Un nombre croissant d’objets spatiaux, de débris et de satellites en orbite terrestre basse constitue une menace importante de collisions lors des opérations spatiales. La situation est actuellement surveillée par des radars et des radiotélescopes qui suivent les objets spatiaux, mais une grande partie des débris spatiaux est composée de très petits objets métalliques difficiles à détecter.
Dans une étude publiée dans IET Radar, Sonar &Navigation , les enquêteurs démontrent les avantages de l'utilisation de l'apprentissage profond, une forme d'intelligence artificielle, pour la détection de petits objets spatiaux par radar.
L’équipe a modélisé un système radar important en Europe (appelé Tracking and Imaging Radar) en mode suivi pour produire des données de formation et de test. Ensuite, le groupe a comparé les systèmes de détection classiques avec un détecteur basé sur You-Only-Look-Once (YOLO). (YOLO est un algorithme de détection d'objets populaire qui a été largement utilisé dans les applications de vision par ordinateur.)
Une évaluation dans un environnement simulé a démontré que la détection basée sur YOLO surpasse les approches conventionnelles, garantissant un taux de détection élevé tout en maintenant les taux de fausses alarmes à un faible niveau.
"En plus d'améliorer les capacités de surveillance spatiale, les systèmes basés sur l'intelligence artificielle comme YOLO ont le potentiel de révolutionner la gestion des débris spatiaux", a déclaré l'auteure co-correspondante Federica Massimi, Ph.D., de l'Université Roma Tre, en Italie.
"En identifiant et en suivant rapidement les objets difficiles à détecter, ces systèmes permettent des stratégies proactives de prise de décision et d'intervention pour atténuer les collisions et les risques et préserver l'intégrité des ressources spatiales critiques."
Plus d'informations : Federica Massimi et al, Détection de débris spatiaux basée sur l'apprentissage profond pour une connaissance de la situation spatiale :une étude de faisabilité appliquée au traitement radar, Radar, sonar et navigation IET (2024). DOI :10.1049/rsn2.12547
Fourni par Wiley
