Des algorithmes de deep learning pour éliminer les débris spatiaux

Comment mesurer la pose – rotation 3D et translation 3D – d’un débris spatial de sorte qu’un satellite ramasseur puisse le capturer en temps réel puis le retirer de l’orbite terrestre ? Quel rôle joueront les algorithmes d’apprentissage profond ? Et qu’est-ce que le temps réel dans l’espace ? Ce sont quelques-unes des questions abordées dans un projet révolutionnaire, dirigé par une spin-off de l’EPFL, ClearSpace, pour développer des technologies visant à capturer les débris spatiaux et à les retirer de leur orbite.

Retirer les plus de 34 000 débris en orbite autour de la Terre est devenu une nécessité pour des raisons de sécurité. Au début du mois, un ancien satellite de navigation soviétique Parous et une fusée chinoise ChangZheng-4c ont été impliqués dans une quasi-collision. En septembre, la Station spatiale internationale (SSI) a manœuvré pour éviter une collision possible avec un débris spatial inconnu, alors que l’équipage de l’Expédition 63 de la SSI s’était rapproché de son vaisseau Soyouz MS-16 pour préparer une éventuelle évacuation. Si des débris s’accumulent sans cesse, les collisions entre satellites pourraient devenir monnaie courante, rendant l’accès à l’espace dangereux.

ClearSpace-1, la première mission de l’entreprise prévue en 2025, permettra de récupérer l’étage supérieur Vespa désormais obsolète, un adaptateur de charge utile en orbite à 660 kilomètres d’altitude qui faisait partie de la fusée Vega de l’ESA. L’objectif est de s’assurer qu’il réintègre l’atmosphère et brûle de manière contrôlée.

L’un des premiers défis est de permettre aux bras robotiques d’une fusée de capture d’approcher le Vespa depuis l’angle adapté. À cette fin, elle utilisera une caméra fixée, « ses yeux », pour localiser le débris spatial afin de capturer le Vespa et de le ramener dans l’atmosphère. « Une des priorités est de développer des algorithmes d’apprentissage profond pour estimer avec fiabilité la pose 6D (3 rotations et 3 translations) de la cible à partir de séquences vidéo, même si la prise d’images dans l’espace est difficile. Elles peuvent être surexposées ou sous-exposées avec de nombreuses images réfléchissantes », affirme Mathieu Salzmann, qui conduit le projet au Computer Vision Laboratory de l’EPFL sous la direction du professeur Pascal Fua, au sein de la Faculté informatique et communications.

Mais il y a un hic. Personne n’a vraiment vu le Vespa depuis sept ans car il tourne dans le vide dans l’espace. Nous savons qu’il mesure 2 mètres de diamètre, avec des fibres de carbone foncées et légèrement brillantes, mais ressemble-t-il encore à cela ?

Le Realistic Graphics Lab de l’EPFL réalise des simulations de ce débris comme support didactique pour aider les algorithmes d’apprentissage profond de Mathieu Salzmann à se perfectionner au fil du temps. « Nous produisons une base de données d’images de synthèse de l’objet cible, avec un arrière-plan de la Terre reconstitué à partir de l’imagerie satellitaire hyperspectrale et un modèle 3D détaillé de l’étage supérieur Vespa. Ces images de synthèse reposent sur des mesures d’échantillons réels de panneaux en aluminium et en fibres de carbone, prises à l’aide du goniophotomètre de notre laboratoire. Ce grand robot tourne autour d’un échantillon de test pour l’éclairer et l’observer simultanément depuis de nombreuses directions différentes. Il nous fournit une multitude d’informations sur l’apparence du matériau », affirme le professeur adjoint Wenzel Jakob, directeur du laboratoire. Une fois la mission lancée, les chercheurs pourront capturer des images réelles au-delà de notre atmosphère et modifier les algorithmes pour s’assurer qu’ils fonctionnent in situ.

Un troisième défi sera de travailler dans l’espace, en temps réel et avec une puissance de calcul limitée à bord du satellite de capture ClearSpace. Miguel Peón, collaborateur post-doctoral principal du laboratoire des systèmes embarqués de l’EPFL dirige les travaux de transfert des algorithmes d’apprentissage profond vers une plateforme matérielle dédiée. « Le déplacement dans l’espace fonctionnant bien, les algorithmes d’estimation de pose peuvent combler les manques entre les reconnaissances espacées d’une seconde, réduisant la pression de calcul. Toutefois, pour qu’ils puissent faire face à toutes les incertitudes dans la mission de manière autonome, les algorithmes sont si complexes que leur mise en œuvre nécessite de recourir à toutes les performances des ressources de la plateforme », déclare David Atienza, directeur de l’ESL.

De toute évidence, concevoir des algorithmes qui sont totalement fiables dans des conditions si difficiles et relativement inconnues et qui s’exécutent en temps réel au moyen de ressources de calcul limitées est un défi de taille. Pour Mathieu Salzmann, cela fait partie du côté passionnant du projet : « Nous devons être parfaitement fiables et solides. Du point de vue de la recherche, on peut se contenter d’être satisfait à 90 %, mais dans une vraie mission on ne peut pas se permettre cela. Mais peut-être que l’aspect le plus intéressant du projet est que nous développons un algorithme qui fonctionnera finalement dans l’espace. Je trouve cela tout à fait incroyable et c’est ce qui me motive chaque jour ! »

Ce travail novateur a été réalisé avec le soutien de l'équipe de Microsoft for Startups, qui a fourni la puissance de calcul d'Azure.