L'esplorazione dello spazio profondo presenta sfide uniche per la navigazione a causa delle distanze e della comunicazione limitata con la Terra. Lo sviluppo di algoritmi di navigazione autonomi è essenziale per garantire il successo delle sonde spaziali profonde che si avventurano più lontano nel cosmo. Senza autonomia a bordo, la navicella si affida pesantemente al monitoraggio basato sul suolo, un metodo che diventa sempre più impraticabile come ritardi che si estendono da minuti a ore.

La sfida della comunicazione spaziale profonda

Per Marte, il ritardo varia da 4 a 24 minuti; per Giove, circa 1.3 ore; per i pianeti esterni, può superare diverse ore. A distanze interstellari, intervalli di ritardo giorni o settimane. La navigazione tradizionale si basa sul Deep Space Network (DSN) per misurare i turni di Doppler e i segnali di ampiezza, ma i tempi di atterraggio ridotti sono spesso di lunga durata.

Principi fondamentali della navigazione autonoma

La navigazione autonoma per una sonda spaziale profonda comporta tre compiti fondamentali: determinare lo stato della sonda (posizione, velocità e atteggiamento), predire la sua futura traiettoria sotto influenze gravitazionali, e la pianificazione delle manovre per raggiungere gli obiettivi della missione.

Stima dello Stato

Il vettore statale di solito include la posizione e la velocità cartesiana, oltre a quaternione di atteggiamento e tassi angolari. Il passo di previsione propaga lo stato in avanti nel tempo utilizzando l'integrazione numerica delle equazioni di movimento. La fase di aggiornamento incorpora nuove misure del sensore per correggere lo stato previsto. La scelta del filtro dipende dalle risorse computazionali e dalla non linearità.

Determinazione dell'attitudine

Le conoscenze accurate dell'atteggiamento sono obbligatorie per puntare antenne, strumenti e propulsori. I tracker stellari sono il sensore primario: catturano un'immagine del campo stellare, corrispondono a modelli stellari osservati contro un catalogo a bordo e calcolano l'orientamento. Il catalogo contiene tipicamente posizioni e magnitudine di diverse migliaia di stelle. Per missioni spaziali profonde, il tracker stellato deve essere indurito da radiazioni e in grado di funzionare in ambienti a bassa luce.

Determinazione dell'orbita

La determinazione dell'orbita si basa tradizionalmente sul tracciamento radiometrico basato sul suolo. Per la navigazione autonoma, la sonda utilizza misure ottiche di corpi celesti noti. Una fotocamera immagini un pianeta, una luna, o un asteroide contro lo sfondo della stella. La posizione apparente del corpo rispetto alle stelle è usata per dedurre il vettore linea-of-sight. Combinando più osservazioni nel tempo, il filtro stima l'orbita dello spazio.

Tecnologie del sensore per l'autonomia

La navigazione autonoma si basa su una suite di sensori che forniscono dati complementari.

  • I locali di Star Trackers:[] Fornire un atteggiamento assoluto con precisione di arcsecondo. I moderni tracciatori stellari possono identificare le stelle in presenza di luce randagi e radiazioni elevate.
  • Unità di misura inerziale (IMU): Fornire tassi angolari e accelerazioni lineari ad alta frequenza; accumulare la deriva nel tempo e richiedere una correzione periodica.
  • Sun Sensors:[] Riferimento di atteggiamento grossolano rilevando la direzione del Sole; utilizzato per l'acquisizione iniziale e la modalità sicura.
  • Cariffe di navigazione:[] Di solito i fotografi pancromatici o multispettrali che catturano le immagini di obiettivi per OpNav. Alcune missioni portano fotocamere di navigazione ottiche dedicate.
  • Altimetri laser (LiDAR):[] Misurare la portata di una superficie planetaria con alta precisione.

Le sonde future dello spazio profondo possono anche incorporare sensori di acquantum[] (ad esempio, accelerometro atomico) che offrono misurazioni di accelerazione senza deriva, potenzialmente migliorando l'accuratezza di navigazione a lungo termine.

