Come si misura la posa, ovvero la rotazione 3D e la traslazione 3D, di un pezzo di spazzatura spaziale in modo che un satellite possa catturarlo in tempo reale per rimuoverlo con successo dall'orbita terrestre? Che ruolo avranno gli algoritmi di deep learning? E, cos'è il tempo reale nello spazio? Queste sono alcune delle domande che vengono affrontate in un progetto innovativo, guidato dallo spin-off EPFL, ClearSpace, sviluppare tecnologie per catturare e deorbitare i detriti spaziali.

Con più di 34, 000 pezzi di spazzatura in orbita intorno alla Terra, la loro rimozione sta diventando una questione di sicurezza. All'inizio di questo mese un vecchio satellite di navigazione sovietico Parus e un razzo cinese ChangZheng-4c sono stati coinvolti in un incidente sfiorato e a settembre la Stazione Spaziale Internazionale ha condotto una manovra per evitare una possibile collisione con un pezzo sconosciuto di detriti spaziali, mentre l'equipaggio della ISS Expedition 63 si avvicinava alla navicella spaziale Soyuz MS-16 per prepararsi a una potenziale evacuazione. Con più spazzatura che si accumula continuamente, le collisioni satellitari potrebbero diventare all'ordine del giorno, rendendo pericoloso l'accesso allo spazio.

ClearSpace-1, la prima missione dell'azienda fissata per il 2025, comporterà il recupero della parte superiore Vespa ormai obsoleta, un adattatore per il carico utile in orbita a 660 chilometri sopra la Terra che un tempo faceva parte del razzo Vega dell'Agenzia spaziale europea, per garantire che rientri nell'atmosfera e bruci in modo controllato.

Una delle prime sfide è consentire ai bracci robotici di un razzo di cattura di avvicinarsi alla Vespa dall'angolazione corretta. A tal fine, utilizzerà una telecamera collegata, i suoi occhi, per capire dove si trova la spazzatura spaziale in modo da poter afferrare la Vespa e poi riportarla nell'atmosfera. "Un obiettivo centrale è sviluppare algoritmi di apprendimento profondo per stimare in modo affidabile la posa 6D (3 rotazioni e 3 traslazioni) del bersaglio da sequenze video anche se le immagini scattate nello spazio sono difficili. Possono essere sovra o sottoesposte con molti superfici a specchio, "dice Mathieu Salzmann, uno scienziato che guida il progetto all'interno del Computer Vision Laboratory dell'EPFL guidato dal professor Pascal Fua, nella Scuola di Scienze dell'Informazione e della Comunicazione.

Però, c'è un problema. Nessuno ha davvero visto la Vespa per sette anni mentre girava nel vuoto nello spazio. Sappiamo che ha un diametro di circa 2 metri, con fibre di carbonio scure e un po' lucide, ma è ancora come sembra?

I laboratori di grafica realistica dell'EPFL simulano l'aspetto di questo pezzo di spazzatura spaziale come "materiale di formazione" per aiutare gli algoritmi di apprendimento profondo di Salzmann a migliorare nel tempo. "Stiamo producendo un database di immagini sintetiche dell'oggetto target, includendo sia il fondale terrestre ricostruito da immagini satellitari iperspettrali, e un dettagliato modello 3D del palco superiore della Vespa. Queste immagini sintetiche si basano su misurazioni di campioni di materiali reali di pannelli in alluminio e fibra di carbonio, acquisita utilizzando il goniofotometro del nostro laboratorio. Questo è un grande dispositivo robotico che ruota attorno a un campione di prova per illuminarlo e osservarlo contemporaneamente da molte direzioni diverse, fornendoci una grande quantità di informazioni sull'aspetto del materiale, "dice l'assistente professore Wenzel Jakob, capo del laboratorio. Una volta iniziata la missione, i ricercatori saranno in grado di catturare alcune immagini della vita reale da oltre la nostra atmosfera e mettere a punto gli algoritmi per assicurarsi che funzionino in situ.

Una terza sfida sarà la necessità di lavorare nello spazio, in tempo reale e con potenza di calcolo limitata a bordo del satellite di acquisizione ClearSpace. Dott. Miguel Peón, un Senior Post-Doctoral Collaborator con Embedded Systems Lab di EPFL sta guidando il lavoro di trasferimento degli algoritmi di deep learning su una piattaforma hardware dedicata. "Poiché il movimento nello spazio si comporta bene, gli algoritmi di stima della posa possono colmare gli spazi tra i riconoscimenti distanziati di un secondo, alleviando la pressione computazionale. Però, per garantire che possano far fronte autonomamente a tutte le incertezze della missione, gli algoritmi sono così complessi che la loro implementazione richiede di spremere tutte le prestazioni dalle risorse della piattaforma, "dice il professor David Atienza, capo dell'ESL.

È chiaro che progettare algoritmi per essere affidabili al 100% in condizioni così difficili, e relativamente sconosciuto, condizioni, e che funzionano in tempo reale utilizzando risorse computazionali limitate, è una sfida tremenda. Per Salzmann, questo fa parte dell'attrattiva del progetto, "dobbiamo essere assolutamente affidabili e robusti. Dal punto di vista della ricerca, in genere sei soddisfatto del 90% di successo, ma questo è qualcosa che non possiamo permetterci in una vera missione. Ma forse l'aspetto più eccitante del progetto è che stiamo sviluppando un algoritmo che alla fine funzionerà nello spazio. Lo trovo assolutamente fantastico ed è questo che mi motiva ogni giorno!"

Questo lavoro innovativo è stato eseguito con il supporto del team di Microsoft for Startups, che ha fornito la potenza di elaborazione di Azure.