Static attitude determination using convolutional neural networks

Abstract

A necessidade de estimar a orientação entre sistemas referenciais é crucial na navegação espacial. Apesar dos algoritmos clássicos para este tipo de problema dependerem de abordagens mais algébricas, soluções baseadas em dados estão tornando-se mais atrativas devido a sua natureza estocástica. Consequentemente, uma abordagem baseada em redes neurais convolucionais para a determinação de atitude estática foi proposta. Diversos modelos foram treinados com distintos conjuntos de dados, estes contendo diferentes quantidades de vetores de observação. Tais vetores foram utilizados na construção da entrada do sistema, chamada matriz de perfil de atitude. Ao aumentar o número de vetores de observação, o modelo obteve melhores resultados sobre o conjunto de dados de validação, mas acabou não refletindo o verdadeiro comportamento do sistema quando apresentado a cenários desafiadores. Assim, a incerteza das previsões nesses cenários de teste foi levada em consideração na escolha do melhor modelo. Apesar do modelo não ter obtido melhores resultados em comparação com algoritmos tradicionais como SVD, q-Method, QUEST e ESOQ2, o modelo escolhido se mostrou menos sensível a ruídos mais elevados do que eles.

Abstract: The need for estimating the orientation between frames of reference is crucial in spacecraft navigation. Although the classic algorithms for this problem rely on more algebraic approaches, data-driven solutions are becoming more appealing due to their stochastic nature. Hence, a method based on convolutional neural networks for the static attitude determination problem was proposed. Several models were trained using different datasets containing a different number of observation vectors. Such vectors were used to build the input to the system, called the attitude profile matrix. When increasing the number of observation vectors, the model obtained better results over the validation dataset. Still, it turned out not to reflect the system?s actual behavior when facing challenging scenarios. Thus, the uncertainty of predictions on these test scenarios was considered when choosing the best model. The model did not manage to achieve as good results as traditional algorithms, such as SVD, q-Method, QUEST, and ESOQ2. However, the proposed model proved to be less sensitive to higher noise than the traditional algorithms.