Um modelo para permitir a navegação autônoma de espaçonaves durante missões no espaço profundo

A localização e mapeamento simultâneos (SLAM) é uma tecnologia promissora que pode ser usada para melhorar a navegação de sistemas autônomos, ajudando-os a mapear seu ambiente circundante e rastrear outros objetos dentro dele. Até agora, ele foi aplicado principalmente a veículos terrestres e robôs móveis, mas também pode ser expandido para espaçonaves.

Pesquisadores do Georgia Institute of Technology (Georgia Tech) e do NASA Goddard Space Flight Center criaram recentemente o AstroSLAM, um algoritmo baseado em SLAM que pode permitir que naves espaciais naveguem de forma mais autônoma. A nova solução, apresentada em artigo pré-publicado na arXivpode ser particularmente útil em casos em que os sistemas espaciais estão navegando em torno de um pequeno corpo celeste, como um asteroide.

“Nosso trabalho recente faz parte de um programa ESI (Early-Stage Innovations) financiado pela NASA, cujo objetivo era tornar as futuras espaçonaves destinadas a missões no espaço profundo (por exemplo, visitar e pesquisar asteróides) mais autônomas”, disse Panagiotis Tsiotras, um dos pesquisadores que realizaram o estudo, disseram ao TechXplore.

“Esse problema é de grande interesse, pois, devido às grandes distâncias da Terra, é difícil executar as manobras necessárias ao redor do asteróide em tempo real. Em vez disso, o processo atual requer uma grande equipe de operadores humanos no solo. fazer o downlink das imagens capturadas da espaçonave e analisá-las off-line para criar mapas digitais do terreno, o que equivale a coreografar cuidadosamente as manobras da espaçonave.”

Garantir que a espaçonave se mova da maneira desejada em torno de asteróides é uma tarefa trabalhosa, tediosa e demorada para agentes humanos na Terra. Um modelo que pode reconstruir autonomamente a forma de asteroides próximos e navegar na espaçonave com o mínimo de intervenção da Terra seria incrivelmente valioso, pois poderia facilitar e potencialmente acelerar as missões no espaço profundo.

AstroSLAM, a solução desenvolvida por Tsiotras e seus colegas, pode gerar autonomamente a localização e orientação de espaçonaves em relação a asteróides próximos ou outros pequenos corpos celestes. Ele consegue isso analisando uma sequência de imagens tiradas de uma câmera a bordo da espaçonave enquanto ela orbita o corpo celeste de interesse.

“O AstroSLAM, como o próprio nome sugere, é baseado no SLAM, uma metodologia que até agora foi usada com grande sucesso em robôs móveis terrestres, mas que não estendemos ao ambiente espacial”, explicou Tsiotras. “Nosso modelo também pode gerar uma representação em forma 3D de pequenos corpos celestes e estimar seu tamanho e parâmetros gravitacionais. O algoritmo é o culminar de mais de cinco anos de trabalho em navegação relativa baseada em visão para espaçonaves em meu grupo, o Dynamics and Control Laboratório de Sistemas na Georgia Tech.”

O AstroSLAM pode estimar a posição relativa e a orientação da espaçonave em total autonomia. Essas informações podem ser usadas para planejar e executar várias manobras em órbita, incluindo o pouso em um corpo celeste próximo. O modelo também pode gerar imagens da forma 3D do corpo celeste próximo, estimando seu tamanho e parâmetros gravitacionais.

“Uma das novidades do AstroSLAM é que ele leva em consideração as restrições de movimento decorrentes da dinâmica orbital, fornecendo assim uma solução de navegação muito mais precisa”, disse Tsiotras.

“O AstroSLAM reduz a dependência de uma espaçonave em relação à equipe terrestre humana para executar cálculos complexos, aumentando assim sua autonomia e capacidades relativas de navegação. Mesmo se continuarmos a confiar em metodologias existentes bem testadas no futuro previsível, a abordagem proposta também pode servir como solução de ‘back-up’ caso a abordagem principal falhe, pois depende de apenas uma única câmera.”

Os pesquisadores avaliaram sua tecnologia em uma série de testes, usando dados reais capturados pela NASA durante missões espaciais herdadas e dados artificiais de alta fidelidade gerados usando um simulador de espaçonave na Georgia Tech. Suas descobertas foram muito promissoras, sugerindo que o AstroSLAM poderia eventualmente permitir a operação autônoma de espaçonaves em vários cenários.

“Atualmente, estamos trabalhando para melhorar a etapa de processamento de imagem do AstroSLAM (por exemplo, detecção e rastreamento de recursos salientes), aproveitando uma arquitetura de rede neural de última geração treinada em um grande banco de dados de imagens reais de asteróides da NASA anterior. missões para detectar recursos de superfície mais confiáveis ​​e salientes”, acrescentou Tsiotras. “Uma vez integrado ao AstroSLAM, espera-se que este trabalho aumente a confiabilidade e a robustez contra medições incorretas (outliers) e condições difíceis de iluminação.”

Tsiotras e seus colegas agora também estão trabalhando para permitir que o modelo mescle imagens de luz visível e luz infravermelha, para obter desempenhos ainda melhores. Por fim, eles desejam estender sua abordagem para cenários operacionais nos quais as imagens seriam capturadas por várias espaçonaves em órbita simultaneamente.

“Pequenos corpos celestes, como asteroides, cometas e luas planetárias, são alvos fascinantes e cientificamente valiosos para exploração”, disse Kenneth Getzandanner, co-autor do artigo e líder em dinâmica de voo para Operações de Missões Científicas Espaciais no Goddard Space da NASA. Centro de Vôo.

“As missões para esses objetos, no entanto, apresentam desafios únicos para a navegação e as operações, devido ao pequeno tamanho do objeto e à magnitude das forças perturbadoras relativas à gravidade. Missões recentes de pequenos corpos, incluindo Origens, Interpretação Espectral, Identificação de Recursos—Security Regolith Explorer (OSIRIS -REx) no asteroide próximo à Terra 101955 Bennu, exemplificam esses desafios e requerem extensas campanhas de caracterização e significativa interação solo-in-the-loop. operações em tempo real e permitindo conceitos de missão mais ambiciosos e surtidas próximas à superfície.”

© 2022 Science X Network