Simple Science

Ciencia de vanguardia explicada de forma sencilla

# Física# Instrumentación y métodos astrofísicos# Aprendizaje automático

VERTECS: Misión CubeSat para Estudiar la Formación de Estrellas

VERTECS explora la luz cósmica antigua para revelar la evolución de estrellas y galaxias.

― 7 minilectura


VERTECS: La búsquedaVERTECS: La búsquedacósmica de un CubeSatla luz antigua.la formación de estrellas a través deLa misión tiene como objetivo descifrar
Tabla de contenidos

Nanosatélites, específicamente CubeSats, son satélites chiquitos que se han vuelto populares por sus bajos costos y tiempos de desarrollo rápidos. Estos satélites están diseñados para realizar tareas específicas, a menudo relacionadas con la recolección de datos y sensado. Una de estas misiones, llamada VERTECS, busca estudiar cómo se forman las estrellas observando la luz que viene del espacio profundo.

¿Qué es VERTECS?

VERTECS significa Visible Extra-galactic background RadiaTion Exploration by CubeSat. Esta misión es un esfuerzo conjunto que involucra a varios socios, incluyendo universidades y agencias espaciales. El objetivo de VERTECS es aprender sobre la historia de las estrellas y galaxias observando luz que ha viajado por el universo durante miles de millones de años.

El satélite usará un pequeño telescopio y sistemas de control especializados para obtener datos que los científicos puedan analizar en la Tierra. Sin embargo, hay desafíos. Estos satélites mini son limitados en memoria y tienen velocidades de transmisión de datos más lentas. Además, no hay suficientes estaciones terrestres disponibles para recibir todos los datos que el satélite recopila.

El reto de enviar datos

Enviar datos de vuelta a la Tierra desde el espacio se llama "downlinking". Para los CubeSats, la memoria limitada significa que no todos los datos se pueden almacenar. Además, el satélite puede que no pueda enviar todos los datos recopilados rápidamente, sobre todo porque debe comunicarse con estaciones terrestres en horarios específicos. Para resolver este problema, VERTECS utilizará un sistema a bordo que decide automáticamente qué imágenes son más importantes para enviar.

¿Cómo funciona el sistema?

El sistema en el satélite VERTECS usa un componente llamado Camera Controller Board (CCB). En su núcleo hay una Raspberry Pi, una computadora pequeña que ayuda a procesar las imágenes capturadas por la cámara del satélite. Utiliza una inteligencia artificial llamada Convolutional Neural Network (CNN) para evaluar y clasificar las imágenes.

Clasificando las imágenes, el sistema identifica cuáles son las más importantes para el estudio científico. Luego puede comprimir estas imágenes para hacerlas más pequeñas, facilitando su transmisión más rápida a la Tierra. Para las imágenes consideradas menos valiosas, el sistema puede optar por descartarlas o guardarlas para un análisis posterior.

Importancia de la luz de fondo extragaláctica

La luz que VERTECS busca estudiar se llama luz de fondo extragaláctica (EBL). Esta luz es un resplandor tenue que llena el universo y proviene de estrellas y galaxias a lo largo del tiempo. Estudiar esta luz brinda información sobre cómo ha evolucionado el universo.

Para detectar eficazmente la EBL, el telescopio del satélite debe estar diseñado para capturar diferentes longitudes de onda de luz. Usar un pequeño telescopio con un amplio campo de visión permite al CubeSat recoger los datos necesarios a pesar de su tamaño reducido.

¿Cuál es el rol del sistema de control de actitud?

Un componente esencial del satélite VERTECS es su Sistema de Control de Actitud y Órbita (AOCS). Este sistema asegura que el satélite mantenga la posición correcta en el espacio mientras recoge datos. Puede ajustar la orientación del satélite para enfocarse en objetivos específicos, seguir al Sol para energía y comunicarse eficazmente con las estaciones terrestres.

El AOCS consta de varias herramientas, incluidas ruedas de reacción y sensores, que trabajan juntas para estabilizar el satélite. Con estas capacidades, VERTECS puede recopilar eficientemente los datos necesarios para su misión.

Carga útil de imágenes de VERTECS

El sistema de imágenes en VERTECS le permite capturar imágenes detalladas del universo. El satélite está equipado con un telescopio que puede medir luz en varias longitudes de onda, desde 400 nm hasta 800 nm. Esta capacidad le permite tomar múltiples imágenes en diferentes bandas de luz, mejorando su output científico.

El diseño del telescopio incluye características como bafles que minimizan la interferencia de luz no deseada. Esto asegura que los datos recolectados sean limpios y útiles para analizar fenómenos cósmicos.

Comprimiendo los datos

Después de capturar imágenes, deben ser procesadas antes de enviarse de nuevo a la Tierra. El CCB determina qué imágenes son importantes, las comprime y las envía de vuelta. La compresión es esencial ya que reduce el tamaño de los datos, permitiendo descargas más rápidas.

