De navigatie van autonome ruimtevaartuigen steunt op het vermogen om de eigen positie nauwkeurig te bepalen ten opzichte van de sterrenhemel. Traditionele methoden voor deze oriëntatiebepaling, vaak aangeduid als 'Lost-in-Space'-algoritmen, kampen echter vaak met een hoge rekenlast en een grote gevoeligheid voor ruis vanuit sensoren. Om deze problemen aan te pakken, is een innovatieve multi-modale transformer-architectuur ontwikkeld onder de naam Star-Fusion.
Volgens een wetenschappelijke publicatie op arxiv.org maakt dit nieuwe systeem gebruik van geavanceerde kunstmatige intelligentie om de nauwkeurigheid en snelheid van de positiebepaling te verbeteren. De kern van de innovatie ligt in de manier waarop de hemelbol wordt geanalyseerd. In de astronomie wordt een britannica.com beschouwd als een lichtgevende bol van gas, en het in kaart brengen van deze objecten is cruciaal voor navigatie. Echter, omdat de ruimte een niet-Euclidische topologie heeft, lopen standaard deep learning-modellen vaak vast op periodieke randvoorwaarden bij de declinatie en rechte klimming.
Dit specifieke probleem, bekend als 'coordinate wrapping', kan ertoe leiden dat kleine meetfouten resulteren in grote onjuistheden in de uiteindelijke positiebepaling. Om dit te voorkomen, hebben May Hammad en haar team de oriëntatieschatting omgevormd tot een discrete topologische classificatietaak. In plaats van te focussen op exacte coördinaten, hanteert Star-Fusion sferische K-Means clustering. Hierdoor wordt de hemelbol opgedeeld in topologisch consistente regio's, wat de foutgevoeligheid bij de overgang tussen verschillende coördinaten minimaliseert.
De technische kracht van Star-Fusion berust op een tripartite fusiestrategie. Hierbij worden drie verschillende analysestromen gecombineerd: een SwinV2-Tiny transformer-backbone voor fotometrische extractie, een convolutionele heatmap-tak voor ruimtelijke gronding en een coordinate-based Multi-Layer Perceptron (MLP) voor geometrische verankering. Door deze integratie kan het systeem effectiever omgaan met sensorruis dan oudere algoritmen, zoals beschreven in de .
De prestaties van het model zijn getest met een synthetische dataset gebaseerd op de Hipparcos-catalogus. De resultaten tonen een Top-1 nauwkeurigheid van 93,4% en een Top-3 nauwkeurigheid van 97,8%. Naast de precisie is vooral de snelheid van het systeem opvallend. De inferentielatentie bedraagt slechts 18,4 milliseconden wanneer het model wordt uitgevoerd op commercieel verkrijgbare hardware (COTS).
Deze lage rekenlast maakt Star-Fusion bijzonder geschikt voor real-time implementatie aan boord van satellieten. Dit is vooral relevant voor de nieuwste generatie satellietconstellaties, waarbij autonome navigatie een kritieke vereiste is. Het onderzoek, dat oorspronkelijk op 29 april 2026 werd ingediend en op 31 augustus 2026 is bijgewerkt, is gecategoriseerd onder computer vision en kunstmatige intelligentie op . Hiermee wordt een belangrijke stap gezet in de verschuiving van zware, traditionele navigatiesoftware naar efficiënte, AI-gestuurde systemen voor de moderne ruimtevaart.