Quadri algoritmici e navigazione ottica

Il nucleo della navigazione autonoma è presente negli algoritmi che elaborano i dati dei sensori e le stime dello stato di calcolo. Il quadro standard è il filtro Kalman, ma esistono molte varianti pratiche. Ad esempio, il progetto dell’Agenzia Spaziale Europea (ESA) Autonoma Navigazione Ottica] ha sviluppato un filtro che elabora immagini di corpi planetari per stimare l’orbita senza intervento del suolo.

OpNav utilizza immagini di un corpo di destinazione noto (ad esempio, un asteroide) per calcolare la posizione della sonda rispetto a quel corpo. Absolute OpNav utilizza immagini di pianeti o di lune con efemeridi ben noti per determinare la posizione inerziale della sonda. Il primo estrae centriidi del corpo di destinazione e le stelle di sfondo.

Una sfida è che il corpo di destinazione può apparire come solo pochi pixel da lontano. Le tecniche di centroiding avanzate, come l'utilizzo di un modello di funzione punto-spread Gaussian, possono raggiungere l'accuratezza sub-pixel. Per le fasi di flyby e di avvicinamento, l'adattamento degli arti (fissare un'ellisse all'arto illuminato) fornisce informazioni di gamma quando il raggio del corpo è noto da efemeridi.

Per i landers e le missioni di ritorno dei campioni, la navigazione in termini di terreno (TRN) corrisponde alle immagini in tempo reale a una mappa memorizzata per determinare la posizione con precisione di livello metrico. Esempi includono il sistema di visione Lander di Mars 2020 Perseverance rover e la collezione di campioni OSIRIS-REx di Bennu. TRN utilizza una fotocamera puntata verso il basso, e l'algoritmo correla le caratteristiche (ad esempio, crateri di sbarco, rocce) con un modello precarico significativo.

Imparare la macchina e l'intelligenza artificiale

Le reti neurali convoluzionali (CNN) possono eseguire un'identificazione e un pattern robusti, anche quando le immagini stellari sono degradate da sfocature di movimento o radiazioni. Le CNN sono utilizzate anche per il rilevamento dei crateri durante il TRN, fornendo una maggiore robustezza rispetto alle caratteristiche tradizionali corrispondenti.

Un esempio notevole è l’esperimento della NASA Autonomo Sciencecraft sulla Terra Osservando-1, che ha usato l’IA a bordo per rilevare eventi interessanti e ritascolare la sonda. Mentre non una missione spaziale profonda, ha dimostrato il potenziale per l’autonomia cognitiva.

Un'altra area promettente è un rilevamento di un'anomalia[]] utilizzando autoencoders. Apprendimento nominale dei sensori e degli attuatori di veicoli spaziali, un sistema AI può contrassegnare le deviazioni che possono indicare un guasto hardware o un ambiente inaspettato.

Constrati computazionali a bordo

Ad esempio, il processore RAD750 utilizzato in molte missioni spaziali profonde opera a circa 200 MHz e offre ~0.5 GFLOPS. Questo limita gravemente la complessità di algoritmi che possono funzionare in tempo reale. Gli sviluppatori devono ottimizzare ogni linea di codice, utilizzare aritmetico a punto fisso, e spesso implementare funzioni critiche in hardware (FPGA, ASIC)

Tuttavia, i progressi in FPGA (ad esempio, Microchip RTG4, Xilinx Virtex-5QV) permettono l'implementazione di algoritmi altamente paralleli come l'accoppiamento di pattern stella o la convoluzione di immagine. Il High Performance Spaceflight Computing (HPSC)] programma della NASA mira a fornire un nuovo chip di processore (AD ~7 chip di apertura di bordo)

Verifica e convalida degli algoritmi autonomi

Data l'alto costo e il rischio di missioni spaziali profonde, il software di navigazione autonomo deve essere accuratamente verificato e convalidato (V&V). Ciò comporta sia la simulazione che l'hardware-in-the-loop (HIL) test. Le simulazioni ad alta fedeltà modellano le dinamiche di veicolo spaziale, il rumore dei sensori, le prestazioni dell'attuatore e le perturbazioni ambientali (ad esempio, la pressione solare, la gravità di terzo corpo).

