Dissertação

{en_GB=Vision-based Navigation supported by Convolutional Neural Networks for Lunar and Planetary Landing Missions} {} CONFIRMED

{pt=Os sistemas de navegação auxiliada por visão são uma tecnologia relevante na indústria espacial. Este método é baseado no uso de câmaras como o principal componente de um sistema de navegação para estimar a posição e atitude relativas de um veículo espacial, nomeadamente para operações de proximidade, tais como missões de aterragem lunar e planetária. Nas últimas décadas, as técnicas de processamento de imagem convencionais têm vindo a ser substituídas por redes neuronais convolucionais num vasto número de tarefas e domínios, dado que os métodos de Inteligência Artificial têm vindo a ultrapassar em grande parte os testes de referência. Inspirados por estes avanços promissores, nesta Tese, investigamos alternativas usando Aprendizagem Profunda para algoritmos clássicos de processamento de imagem, que possam vir a ser usadas numa navegação auxiliada por imagem, no âmbito de missões de aterragem planetária. Desta forma, propomos uma abordagem completa para avaliar detetores de pontos de interesse com o objetivo de estimar estados do movimento em missões de aterragem planetária, usando dados representativos, simulados e ainda o mais recente vídeo da NASA da aterragem do rover Perseverance. Com este objetivo, apresentamos uma solução baseada em homografias. Uma avaliação qualitativa e quantitativa é apresentada, comparando detetores de pontos de interesse clássicos e um baseado em arquiteturas de Aprendizagem Profunda. Ao obtermos resultados promissores na aplicação de aprendizagem automática para este problema, introduzimos uma alternativa aos algoritmos clássicos de visão computacional. Para além disso, discutimos possíveis trabalhos futuros para melhorar os resultados., en=Vision-based navigation systems are a prominent technology in the space industry. This method is based on using camera images as the primary navigation system to estimate spacecraft relative position and attitude, namely for rendezvous and proximity operations, such as lunar or planetary landing missions. In the last few decades, conventional image processing techniques are being replaced by Convolutional Neural Networks in a vast number of tasks and domains, since these Artificial Intelligence methods are outperforming on most benchmarks. Inspired by these promising advances, in this Thesis, we investigate Deep Learning alternatives to classical image processing algorithms, which may be applicable to image-based navigation in the scope of planetary landing missions. Thus, we propose a complete framework to evaluate any image feature detector for the task of motion states estimation during a planetary landing mission, using both representative and simulation datasets, as well as the most recent Perseverance Rover's landing video from NASA. To accomplish this goal, a solution based on homography relation is designed. A qualitative and quantitative evaluation of the whole pipeline is presented, comparing both classical feature detectors and one based on Deep Learning architectures. From our promising results for applying machine learning to this problem, we introduce an alternative to classical Computer Vision algorithms. Furthermore, we discuss some possible future work to improve the results.}
{pt=Navegação auxiliada por visão, Aterragem Planetária, Homografia, Aprendizagem Profunda, Redes Neuronais Convolucionais, Detetores de pontos de interesse, en=Vision-based Navigation, Planetary Landing, Homography, Deep Learning, Convolutional Neural Netwroks, Feature Detection}

Julho 26, 2021, 16:0

Orientação

ORIENTADOR

Rodrigo Martins de Matos Ventura

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar

ORIENTADOR

Nuno Tiago Salavessa Cardoso Hormigo Vicente

Spin.Works

Head of Space Business Development