Undersøgelse finder potentielle fordele ved AI-baserede systemer til at spotte svært at opdage rumaffald

Et stigende antal rumobjekter, affald og satellitter i Low Earth Orbit udgør en betydelig trussel om kollisioner under rumoperationer. Situationen overvåges i øjeblikket af radar og radioteleskoper, der sporer rumobjekter, men meget af rumaffald består af meget små metalliske objekter, som er svære at opdage.

I en undersøgelse offentliggjort i IET Radar, Sonar &Navigation , demonstrerer efterforskere fordelene ved at bruge deep learning - en form for kunstig intelligens - til detektering af små rumobjekter med radar.

Holdet modellerede et fremtrædende radarsystem i Europa (kaldet Tracking and Imaging Radar) i sporingstilstand for at producere trænings- og testdata. Derefter sammenlignede gruppen klassiske detektionssystemer med en You-Only-Look-Once (YOLO)-baseret detektor. (YOLO er en populær objektdetekteringsalgoritme, der er blevet brugt i vid udstrækning i computervisionsapplikationer.)

En evaluering i et simuleret miljø viste, at YOLO-baseret detektion overgår konventionelle tilgange, hvilket garanterer en høj detektionsrate, mens antallet af falske alarmer holdes lavt.

"Ud over at forbedre rumovervågningskapaciteten har kunstig intelligens-baserede systemer som YOLO potentialet til at revolutionere håndteringen af ​​rumaffald," sagde den medkorresponderende forfatter Federica Massimi, Ph.D., fra Roma Tre University, i Italien.

"Ved hurtigt at identificere og spore objekter, der er svære at opdage, muliggør disse systemer proaktiv beslutningstagning og interventionsstrategier for at afbøde kollisioner og risici og bevare integriteten af ​​kritiske rumressourcer."

Flere oplysninger: Federica Massimi et al., Deep learning-baseret detektering af rumaffald til rumsituationsbevidsthed:En gennemførlighedsundersøgelse anvendt til radarbehandling, IET Radar, Sonar &Navigation (2024). DOI:10.1049/rsn2.12547

Leveret af Wiley