Il continuo sviluppo nei componenti hardware e nella definizione degli algoritmi per l'analisi delle immagini consente di concepire applicazioni eseguite direttamente a bordo dei satelliti. Tenuti in conto i forti vincoli su massa, volume, potenza e costi che caratterizzano le sempre più diffuse piccole piattaforme satellitari (cubesat, micro- e mini-satelliti) il progetto di ricerca si propone di analizzare la possibilità di determinare l'assetto mediante l'analisi delle immagini prodotte dalla camera principale di bordo (di cui molte piattaforme in orbita terrrestre sono dotate). In questo modo sarebbe possibile nelle missioni LEO più semplici risparmiare l'adozione di costosi e complessi sensori specifici, e in quelle più sofisticate avere comunque una soluzione di back-up nel caso non infrequente di failure dei sensori. La ricerca riguarda preliminarmente l'individuazione di un idoneo processo deep learning di analisi delle immagini mediante reti neurali con il riconoscimento di landmarks rispetto a una banca dati e la codifica di una procedura per la determinazione d'assetto a partire da un numero minimo di features (e quindi di direzioni, nota la posizione del punto di vista), con attenzione allo sforzo computazionale richiesto. Soprattutto, il progetto prevede la prototipazione del sottosistema mediante componenti COTS e la sua sperimentazione a bordo della piattaforma flottante strumentata già operativa presso il Laboratorio di Guida e Navigazione, con prove di determinazione d'assetto nel più semplice caso della rotazione di yaw. La sorgente di informazione darà fornita da immagini realistiche ottenute da bordo di piattaforme LEO proiettate su opportuni schermi intorno alal piattaforma, e il test consentirà di valutare i tempi caratteristici di un loop di controllo d'assetto per l'asservimento a un prefissato puntamento nadir.
Il notevole sviluppo della componentistica spaziale permette di analizzare soluzioni sempre nuove, più efficaci e di maggiori prestazioni, per i sistemi avionici di bordo. In particolare, l'efficienza può essere aumentata tramite una giusta combinazione delle risorse allocate ai vari sottosistemi, in maniera da evitare duplicazioni gravose specie per le piccole piattaforme che hanno oggi sempre maggiore rilievo. In tale ottica generale, l'idea di sfruttare il payload ottico, tipicamente disponibile a bordo di molti dei satelliti in orbita, per trarne informazioni real-time sull'assetto da utilizzare nei sistemi di controllo è certo percorribile, pur se sfidante rispetto allo stato dell'arte.
Il carattere innovativo della ricerca proposta è testimoniato dalle recentissime date di pubblicazione degli studi citati in precedenza e che ne costituiscono il punto di partenza. D'altra parte è evidente che le tecnologie e tecniche trattate (camere di bordo ad alta risoluzione, analisi delle immagini con riconoscimento di features tramite deep learning, determinazione d'assetto a partire da misure incerte) rientrano tra quelle generalmente ritenute fondamentali nei programmi spaziali del futuro.
Con riguardo all'avanzamento delle conoscenze rispetto allo stato dell'arte, è possibile evidenziare due aspetti caratterizzanti la ricerca. Da un lato, visto il rapido e continuo progresso nei componenti hardware e negli algoritmi deep learning, il solo aggiornamento delle tecniche presenti in letteratura con il calcolo delle prestazioni effettivamente ottenibili oggi avrebbe già un valore ingegneristico non trascurabile. Ma, soprattutto, è l'idea di portare a validazione sperimentale il sottosistema completo, pur in una versione limitata a un grado di libertà, che dà un importante significato alle attività proposte. Distinguendosi dagli studi citati, che certo analizzano con competenza e dettaglio le caratteristiche dei sensori, le tecniche di analisi delle immagini, la loro possibile implementazione sulle unità di calcolo, questa proposta si concentra sulle prestazioni del sottosistema di determinazione d'assetto nella sua completezza, misurandone i tempi caratteristici, parametro fondamentale da confrontare con le specifiche di missione. Da questo punto la possibilità di realizzare un sottosistema prototipale e di provarlo in laboratorio utilizzando la piattaforma flottante e il sistema di metrologia già esistenti è certo assai attraente.
Si potrebbe poi citare l'interesse nel sostenere ricerche nel settore, già portate avanti da gruppi stranieri. La disponibilità di un sistema di determinazione d'assetto basato sulle immagini del payload ha infatti un grande interesse applicativo, configurandosi come una soluzione ragionevolmente accurata e poco costosa, di grande interesse (perché evita l'utilizzo di sensori specifici) per piattaforme con volumi limitati come i cubesat e sufficiente in accuratezza per numerose missioni (certo per quelle educational). E' molto importante acquisire la capacità di realizzare praticamente un sistema di questo tipo in maniera da poterlo poi eventualmente introdurre nei satelliti prodotti dalla Scuola ed eventualmente diffondere presso le diverse startup operanti in Italia, e in particolare nell'area romana, nel campo dei microsatelliti.
La combinazione, appositamente valutata e ricercata, tra le conoscenze e le esperienze dei diversi componenti il gruppo, può favorire, negli auspici dei proponenti, il successo del progetto. Sono infatti presenti le competenze nel campo dell'imaging spaziale (e quindi la certezza di partire da un input realistico), dell'analisi delle immagini (campo nel quale il team del Laboratorio di Guida e Navigazione lavora da molti anni), del deep learning (elemento innovativo che ha rivoluzionato le prestazioni dei sistemi di analisi), della dinamica orbitale e d'assetto (che costituisce il fondamento dell'applicazione), nonché la significativa esperienza acquisita negli anni con i setup sperimentali e le correlate realizzazioni di piccole devices elettromeccaniche dedicate. Correlato a queste competenze preesistenti è visibile l'interesse a promuovere le attività in un campo di sicuro avvenire, anche a beneficio degli studenti dei corsi magistrali e del corso di laurea speciale della Scuola e dei dottorandi, che naturalmente collaboreranno alla ricerca e usufruiranno della più profonda e aggiornata preparazione dei docenti.