2
0
2
0

Deep-Learning-Algorithmen für die Entsorgung von Weltraumschrott

Artikel lesen
Weltraum
Umweltverschmutzung
Informatik
Nachhaltigkeit
Klimawandel

Forscherinnen und Forscher der EPFL sind Vorreiter bei der Entwicklung einer Spitzentechnologie für die erste Mission der Europäischen Weltraumagentur (ESA): Weltraumschrott aus der Erdumlaufbahn holen.

Wie lässt sich die 3-D-Rotation und ‑Translation von Weltraumschrott messen, damit dieser von einem Satelliten in Echtzeit eingefangen und anschliessend aus der Erdumlaufbahn geholt werden kann? Welche Rolle werden Deep-Learning-Algorithmen spielen? Und was bedeutet Echtzeit im Weltraum? Dies sind einige der Fragen, die im Rahmen eines von ClearSpace, einem aus dem EPFL Space Center (eSpace) entstandenen Spin-off, geleiteten Projekts behandelt werden, um Technologien zu entwickeln, mit denen Weltraumschrott eingefangen und aus seiner Umlaufbahn geholt werden kann.

Aus Sicherheitsgründen müssen mehr als 34 000 Schrottteile aus Erdumlaufbahnen geholt werden. Im September 2019 wären ein ehemaliger sowjetischer Navigationssatellit des Typs Parous und eine chinesische Rakete des Typs ChangZhen-4c beinahe zusammengestossen. Im September musste die Internationale Raumstation ISS ein Ausweichmanöver vollführen, um eine mögliche Kollision mit einem unbekannten Weltraumschrottteil zu vermeiden, während sich die Besatzung der ISS-Expedition 63 in die Nähe der Raumfähre Soyouz MS-16 begab, um eine mögliche Evakuierung vorzubereiten. Wenn immer mehr Weltraumschrott angehäuft wird, könnten Zusammenstösse zwischen Satelliten bald zum Alltag gehören und den Zugang zum Weltraum gefährlich machen.

Erste Mission 2025

Im Rahmen von ClearSpace-1, der ersten, für 2025 geplanten Mission, wird die oberste, mittlerweile ausgediente Vespa-Stufe eingesammelt. Dabei handelt es sich um einen Nutzlastadapter, der Teil der Vega-Rakete der ESA war und sich in 660 Kilometern Höhe um die Erde dreht. Damit soll sichergestellt werden, dass das Modul wieder in die Atmosphäre eintritt und kontrolliert verglüht.

Eine der ersten Herausforderungen besteht darin, die Roboterarme einer Bergungsrakete im richtigen Winkel an das Modul heranzuführen. Dafür wird sie sozusagen als «Augen» eine feste Kamera verwenden, um den Weltraumschrott zu lokalisieren, zu bergen und in die Atmosphäre zurückzubringen. «Eine unserer Prioritäten betrifft die Entwicklung von Deep-Learning-Algorithmen, um die 6-D-Lage (3 Rotationen und 3 Translationen) des Zielobjekts anhand von Videosequenzen verlässlich abzuschätzen, auch wenn Bildaufnahmen im Weltraum schwierig sind. Die Aufnahmen können aufgrund zahlreicher Spiegelungen über- oder unterbelichtet sein», sagt Mathieu Salzmann, der das Projekt am Computer Vision Laboratory der EPFL (CVLAB) unter der Aufsicht von Prof. Pascal Fua an der Fakultät für Computer- und Kommunikationswissenschaften leitet.

Es gibt jedoch ein Problem: Seit sieben Jahren hat niemand mehr das Vespa-Modul gesehen, weil es in der Leere des Weltraums schwebt. Wir wissen, dass es einen Durchmesser von zwei Metern hat und aus dunklem, leicht glänzendem Karbon besteht. Aber sieht es noch so aus?

Das Realistic Graphics Lab (RGL) an der EPFL führt Simulationen dieses Schrottteils als didaktische Unterstützung durch, um den Deep-Learning-Algorithmen von Mathieu Salzmann zu helfen, sich im Laufe der Zeit zu verbessern. «Wir erstellen eine Datenbank aus Synthesebildern des Zielobjekts mit einem aus Hyperspektralsatellitenaufnahmen erstellten Erdhintergrund und einem detaillierten 3-D-Modell der oberen Vespa-Stufe.

Die Synthesebilder basieren auf mithilfe des Goniofotometers in unserem Labor durchgeführten Messungen realer Proben der Aluminium- und Karbonplatten. Der grosse Roboter dreht sich um eine Testprobe, beleuchtet sie und beobachtet sie gleichzeitig aus vielen verschiedenen Richtungen. Er liefert zahlreiche Informationen über das Aussehen des Werkstoffs», erklärt der Laborleiter, Assistenzprof. Wenzel Jakob. «Nach dem Start der Mission können die Forscherinnen und Forscher reale Bilder jenseits unserer Atmosphäre schiessen und die Algorithmen anpassen, damit sie auch vor Ort funktionieren.»

«Wir entwickeln einen Algorithmus, der schliesslich im Weltraum eingesetzt wird. Ich finde das absolut unglaublich, und es motiviert mich jeden Tag!»

Begrenzte Rechenleistung

Eine dritte Herausforderung betrifft die Arbeit im Weltraum in Echtzeit und mit einer begrenzten Rechenleistung an Bord des Bergungssatelliten ClearSpace. Miguel Peón, Postdoktoratsmitarbeiter am EPFL-Labor für eingebettete Systeme (ESL) leitet die Übertragung der Deep-Learning-Algorithmen auf eine entsprechende Hardware-Plattform.

«Da die Fortbewegung im Weltraum gut funktioniert, können die Algorithmen für die Einschätzung der Lage die Lücke zwischen den um eine Sekunde auseinander liegenden Abtastungen schliessen und so die Belastung des Rechners reduzieren. Damit die Algorithmen alle Unsicherheiten selbstständig bewältigen können, sind sie so komplex gestaltet, dass sämtliche Leistungen der Plattform genutzt werden müssen», erklärt ESL-Leiter David Atienza.

Perfekt zuverlässige und in Echtzeit mit begrenzter Rechenleistung ausgeführte Algorithmen für so schwierige und vergleichsweise unbekannte Bedingungen zu erstellen, ist offensichtlich eine grosse Herausforderung. Für Mathieu Salzmann gehört dies jedoch zum spannenden Teil des Projekts: «Wir müssen perfekt zuverlässig und solide arbeiten. In der Forschung kann man sich mit 90 % zufriedengeben, aber bei einer echten Mission können wir uns das nicht leisten. Der interessanteste Aspekt des Projekts ist aber vielleicht der Folgende: Wir entwickeln einen Algorithmus, der schliesslich im Weltraum eingesetzt wird. Ich finde das absolut unglaublich, und es motiviert mich jeden Tag!»

Diese innovative Arbeit wurde mit Unterstützung des Teams von Microsoft for Startups durchgeführt, das die Rechenleistung von Azure zur Verfügung stellte.

Scrollen
Forschung | 35 artikel