Un número cada vez mayor de objetos espaciales, desechos y satélites en órbita terrestre baja plantea una amenaza importante de colisiones durante las operaciones espaciales. Actualmente, la situación se controla mediante radares y radiotelescopios que rastrean objetos espaciales, pero gran parte de la basura espacial se compone de objetos metálicos muy pequeños que son difíciles de detectar.
En un estudio publicado en IET Radar, Sonar &Navigation , los investigadores demuestran los beneficios del uso del aprendizaje profundo, una forma de inteligencia artificial, para la detección de objetos espaciales pequeños mediante radar.
El equipo modeló un destacado sistema de radar en Europa (llamado Tracking and Imaging Radar) en modo de seguimiento para producir datos de entrenamiento y prueba. Luego, el grupo comparó los sistemas de detección clásicos con un detector basado en You-Only-Look-Once (YOLO). (YOLO es un algoritmo de detección de objetos popular que se ha utilizado ampliamente en aplicaciones de visión por computadora).
Una evaluación en un entorno simulado demostró que la detección basada en YOLO supera a los enfoques convencionales, lo que garantiza una alta tasa de detección y mantiene bajas las tasas de falsas alarmas.
"Además de mejorar las capacidades de vigilancia espacial, los sistemas basados en inteligencia artificial como YOLO tienen el potencial de revolucionar la gestión de desechos espaciales", afirmó la coautora correspondiente Federica Massimi, Ph.D., de la Universidad Roma Tre, en Italia.
"Al identificar y rastrear rápidamente objetos difíciles de detectar, estos sistemas permiten la toma de decisiones proactivas y estrategias de intervención para mitigar colisiones y riesgos y preservar la integridad de los recursos espaciales críticos".
Más información: Federica Massimi et al, Detección de desechos espaciales basada en aprendizaje profundo para el conocimiento de la situación espacial:un estudio de viabilidad aplicado al procesamiento de radar, IET Radar, Sonar &Navigation (2024). DOI:10.1049/rsn2.12547
Proporcionado por Wiley
