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
Sidste artikelAstronomer opdager en ny exoplanet på størrelse med Saturn
Næste artikelBare tilføj AI for ekspert astronaut ultralyd