National and Kapodistrian University of Athens
Applications of Artificial Intelligence for the Security of Space Infrastructure
Abstract
dc:descriptionΗ σημασία της ασφάλειας στο Διάστημα αναδεικνύεται όλο και περισσότερο τα τελευταία χρόνια, ως αποτέλεσμα της συνεχούς τεχνολογικής προόδου η οποία έχει οδηγήσει σε σημαντική μείωση του κόστους εκτόξευσης, στην αξιοποίηση εμπορικών εξαρτημάτων (Commercial Off The Shelf), στη συρρίκνωση των δορυφόρων, και στη δυνατότητα τοποθέτησης σε τροχιά δορυφορικών αστερισμών. Η Διαστημική Επιτήρηση και Παρακολούθηση (SST) διαδραματίζει κρίσιμο ρόλο στη διασφάλιση της ασφάλειας των διαστημικών υποδομών, ενώ οι πρόσφατες εξελίξεις στην Τεχνητή Νοημοσύνη (AI) δείχνουν σημαντική δυναμική στη βελτίωση των βασικών εφαρμογών SST. Η παρούσα διπλωματική εργασία αποτελεί μια ολιστική προσέγγιση που περιλαμβάνει την παροχή του βασικού πλαισίου για τις διαστημικές δραστηριότητες, τις διαστημικές υποδομές και τη σημασία τους, λεπτομερή ανάλυση για 2 εκ των σημαντικότερων εφαρμογών του SST, καθώς και μια τεχνική υλοποίηση που διερευνά την αξιοποίηση της τεχνητής νοημοσύνης για το SST. Συγκεκριμένα, ξεκινάμε με μια επισκόπηση των σύγχρονων διαστημικών δραστηριοτήτων, της αυξανόμενης προσβασιμότητας στο Διάστημα, και των διάφορων υποδομών που επιτρέπουν αυτές τις δραστηριότητες. Εξετάζουμε επίσης τον κοινωνικό αντίκτυπο του Διαστήματος και τη σημασία διασφάλισης των διαστημικών υποδομών μέσω της αποτελεσματικής επιτήρησης του διαστημικού περιβάλλοντος και της ενίσχυσης της επίγνωσης της κατάστασης (Space Situational Awareness – SSA). Ένα βασικό πρόβλημα που αναδεικνύεται είναι η ραγδαία αύξηση του αριθμού των αντικειμένων σε γήινη τροχιά, η οποία αυξάνει τον κίνδυνο αλλεπάλληλων συγκρούσεων στο Διάστημα, γνωστού και ως “Σύνδρομο Kessler”. Αυτό καθιστά επιτακτική την ανάγκη ανάπτυξης αποτελεσματικών δυνατοτήτων SST. Καθώς η αναγκαιότητα της περαιτέρω ανάπτυξης του τομέα γίνεται εμφανής, συνεχίζουμε παρέχοντας ιστορικό υπόβαθρο και μία επισκόπηση των συστημάτων SST, των εφαρμογών τους, και των προκλήσεων που σχετίζονται με τη διαθεσιμότητα των δεδομένων. Έπειτα από μια εκτενή βιβλιογραφική ανασκόπηση, διαπιστώνουμε ότι η πρόβλεψη τροχιάς (orbit prediction) και η αποφυγή συγκρούσεων στο διάστημα (collision avoidance) αποτελούν δύο από τις κυριότερες περιοχές εφαρμογής του SST. Κατά συνέπεια, αφιερώνουμε ειδικά κεφάλαια στα οποία παρουσιάζουμε λεπτομερώς τις εν λόγω θεματικές, παραθέτοντας τα συμπεράσματα της βιβλιογραφικής ανάλυσης σχετικά με τις κλασικές, τις σύγχρονες, και τις βασισμένες στην τεχνητή νοημοσύνη προσεγγίσεις που εντοπίσαμε στη βιβλιογραφία για κάθε μία. Επιπλέον, καταγράφουμε συμπεράσματα σχετικά με τους τύπους δεδομένων που χρησιμοποιούνται, κάτι που είναι ιδιαίτερα σημαντικό για την εκπαίδευση των μοντέλων τεχνητής νοημοσύνης. Διαπιστώθηκε ότι η πλειοψηφία των σχετικών δημοσιεύσεων βασίζεται σε συνθετικά δεδομένα, γεγονός που δεν προκαλεί έκπληξη, καθώς η πρόσβαση σε πραγματικές υποδομές αισθητήρων όπως επίγεια τηλεσκόπια, ραντάρ και εικόνες από το διάστημα (space-based) είναι πολύ περιορισμένη. Συνεχίζουμε την ολιστική μας προσέγγιση με μια υλοποίηση για τον αρχικό προσδιορισμό τροχιάς, βασισμένη σε πραγματικές παρατηρήσεις από το Κρυονέρι, ένα τηλεσκόπιο του Εθνικού Αστεροσκοπείου Αθηνών, το οποίο ανήκει στο ευρωπαϊκό δίκτυο SST (EUSST – European Union Space Surveillance and Tracking), παρέχοντας επιχειρησιακά δεδομένα. Συγκεκριμένα, αναπτύσσουμε την κλασική μέθοδο Gauss για IOD, η οποία βασίζεται σε 3 σημεία από ένα μόνο παράθυρο παρατήρησης (υπό μορφή tracking data message – TDM) κάθε φορά. Επιπλέον, αναπτύσσουμε μία αρχιτεκτονική βασισμένη στην τεχνητή νοημοσύνη για το ίδιο πρόβλημα, η οποία αξιοποιεί Random Forest Regressors και χαρακτηριστικά που εξάγονται από συγκεντρωτικά στατιστικά ενός TDM. Συγκρίνουμε τα αποτελέσματα των δύο προσεγγίσεων και διαπιστώνουμε εμφανώς ότι η τεχνητή νοημοσύνη προσφέρει εξαιρετικά περιθώρια βελτίωσης των αποτελεσμάτων σε εφαρμογές SSA/SST.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Χούμος Γεώργιος
- Choumos George
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:5301509