Se consideran diferentes métodos de compresión para esta tarea, incluyendo GZip, RICE y HCOMPRESS. Cada método tiene sus ventajas y puede elegirse según la importancia de la precisión de los datos. La elección del método de compresión equilibra la necesidad de reducir el tamaño de los archivos mientras se preserva información crítica.

Usando inteligencia artificial para la clasificación

La clasificación de imágenes se realiza usando un modelo de CNN, que es un tipo de inteligencia artificial diseñada para analizar información visual. La CNN ayuda al satélite a distinguir entre imágenes útiles y no útiles. Fue entrenada en un conjunto de datos que simula lo que el satélite podría encontrar en el espacio.

El conjunto de datos incluye varios tipos de imágenes, como imágenes claras, borrosas y corruptas. Al enseñar a la CNN a reconocer estas diferentes categorías, el sistema puede tomar decisiones informadas sobre qué imágenes deberían ser priorizadas para su envío de vuelta.

Entrenando el modelo de CNN

Entrenar la CNN implicó subir numerosas imágenes para ayudarle a aprender. Fue entrenada usando una computadora potente y completó el proceso de aprendizaje en un corto período. El modelo fue probado para asegurar que pudiera clasificar las imágenes con precisión, y funcionó excepcionalmente bien.

Cuando se implementó el modelo entrenado en la Raspberry Pi a bordo del satélite, mantuvo su precisión y procesó las imágenes rápidamente. Esta velocidad es vital, ya que permite al satélite priorizar los datos más relevantes en tiempo real.

Resultados de las pruebas

Las pruebas del sistema de clasificación mostraron que logró casi una precisión perfecta al identificar imágenes. Esto significa que el sistema puede determinar de manera confiable qué imágenes son adecuadas para el análisis científico. El procesamiento a bordo no solo ahorra tiempo, sino que también permite mejor gestión de los recursos de comunicación limitados.

Además de la clasificación, las pruebas también se centraron en el rendimiento de los métodos de compresión. Los métodos elegidos fueron evaluados en cuán eficazmente reducían los tamaños de los archivos mientras mantenían intactos los datos esenciales. Los resultados mostraron tasas de compresión variables para diferentes algoritmos, permitiendo decisiones informadas basadas en los requerimientos de la misión.

Conclusión

VERTECS simboliza un avance en el uso de CubeSats para misiones científicas. Al integrar un sistema inteligente para la clasificación y compresión de datos, aborda los desafíos asociados con la memoria limitada a bordo y las velocidades de transmisión.

La misión promete mejorar nuestra comprensión del universo, ofreciendo valiosas perspectivas sobre la formación y evolución de estrellas y galaxias. A medida que continúa el desarrollo, la misión VERTECS busca mostrar las capacidades de los pequeños satélites, allanando el camino para futuras investigaciones y exploraciones en el espacio.

A través de innovaciones como las que se encuentran en VERTECS, el potencial de los pequeños satélites para contribuir significativamente al conocimiento científico se expande, prometiendo oportunidades emocionantes para investigadores y entusiastas por igual. Se espera que el lanzamiento y operación de VERTECS proporcionen datos valiosos que enriquecerán nuestra comprensión del cosmos.

Fuente original

Título: Data downlink prioritization using image classification on-board a 6U CubeSat

Resumen: Nanosatellites are proliferating as low-cost dedicated sensing systems with lean development cycles. Kyushu Institute of Technology and collaborators have launched a joint venture for a nanosatellite mission, VERTECS. The primary mission is to elucidate the formation history of stars by observing the optical-wavelength cosmic background radiation. The VERTECS satellite will be equipped with a small-aperture telescope and a high-precision attitude control system to capture the cosmic data for analysis on the ground. However, nanosatellites are limited by their onboard memory resources and downlink speed capabilities. Additionally, due to a limited number of ground stations, the satellite mission will face issues meeting the required data budget for mission success. To alleviate this issue, we propose an on-orbit system to autonomously classify and then compress desirable image data for data downlink prioritization and optimization. The system comprises a prototype Camera Controller Board (CCB) which carries a Raspberry Pi Compute Module 4 which is used for classification and compression. The system uses a lightweight Convolutional Neural Network (CNN) model to classify and determine the desirability of captured image data. The model is designed to be lean and robust to reduce the computational and memory load on the satellite. The model is trained and tested on a novel star field dataset consisting of data captured by the Sloan Digital Sky Survey (SDSS). The dataset is meant to simulate the expected data produced by the 6U satellite. The compression step implements GZip, RICE or HCOMPRESS compression, which are standards for astronomical data. Preliminary testing on the proposed CNN model results in a classification accuracy of about 100\% on the star field dataset, with compression ratios of 3.99, 5.16 and 5.43 for GZip, RICE and HCOMPRESS that were achieved on tested FITS image data.

Autores: Keenan A. A. Chatar, Ezra Fielding, Kei Sano, Kentaro Kitamura

Última actualización: Aug 27, 2024

Idioma: English

Fuente URL: https://arxiv.org/abs/2408.14865

Fuente PDF: https://arxiv.org/pdf/2408.14865

Licencia: https://creativecommons.org/licenses/by/4.0/

Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.

Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.

Artículos similares