深度學習算法有助于清除天空中的垃圾

您如何測量一塊太空垃圾的姿態(即3-D旋轉和3-D平移)，以便抓握的衛星可以實時捕獲它，以便成功地將其從地球軌道上移走?深度學習算法將扮演什么角色?而且，什么是實時空間?這些是由EPFL衍生公司ClearSpace領導的一項開創性項目正在解決的一些問題，該項目旨在開發捕獲和清除空間碎片的技術。

由于有34,000多個垃圾在地球上運行，因此將其清除已成為安全問題。本月早些時候，一架舊的蘇聯帕魯斯導航衛星和一架中國的ChangZheng-4c火箭參與了一次近乎失事的襲擊。9月，國際空間站進行了一次演習，以避免可能與未知的空間碎片碰撞，而ISS Expedition 63靠近他們的聯盟號MS-16太空飛船，為可能的撤離做準備。隨著越來越多的垃圾不斷堆積，衛星碰撞可能變得司空見慣，使進入太空變得危險。

ClearSpace-1是該公司2025年的首次任務，將涉及回收現已過時的Vespa上半部分，以確保它能重新進入太空艙，該有效載荷適配器繞過地球660公里，曾經是歐洲航天局的Vega火箭的一部分。大氣并以受控方式燃燒。

首要挑戰之一是使捕獲火箭的機械臂能夠以正確的角度接近Vespa。為此，它將使用連接的攝像頭(眼睛)確定太空垃圾在哪里，以便它可以抓住Vespa，然后將其拉回到大氣中。“重點是開發深度學習算法，即使在太空中拍攝的圖像比較困難，也可以根據視頻序列可靠地估算目標的6D姿勢(3旋轉3平移)。許多情況下，它們可能曝光過度或曝光不足像鏡子一樣的表面。”在計算機與通信科學學院由Pascal Fua教授領導的EPFL計算機視覺實驗室負責該項目的科學家Mathieu Salzmann說。

但是，有一個陷阱。Vespa在真空中旋轉的七年中，沒有人真正看到過它。我們知道它的直徑約為2米，碳纖維很黑，有點發亮，但這仍然是它的外觀嗎?

EPFL的逼真的圖形Labis模擬這塊太空垃圾看起來像是“訓練材料”，以幫助Salzmann的深度學習算法隨著時間的推移而改進。“我們正在建立目標物體合成圖像的數據庫，包括從高光譜衛星圖像重建的地球背景以及詳細的Vespa上層3-D模型。這些合成圖像基于對真實世界材料的測量鋁和碳纖維板的樣品，是使用我們實驗室的測角光度計獲得的。這是一種大型機器人設備，可以繞著測試樣本旋轉，同時從多個不同方向照亮并觀察它，從而為我們提供了有關材料外觀的大量信息，”實驗室負責人Wenzel Jakob助理教授說。

第三個挑戰將是需要在ClearSpace捕獲衛星上實時，以有限的計算能力在太空中進行工作。EPFL嵌入式系統實驗室的高級博士后協作者MiguelPeón博士正在領導將深度學習算法轉移到專用硬件平臺的工作。“由于空間運動表現良好，姿勢估計算法可以填補相隔一秒的識別之間的間隙，從而減輕了計算壓力。但是，為了確保它們能夠自動應對任務中的所有不確定性，算法復雜的是，它們的實現需要從平臺資源中擠出所有性能，” ESL負責人David Atienza教授說。