Adaptive Relative Pose Estimation Framework with Dual Noise Tuning for Safe Approaching Maneuvers

Título: Marco de Estimación de Posición Relativa Adaptativa con Ajuste Dual de Ruido para Objetivos No Cooperativos

1. Planteamiento del Problema

La estimación precisa y robusta de la posición y orientación (pose) relativa de objetivos no cooperativos, como satélites abandonados (ej. el satélite ENVISAT de la ESA), es crítica para misiones de Remoción Activa de Desechos (ADR), servicio en órbita y conciencia situacional espacial.
Los principales desafíos identificados son:

• Condiciones adversas: Visibilidad limitada, dinámicas impredecibles y rendimiento incierto de los sensores.
• Incertidumbre en la detección: Los algoritmos de visión por computadora (como las CNN) sufren de ruido, vibración (jitter) y oclusiones parciales o totales, lo que genera mediciones intermitentes y ruidosas.
• Limitaciones de los filtros tradicionales: Los filtros de Kalman estándar asumen modelos de ruido fijos. En entornos espaciales reales, donde las condiciones de iluminación y visibilidad cambian dinámicamente (ej. eclipses), estos modelos estáticos conducen a estimaciones demasiado conservadoras o excesivamente confiantes, resultando en divergencia del filtro.

2. Metodología

El trabajo propone un pipeline completo que integra técnicas de visión por computadora con un filtro de Kalman No Lineal Adaptativo.

• Detección de Características (Visión):

  • Se utiliza una red neuronal convolucional ligera llamada TinyCornerNET (basada en U-Net++ con backbone ResNet-34) para detectar esquinas estructurales del objetivo en imágenes de la cámara del perseguidor (chaser).
  • Las coordenadas 2D detectadas se convierten a mediciones 3D utilizando un modelo de cámara de agujero de alfiler y parámetros intrínsecos/extrínsecos.
  • Se implementa un modelo de sensor LiDAR sintético (generado en Blender) que proporciona muestras de profundidad densas, las cuales se fusionan con las detecciones de esquinas.

• Filtrado (UKF):

  • Se emplea un Filtro de Kalman No Lineal (UKF) debido a su capacidad para manejar la no linealidad de la dinámica relativa sin necesidad de linearización (a diferencia del EKF).
  • El vector de estado de 12 componentes incluye posición, velocidad, actitud (parametrizada con Parámetros de Rodrigues Modificados - MRPs) y velocidad angular.

• Estrategia de Adaptación Dual (Núcleo de la Innovación):
  El sistema ajusta en línea dos matrices de covarianza clave:

  1. Ajuste Adaptativo de Ruido de Medición ($R$): Utiliza un Filtro de Consistencia de Innovación con un Factor de Ajuste Múltiple (MTF). Analiza la innovación (residuo entre medición y predicción) en tiempo real. Si la innovación supera lo esperado, se inyectan factores de corrección en la diagonal de $R$ para aumentar la incertidumbre de la medición y evitar actualizaciones erróneas debido a ruido o oclusiones.
  2. Ajuste Adaptativo de Ruido de Proceso ($Q$): Inspirado en el suavizado Rauch-Tung-Striebel (RTS), utiliza una matriz de covarianza cruzada entre puntos sigma propagados hacia adelante. Esto permite detectar discrepancias entre la dinámica modelada y la realidad (o falta de mediciones durante eclipses) y ajustar $Q$ dinámicamente sin necesidad de ventanas de tiempo fijas o conocimiento previo de los eclipses.

• Corrección de Sesgo LiDAR:
  Se introduce un estado adicional de sesgo de profundidad LiDAR en el vector de estado para compensar las desviaciones sistemáticas entre los puntos LiDAR y las esquinas proyectadas, mejorando la fusión de sensores.

3. Contribuciones Clave

• Marco de Ajuste Dual en Línea: Es la primera aplicación integrada de adaptación de $Q$ inspirada en RTS junto con ajuste de $R$ basado en innovación para navegación relativa monocular en el espacio, sin necesidad de procesamiento por lotes o programación de eclipses.
• Robustez ante Incertidumbre: El sistema mantiene la consistencia del filtro tanto durante condiciones de medición ruidosa como durante periodos de pérdida total de visibilidad (eclipses).
• Modelo de Sensor Híbrido: Integración de un modelo LiDAR sintético con corrección de sesgo, complementando las mediciones visuales para mejorar la estimación de la actitud.
• Arquitectura Eficiente: Diseño computacionalmente ligero (TinyCornerNET + UKF) adecuado para la implementación a bordo en entornos con recursos limitados.

4. Resultados

Los resultados se evaluaron mediante simulaciones de alta fidelidad utilizando un modelo realista del satélite ENVISAT en Blender, comparando el enfoque propuesto contra filtros estáticos y métodos bayesianos variacionales.

• Precisión: El filtro adaptativo dual (MTF + $Q_{adaptive}$) logró los valores de Error Cuadrático Medio (RMSE) más bajos en casi todas las 12 variables de estado, tanto en condiciones de iluminación nominal como durante eclipses.
• Estabilidad en Eclipses: Durante los periodos de eclipse (35.57 minutos), el filtro no adaptativo mostró una divergencia significativa y una subestimación de la incertidumbre (covarianza demasiado optimista). En contraste, el filtro adaptativo mantuvo límites de error acotados y recuperó la precisión rápidamente al salir del eclipse.
• Consistencia del Filtro (SNEES): El análisis del Error Cuadrático Normalizado Escalado (SNEES) mostró que el método adaptativo mantiene valores cercanos a 1 (indicando consistencia estadística), mientras que los filtros estáticos mostraron sobreconfianza (SNEES > 1) o conservadurismo excesivo (SNEES < 1).
• Frecuencia de Muestreo: El sistema demostró robustez incluso con actualizaciones de medición intermitentes (0.1 Hz), simulando latencias de sensores reales.

5. Significado e Impacto

Este trabajo representa un avance significativo hacia la navegación relativa autónoma y robusta para operaciones de proximidad en el espacio.

• Seguridad Espacial: Mejora la viabilidad de misiones de remoción de desechos (ADR), reduciendo el riesgo de colisiones y contribuyendo a la sostenibilidad del entorno de órbita baja terrestre (LEO) y la prevención del Síndrome de Kessler.
• Operatividad Realista: Al eliminar la necesidad de ajuste manual de parámetros o conocimiento previo de eventos como eclipses, el sistema está listo para ser desplegado en misiones reales donde las condiciones son impredecibles.
• Futuro: El marco sienta las bases para futuras extensiones hacia la localización y mapeo simultáneo (SLAM) con objetos desconocidos y la estimación de propiedades físicas del objetivo (como el tensor de inercia) para operaciones de captura.

En resumen, la propuesta ofrece una solución integral que combina visión artificial, aprendizaje profundo y filtrado adaptativo avanzado para superar las limitaciones de los sistemas de navegación actuales en entornos espaciales hostiles.