HIL testing utilizza hardware di volo effettivo (processore, telecamere, tracciatori stellari) con stimoli simulati, ad esempio un campo stellare visualizzato su un monitor di precisione o un IMU stimolato su un tavolo di movimento. Questo cattura problemi di tempismo, perdite di memoria e bug di integrazione hardware-software che la simulazione pura può mancare.

Una parte critica di V&V sta valutando le prestazioni del filtro in [ condizioni disagiate[: blocco stellare perso, alto rumore di radiazione, misurazioni mancate o anomalie del propulsore. L'algoritmo deve degradare con grazia piuttosto che crash. Ad esempio, se il tracker stella perde blocco, il filtro può cadere indietro sulla propagazione IMU e sensori solari fino a quando l'identificazione stella viene riguagliata.

Case Studies: Navigazione autonoma in azione

Deep Space 1 (1998-2001)

Il Deep Space 1 della NASA è stato il primo a dimostrare la navigazione autonoma come tecnologia primaria. Ha portato il sistema AutoNav[], che ha usato immagini ottiche di asteroidi per navigare senza intervento di terra. AutoNav ha calcolato la posizione della sonda rispetto ai corpi target, ha pianificato manovre di spinta ion, e li ha eseguiti.

Nuovi Orizzonti (2006-2015)

La missione New Horizons a Plutone ha usato la navigazione ottica durante il suo approccio nel 2015. Mentre la navigazione primaria era basata sul suolo, la sonda ha portato un imager di ricognizione a lungo raggio (LORRI) che ha fornito immagini per il relativo OpNav. Queste immagini sono state elaborate sul terreno per la raffinatezza traiettoria, ma le tecniche hanno dimostrato la fattibilità di puntamento autonomo e di imaging di obiettivi sconosciuti.

OSIRIS-REx (2016–2023)

Durante la collezione di campioni Touch-and-Go (TAG), la sonda ha usato il tracciamento naturale delle caratteristiche (NFT) basato sull'elaborazione delle immagini a bordo. Il sistema ha correlato le immagini in tempo reale della superficie dell'asteroide con una mappa del terreno precaricata per guidare la navicella verso un preciso sito di atterraggio. L'algoritmo NFT ha raggiunto la precisione principale del computer di navigazione e del metro di degrado.

Direzioni future: Navigazione interstellare e quantistica

Come le agenzie pianificano missioni nello spazio interstellare (ad esempio, Breakthrough Starshot, sonde interstellari), la navigazione autonoma diventa non solo utile ma obbligatoria. A distanze superiori a 100 AU, il ritardo di comunicazione a giro-trip supera un giorno, e il monitoraggio DSN diventa troppo debole per la determinazione dell'orbita precisa.

La navigazione di Pulsar[ utilizza le emissioni di pulsar di millisecondi come GPS naturale. Misurando i tempi di arrivo dei impulsi a raggi X da più pulsar, una sonda può determinare la sua posizione con precisione sull'ordine di decine di chilometri. Questa tecnologia è ancora sperimentale ma è stata testata sull'ISS (esperimento SEXTANT).

I sensori quantistici, come gli orologi atomici e gli interferometri a freddo, promettono il miglioramento degli ordini di grandezza in accelerometro e precisione del giroscopio. Atomic Clock Ensemble in Space (ACES)] e NASA ]]Diminuzione degli aggiornamenti dell'orologio atomico (DSAC)[FLT: Future]

Infine, AI-driven autonomi[[[]]] probabilmente avanzare al punto in cui la sonda può pianificare ed eseguire moscaby multi-target complessi, ottimizzare l'uso del carburante, e anche evitare detriti precedentemente sconosciuti o cinghie di radiazione senza input umano.

Conclusioni

Con la riduzione dell'affidabilità del tracciamento terrestre, questi algoritmi consentono alle missioni di raggiungere destinazioni più lontane, operare in modo più efficiente e rispondere a eventi imprevisti.