National and Kapodistrian University of Athens
Applications of Artificial Intelligence for the identification and categorization of resident space objects
Abstract
dc:descriptionΗ αυξανόμενη πολυπλοκότητα του διαστημικού περιβάλλοντος, που οφείλεται αφενός στην εξέλιξη των πυραύλων εκτόξευσης και την επακόλουθη μείωση του κόστους εκτόξευσης σε τροχιά και αφετέρου στα αυξανόμενα διαστημικά συντρίμμια, έχει δημιουργήσει μια ανάγκη για βελτίωση της απόδοσης και αποτελεσματικότητας των μεθόδων αναγνώρισης και κατηγοριοποίησης των Μόνιμων Διαστημικών Αντικειμένων (ΜΔΑ). Αυτή η διπλωματική εργασία αποτελεί μια ολοκληρωμένη έρευνα στην χρήση μεθόδων για την ανίχνευση και τον χαρακτηρισμό των ΜΔΑ, αντιμετωπίζοντας τόσο τις τεχνικές προκλήσεις όσο και τις πρακτικές εφαρμογές στα συστήματα Διαστημικής Επιτήρησης και Παρακολούθησης (SST). Μέσω μιας βιβλιογραφικής ανασκόπησης, η διπλωματική εργασία εξετάζει την τρέχουσα κατάσταση και την εξέλιξη τόσο των κλασσικών αριθμητικών μεθόδων όσο και των μεθόδων τεχνητής νοημοσύνης στην ανίχνευση και τον χαρακτηρισμό RSO, αποκαλύπτοντας μια σημαντική τάση προς τις προσεγγίσεις βαθιάς μάθησης, ιδιαίτερα σε τομείς όπως η ταξινόμηση σχήματος, η εκτίμηση στάσης και η αναγνώριση τύπου αντικειμένου. Η εργασία εντοπίζει βασικές προκλήσεις στον τομέα, κυρίως την έλλειψη δεδομένων εκπαίδευσης υψηλής ποιότητας και την ανάγκη για ισχυρές μεθόδους εξαγωγής χαρακτηριστικών. Η διπλωματική εργασία περιλαμβάνει μια υλοποίηση μεθόδου μηχανική μάθησης που επικεντρώνεται στην ταξινόμηση της κατάστασης περιστροφής ΜΔΑ. Αξιολογήθηκαν διάφοροι κλασικοί αλγόριθμοι μηχανικής μάθησης, με το μοντέλο βασισμένο σε Τυχαία Δάση (Random Forests) να επιτυγχάνει ακρίβεια 88,76% σε δοκιμές διασταυρούμενης επικύρωσης. Όταν δοκιμάστηκε σε εντελώς άγνωστα αντικείμενα σε σχέση με τα δεδομένα εκπαίδευσης, η απόδοση μειώθηκε στο 64%, υπογραμμίζοντας τις προκλήσεις της γενίκευσης μοντέλων σε εφαρμογές επιτήρησης του διαστημικού τομέα. Τα βασικά ευρήματα τονίζουν την κρίσιμη ανάγκη για μεγαλύτερα, πιο ποικίλα σετ δεδομένων και τα πιθανά οφέλη των τεχνικών ημι-επιβλεπόμενης μάθησης για την αξιοποίηση μη επισημασμένων δεδομένων. Η έρευνα καταλήγει προτείνοντας διάφορες βελτιώσεις, συμπεριλαμβανομένων στρατηγικών επέκτασης συνόλων δεδομένων και προηγμένων αρχιτεκτονικών νευρωνικών δικτύων, θέτοντας μια βάση για μελλοντικές εξελίξεις στα συστήματα διαστημικής επιτήρησης βασισμένα στην τεχνητή νοημοσύνη. Αυτά τα ευρήματα συμβάλλουν στην αυξανόμενη γνώση στην επίγνωση της διαστημικής κατάστασης και παρέχουν πρακτικές γνώσεις για την ανάπτυξη πιο ισχυρών συστημάτων βασισμένων στην τεχνητή νοημοσύνη για την παρακολούθηση και ταξινόμηση RSO.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Τσαπραΐλης Κωνσταντίνος
- Tsaprailis Konstantinos
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:5301709