ROE-based differential drag control for close-proximity operations in LEO and preliminary AI exploration

Close-proximity operations are becoming an increasingly relevant field in modern space engineering, where the ability to predict and regulate the relative motion between satellites is a key requirement. This thesis develops a complete framework that starts from the propagation of the relative dynamics and gradually builds the guidance and actuation architecture. The control strategy is designed for eccentric orbits in a characterized LEO environment, including the dominant perturbing effects. A central part of the work is devoted to the tuning of the controller parameters. Instead of relying on manual calibration, Particle Swarm Optimization is used to identify suitable gain sets that balance final tracking accuracy and actuation effort. This tuning process provides the controller with a consistent response across different target geometries and operating conditions. In parallel, a dedicated decision-making logic is introduced to exploit differential drag in a physically meaningful way. The selected cross-sectional area is adapted according to the current relative configuration, the orbital phase, and the expected drag-induced contribution, so that atmospheric drag can support the corrective action whenever it is beneficial, without compromising the robustness of the main feedback structure. As a further contribution, AI-driven methods are investigated to understand whether they can be used as support layers for dynamics reconstruction, gain-selection assistance, and control refinement. The results highlight the efficiency of the proposed ROE-based differential-drag-aware approach and provide a critical perspective on the potential, as well as the current limitations, of AI-based tools in this context.

Le close-proximity operations rappresentano un ambito sempre più rilevante dell’ingegneria spaziale moderna, in cui la capacità di prevedere e regolare il moto relativo tra veicoli spaziali costituisce un requisito fondamentale. Questa tesi sviluppa un framework completo che parte dalla propagazione della dinamica relativa e costruisce progressivamente l’architettura di guida e attuazione. La strategia di controllo è progettata per orbite eccentriche in ambiente LEO, includendo i principali disturbi. Una parte centrale del lavoro è dedicata al tuning dei parametri del controllore. Invece di affidarsi a una calibrazione manuale, viene utilizzata la Particle Swarm Optimization per individuare i set di parametri in grado di bilanciare accuratezza finale di inseguimento ed effort di attuazione. Questo processo di ottimizzazione consente al controllore di mantenere una risposta coerente rispetto a diverse geometrie target e condizioni operative. In parallelo, viene introdotta una logica decisionale dedicata allo sfruttamento del drag differenziale in modo fisicamente significativo. L’area trasversale selezionata viene adattata in funzione della configurazione relativa corrente, della fase orbitale e del contributo atteso dovuto al drag, così che la resistenza atmosferica possa supportare l’azione correttiva quando risulta conveniente, senza compromettere la robustezza della struttura principale di feedback. Come contributo ulteriore, vengono investigati metodi basati su intelligenza artificiale per comprendere se possano essere utilizzati come livelli di supporto alla ricostruzione della dinamica, all’assistenza nella selezione dei parametri e al refinement della risposta di controllo. I risultati mettono in evidenza l'efficacia dell’approccio ROE-based differential-drag-aware proposto e forniscono una prospettiva critica sul potenziale, ma anche sui limiti attuali, degli strumenti basati su intelligenza artificiale in questo contesto.