missioni di osservazione della Terra e della necessità di sistemi autonomi. L’obiettivo di questa tesi è quello di creare algoritmi di pianificazione intelligenti, adattabili e spiegabili per gestire il problema dell’aumento dell’autonomia e dell’efficienza delle operazioni delle astronavi. I contributi principali di questa ricerca abbracciano tre aree principali: lo sviluppo di un algoritmo di riprogrammazione reattivo per gli strumenti delle astronavi che garantisca un ritorno scientifico ottimale in caso di anomalie come l’indisponibilità della stazione di terra; la formulazione di un problema di programmazione della stazione di terra basato su vincoli e consapevole della memoria utilizzando Branch-and-Bound con relazioni di diramazione e dominanza binarie; e l’integrazione di comandi di tracciamento a ciclo aperto (OLTC) per un’altimetria radar migliorata a supporto del monitoraggio delle acque interne. Lo scopo di questi componenti è quello di abilitare sistemi di pianificazione delle missioni che richiedono dati minimi, forniscono capacità per un rapido processo decisionale e consentono l’interpretabilità e l’override umani. Questo obiettivo è ciò che unisce questi componenti. La tesi dimostra come le strategie decisionali in tempo reale possano mantenere l’integrità dei dati e le prestazioni scientifiche riducendo al contempo l’onere operativo. Queste strategie sfruttano tecniche di apprendimento online, come Follow-The-Leader, nonché approcci di ottimizzazione, come dominance pruning e horizon compression. Inoltre, l’implementazione di questi approcci in un ambiente di programmazione sicuro ed efficiente in termini di memoria, come Rust, dimostra che è possibile migrare le capacità di pianificazione dai sistemi di terra alle piattaforme di elaborazione di bordo. La tesi va oltre i risultati tecnologici e indaga criticamente le conseguenze etiche dell’aumento dell’automazione nei sistemi spaziali. Queste implicazioni includono la possibilità di sostituire i pianificatori di missione altamente qualificati e la necessità di incorporare la supervisione umana nelle architetture guidate dall’intelligenza artificiale. Unendo modularità, logica spiegabile e modellazione delle preferenze degli operatori negli strumenti di pianificazione, questo studio promuove l’idea che l’esperienza umana e il pensiero autonomo debbano coesistere in modo equilibrato. I risultati hanno segnato un passo avanti significativo nella direzione dell’implementazione di sistemi affidabili, autonomi e intelligenti per le future missioni spaziali, dimostrando l’efficacia delle metodologie suggerite mediante l’utilizzo di dati di missioni reali e situazioni operative.