Zeitschrift für Fernerkundung und GIS

Abstrakt

Auf dem Weg zum autonomen Raumfahrzeugbetrieb mithilfe maschinellen Lernens

Roter Boumghar

Die Demokratisierung der Weltraumforschung ist größtenteils auf die Open-Source-Entwicklung kleiner Satelliten zurückzuführen (z. B. Cubesats, kubische Satelliten mit den Abmessungen 10 x 10 x 10 cm). Eine der wichtigsten Anforderungen der Weltraumforschung in naher Zukunft besteht darin, den Betrieb von Raumfahrzeugen so zu skalieren, dass Zehntausende von Satelliten verwaltet werden können; buchstäblich mehrere Roboter im Weltraum mit komplexen dynamischen Systemen. Das Polaris-Projekt ist vollständig Open Source und zielt darauf ab, die Telemetrie von Robotersystemen zu analysieren, daraus zu lernen, die Bediener auf dem Laufenden zu halten und Wissen zu generieren, das auf verschiedene Missionen mit ähnlichen Roboterressourcen übertragbar ist. Dieses Projekt umfasst drei Aspekte: Abrufen und Normalisieren von Daten aus Funksignalen, die von den SatNOGS-Stationen (200 Open-Source-Bodenstationen auf der ganzen Welt) gesammelt werden, maschinelle Lernmodelle zur Analyse von Abhängigkeiten, kontextbezogener Verhaltenssegmentierung in Zeitreihen und Vorhersagen zur Vermeidung von Anomalien und schließlich Datenvisualisierung zur Erläuterung der maschinellen Lernmodelle und Bereitstellung von Widgets zur Situationswahrnehmung der Bediener. In diesem Vortrag werde ich die entwickelten maschinellen Lernmodelle durchgehen und erläutern, wie wir Abhängigkeiten zwischen Telemetriedaten verfolgen und wie uns die Graphvisualisierung die Navigation in hochdimensionalen Datensätzen ermöglicht. Ich werde Ihnen die Schritte erläutern, die wir zur Gestaltung zukünftiger autonomer Satellitenoperationen und -überwachungen unternehmen, und Ihnen mitteilen, welche wesentliche Rolle Open Source dabei spielt.