Stima dell’assetto di un satellite non cooperativo attraverso una regressione di landmark basata su una rete HRNet

A highly-accurate 6DOF pose initialization is required for on-orbit proximity operations such as docking, debris removal and inter-spacecraft communications. In recent years, the development of state-of-the-art Deep Learning techniques for object detection and target pose estimation during relative navigation scenarios has been able to match the performance of classical approaches based on computer-vision. This work presents a novel method based on machine learning techniques for the pose estimation of an uncooperative satellite. Given a set of images, at first the 3D model of the object is reconstructed by multi-view triangulation of a chosen number of landmarks, an off-the-shelf object detection model is then used to predict the bounding boxes of the satellite and a HRNet to regress the coordinates of 2D landmarks. With the generated 2D-3D correspondences, a non-linear least squares problem is solved in order to estimate the pose of the object.

Per operazioni di prossimità in orbita, come docking, rimozione di detriti e comunicazione tra veicoli spaziali, è necessaria una stima estremamente accurata dell’assetto a 6GDL. Negli ultimi anni, lo sviluppo di tecniche allo stato dell’arte di Deep Learning per il rilevamento di oggetti e per la stima della posizione di target in scenari di navigazione relativa è stato tale da eguagliare le prestazioni di approcci classici basati su computer vision. In questo lavoro è presentato un nuovo metodo, basato su tecniche di machine learning, per la stima dell’assetto di un satellite non-cooperativo. Dato un set di immagini, come prima cosa è stato ricostruito il modello 3D dell’oggetto attraverso la triangolazione di un numero scelto di landmarks, è stato poi usato un modello di object detection per prevedere i bounding box attorno al satellite e quindi una HRNet per la regressione delle coordinate 2D dei landmark. Avendo le corrispondenze generate 2D-3D, è possibile risolvere un problema ai minimi quadrati per la valutazione dell’assetto dell’oggetto.