Um número crescente de objetos espaciais, detritos e satélites na órbita terrestre baixa representa uma ameaça significativa de colisões durante as operações espaciais. A situação é atualmente monitorizada por radares e radiotelescópios que rastreiam objetos espaciais, mas grande parte dos detritos espaciais é composta por objetos metálicos muito pequenos e difíceis de detetar.

Em um estudo publicado no IET Radar, Sonar &Navigation , os investigadores demonstram os benefícios do uso de aprendizagem profunda – uma forma de inteligência artificial – para detecção de pequenos objetos espaciais por radar.

A equipe modelou um sistema de radar proeminente na Europa (chamado Tracking and Imaging Radar) em modo de rastreamento para produzir dados de treinamento e teste. Em seguida, o grupo comparou os sistemas de detecção clássicos com um detector baseado em You-Only-Look-Once (YOLO). (YOLO é um algoritmo popular de detecção de objetos que tem sido amplamente utilizado em aplicações de visão computacional.)

Uma avaliação em um ambiente simulado demonstrou que a detecção baseada em YOLO supera as abordagens convencionais, garantindo uma alta taxa de detecção e mantendo baixas as taxas de falsos alarmes.

"Além de melhorar as capacidades de vigilância espacial, sistemas baseados em inteligência artificial como o YOLO têm o potencial de revolucionar a gestão de detritos espaciais", disse a coautora Federica Massimi, Ph.D., da Universidade Roma Tre, na Itália.

“Ao identificar e rastrear rapidamente objetos difíceis de detectar, esses sistemas permitem a tomada de decisões proativas e estratégias de intervenção para mitigar colisões e riscos e preservar a integridade de recursos espaciais críticos.”

Mais informações: Federica Massimi et al, Detecção de detritos espaciais baseada em aprendizagem profunda para consciência situacional espacial:um estudo de viabilidade aplicado ao processamento de radar, IET Radar, Sonar &Navigation (2024). DOI:10.1049/rsn2.12547
Fornecido por Wiley