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

Título: Framework de Estimativa de Pose Relativa Adaptativa com Ajuste Duplo de Ruído para Alvos Não Cooperativos

1. Problema e Contexto

A estimativa precisa e robusta da pose relativa (posição e orientação) de alvos não cooperativos, como satélites abandonados (ex: o satélite ENVISAT da ESA), é crítica para missões futuras de Remoção Ativa de Detritos (ADR), serviço em órbita e consciência situacional espacial.
Os principais desafios identificados são:

• Condições adversas: Variações severas de iluminação, oclusões parciais ou totais e dinâmicas imprevisíveis.
• Incertezas de Sensor: Limitações de câmeras, jitter e ruído que afetam a detecção de características visuais.
• Limitações dos Filtros Tradicionais: Filtros de Kalman convencionais (como o EKF ou UKF padrão) assumem modelos de ruído fixos (matrizes de covariância de processo $Q$ e de medição $R$). Em cenários espaciais reais, essas matrizes fixas não capturam a variabilidade dinâmica, levando a estimativas excessivamente conservadoras ou, inversamente, a perdas de confiança (overconfidence) durante falhas de medição (ex: eclipses).

2. Metodologia Proposta

O trabalho apresenta um pipeline completo que integra visão computacional baseada em aprendizado profundo com um Filtro de Kalman Não Adaptativo (UKF - Unscented Kalman Filter) aprimorado por uma estratégia de Ajuste Duplo de Ruído Adaptativo.

• Detecção Visual (CNN):

  • Utiliza uma rede neural convolucional leve chamada TinyCornerNET (baseada em U-Net++ com backbone ResNet-34) para detectar cantos estruturais do satélite alvo a partir de imagens monoculares.
  • As coordenadas 2D detectadas são convertidas em medições 3D utilizando um modelo de câmera de pinhole e parâmetros intrínsecos/extrínsecos.
  • Um modelo de simulação de alta fidelidade foi desenvolvido no Blender para gerar dados sintéticos realistas, incluindo iluminação solar, sombras e oclusões, validando o algoritmo contra uma "verdade terrestre" (ground truth).

• Filtragem e Dinâmica (UKF):

  • O UKF é escolhido por sua capacidade de lidar com a não linearidade das dinâmicas relativas de movimento (equações de Clohessy-Wiltshire modificadas para o caso de satélites) e rotação (parametrizada por MRPs - Modified Rodrigues Parameters).
  • O estado estimado inclui posição, velocidade, atitude (MRPs) e velocidades angulares relativas.

• Estratégia de Ajuste Duplo (Dual Noise Tuning):
  Esta é a contribuição central do trabalho, onde o filtro adapta suas matrizes de covariância em tempo real:

  1. Ajuste Adaptativo de $R$ (Ruído de Medição):
     • Utiliza um filtro de consistência de inovação baseado em um Fator de Ajuste Múltiplo (MTF - Multiple Tuning Factor).
     • Monitora o crescimento da inovação (resíduo entre medição e predição) em tempo real. Se a inovação exceder o esperado, o filtro aumenta a covariância de medição $R$ para reduzir a confiança na medição ruidosa, protegendo-se contra detecções espúrias ou oclusões.
  2. Ajuste Adaptativo de $Q$ (Ruído de Processo):
     • Inspirado no suavizador de Rauch-Tung-Striebel (RTS), mas aplicado de forma recursiva e online.
     • Calcula uma matriz de covariância cruzada ($D_k$) entre os pontos sigma propagados e o estado atual.
     • Durante períodos sem medições (como eclipses), o filtro detecta o crescimento da incerteza não modelada e ajusta dinamicamente a covariância de processo $Q$ para inflar a incerteza do estado de forma direcional, evitando que o filtro se torne "excessivamente confiante" (overconfident) sem dados.

• Melhoria com LiDAR (Bias Correction):

  • Foi introduzido um modelo de sensor LiDAR sintético para complementar a visão.
  • Para lidar com desvios sistemáticos entre os pontos LiDAR e as projeções dos cantos detectados pela câmera, o vetor de estado foi aumentado com uma variável de viés de profundidade do LiDAR ($b$). O filtro estima e corrige esse viés online, melhorando a precisão, especialmente nos estados rotacionais.

3. Principais Contribuições

1. Arquitetura Integrada: Primeiro trabalho conhecido a aplicar um ajuste adaptativo de $Q$ inspirado em RTS combinado com ajuste de $R$ baseado em inovação para navegação relativa baseada em visão monocular no espaço.
2. Estratégia de Ajuste Duplo Online: Elimina a necessidade de agendamento prévio de eclipses ou sintonia manual de parâmetros, permitindo que o filtro responda dinamicamente a mudanças nas condições de visibilidade e dinâmica não modelada.
3. Correção de Viés LiDAR: Desenvolvimento de um esquema de fusão de sensores que inclui a estimação de viés do LiDAR, aumentando a robustez contra discrepâncias geométricas.
4. Simulação de Alta Fidelidade: Criação de um ambiente de simulação no Blender com iluminação realista e modelo ENVISAT, superando abordagens anteriores baseadas em MATLAB ou Python puro.

4. Resultados

Os resultados foram validados através de extensas simulações de Monte Carlo (100 execuções) em cenários com e sem eclipse, comparando o filtro adaptativo proposto contra filtros estáticos e métodos bayesianos variacionais anteriores.

• Precisão (RMSE): O framework adaptativo duplo ($Q_{adapt} + MTF$) apresentou os menores erros quadráticos médios (RMSE) em todos os 12 estados (posição, velocidade, atitude, velocidade angular), superando significativamente os filtros sem adaptação, especialmente durante os eclipses.
• Robustez em Eclipses: Durante o eclipse (35,57 minutos), o filtro não adaptativo divergiu e perdeu a consistência (covariância subestimada), enquanto o filtro adaptativo manteve limites de erro ($3\sigma$) apertados e rastreou a evolução real do erro.
• Consistência do Filtro (SNEES): A métrica SNEES (Scaled Normalized Estimation Error Squared) mostrou que o filtro adaptativo atingiu valores próximos de 1 (indicando consistência estatística perfeita), enquanto o filtro não adaptativo mostrou valores de 1.101 (excesso de confiança) ou 0.588 (excesso de conservadorismo).
• Frequência de Atualização: O sistema manteve a robustez mesmo com taxas de atualização de medição reduzidas (0.1 Hz), simulando atrasos ou perdas de pacotes.

5. Significado e Impacto

Este trabalho avança significativamente a capacidade de navegação autônoma para operações de proximidade no espaço.

• Segurança: Aumenta a segurança das missões ADR ao garantir que o satélite "caçador" (chaser) mantenha uma estimativa de pose confiável mesmo quando a visão é bloqueada ou degradada.
• Viabilidade de Voo: A abordagem é computacionalmente eficiente (não iterativa, sem necessidade de processamento em lote), tornando-a adequada para implementação em hardware embarcado a bordo de satélites.
• Futuro: O framework estabelece as bases para operações mais complexas, como SLAM (Localização e Mapeamento Simultâneo) com objetos desconhecidos e a estimação de propriedades físicas do alvo (como matriz de inércia) para planejamento de captura.

Em resumo, a proposta oferece uma solução robusta e dinâmica para a navegação relativa em ambientes espaciais hostis, superando as limitações dos métodos estáticos tradicionais através de uma adaptação inteligente e em tempo real dos modelos de ruído.