Ett ökande antal rymdobjekt, skräp och satelliter i Low Earth Orbit utgör ett betydande hot om kollisioner under rymdoperationer. Situationen övervakas för närvarande av radar och radioteleskop som spårar rymdobjekt, men mycket av rymdskräpet består av mycket små metallföremål som är svåra att upptäcka.
I en studie publicerad i IET Radar, Sonar &Navigation , visar utredare fördelarna med att använda djupinlärning – en form av artificiell intelligens – för upptäckt av små rymdobjekt med radar.
Teamet modellerade ett framstående radarsystem i Europa (kallat Tracking and Imaging Radar) i spårningsläge för att producera tränings- och testdata. Sedan jämförde gruppen klassiska detektionssystem med en You-Only-Look-Once (YOLO)-baserad detektor. (YOLO är en populär objektdetekteringsalgoritm som har använts flitigt i datorseendeapplikationer.)
En utvärdering i en simulerad miljö visade att YOLO-baserad detektering överträffar konventionella tillvägagångssätt, vilket garanterar en hög detekteringsfrekvens samtidigt som antalet falska larm hålls låga.
"Förutom att förbättra rymdövervakningskapaciteten, har artificiell intelligensbaserade system som YOLO potentialen att revolutionera hanteringen av rymdskräp", säger medkorrespondent författare Federica Massimi, Ph.D., vid Roma Tre University, i Italien.
"Genom att snabbt identifiera och spåra svårupptäckta objekt möjliggör dessa system proaktivt beslutsfattande och ingripandestrategier för att mildra kollisioner och risker och bevara integriteten hos kritiska rymdresurser."
Mer information: Federica Massimi et al, Deep learning-baserad rymdskräpdetektering för rymdsituationsmedvetenhet:En genomförbarhetsstudie tillämpad på radarbehandlingen, IET Radar, Sonar &Navigation (2024). DOI:10.1049/rsn2.12547
Tillhandahålls av Wiley
