Op diep leren gebaseerde posebepaling voor ruimtevaartuigen bij rendez-vous- en naderingsoperaties

Rendez-vous- en naderingsoperaties, zoals het onderhoud van satellieten, assemblage in de omloopbaan en het verwijderen van ruimtepuin, hebben de laatste jaren steeds meer belangstelling gekregen. Hoewel deze operaties verschillende doelen beogen, vereisen zij allemaal kennis van de relatieve positie en stand van een doelsatelliet ten opzichte van een dienstverlenend ruimtevaartuig. Aangezien de meeste doelen niet coöperatief zijn, d.w.z. dat zij niet zijn ontworpen om dergelijke rendez-vous- en nabijheidsoperaties te ondersteunen (geen communicatie, geen precieze lokalisatie, geen fiduciaire markers om het dienstverlenende ruimtevaartuig te helpen), wordt deze positie dynamisch berekend door een navigatiefilter op basis van ramingen van de positie. Deze schattingen vereisen vaak dure apparatuur zoals LIDAR-systemen (LIght Detection And Ranging) of een lange basislijn voor stereocamera's. In dit proefschrift beschouwen we het probleem van de schatting van de positie van een ruimteschip op basis van een enkel monoculair beeld. In tegenstelling tot stereocamera's kunnen monoculaire camera's namelijk worden ingebouwd in kleine, d.w.z. kosteneffectieve, satellieten. Bovendien zijn de kosten, de massa en het energieverbruik ervan lager dan bij op LIDAR gebaseerde systemen. De laatste jaren zijn de meest geavanceerde oplossingen voor het schatten van de houding van niet-coöperatieve ruimtevaartuigen gebaseerd op Deep Learning-technieken. Door het gebrek aan grote trainingsdatasets en de specifieke ontwerpbeperkingen in de ruimtevaart blijven hun prestaties echter beperkt en worden ze niet gebruikt in reële toepassingen. Het doel van dit proefschrift is dan ook het ontwikkelen en trainen van robuuste neurale netwerken om de pose van een ruimteschip in te schatten onder beperkingen van energieverbruik en apparatuur en ondanks een gebrek aan rijke datasets.