Wetenschappers hebben een innovatieve methode ontwikkeld om de detectie van zwakke, bewegende objecten in de ruimte te optimaliseren. Door gebruik te maken van een geavanceerde deep-learning pipeline kunnen sterren automatisch uit astronomische beelden worden verwijderd en de achtergrond nauwkeurig worden gereconstrueerd, wat de zichtbaarheid van objecten met een lage signaal-ruisverhouding aanzienlijk vergroot.
Het detecteren van dergelijke objecten is een grote uitdaging binnen de Space Situational Awareness (SSA), zeker in de cislunaire omgeving (X-GEO). In dit gebied bemoeilijken dichte sterrenvelden, reflecties van maanlicht en complexe hemelachtergronden het werk van traditionele algoritmen. Om dit op te lossen, introduceerden onderzoekers een systeem dat twee specifieke AI-technieken combineert. Volgens een publicatie op arxiv.org maakt de pipeline gebruik van een lichtgewicht segmentatienetwerk, genaamd 'Tiny-U-Net', samen met een 'astro-VAE' (een partial-convolution variational autoencoder).
In dit proces wordt de Tiny-U-Net ingezet om maskers van sterren te creëren. De astro-VAE leert vervolgens de statistische kenmerken van de astronomische achtergrond om de gemaskeerde delen contextueel in te vullen. Door deze reconstructie worden vaste lichtbronnen en onregelmatigheden in de achtergrond onderdrukt, waardoor bewegende doelen beter opvallen. Deze aanpak is geïntegreerd in een 'shift-and-stack'-schema en is getest met echte waarnemingen van grondtelescopen gericht op de X-GEO-regio. Zoals beschreven in de technische documentatie op catalyzex.com, resulteert dit in ster-vrije achtergronden met een hoge getrouwheid, waarbij de detecteerbaarheid van zwakke objecten toeneemt.
Het onderzoek is een internationale samenwerking tussen instellingen zoals de Maastricht University, de University of Arizona en de Polytechnic University of Bari. De resultaten zijn geaccepteerd voor de SPAICE 2026-conferentie, een evenement van de European Space Agency dat zich richt op kunstmatige intelligentie in en voor de ruimtevaart.
De ontwikkeling van deze technologie is van groot strategisch belang. Space Situational Awareness is een fundamenteel onderdeel van het ruimteprogramma van de Europese Unie. Volgens de europa.eu is SSA een onderdeel van het ruimteprogramma van de Europese Unie en dient het om vitale satellieten te beschermen tegen zowel natuurlijke dreigingen als door mensen veroorzaakte gevaren.
Binnen het bredere kader van de Europese ruimtepolitiek richt SSA zich op diverse domeinen. Zoals uiteengezet op de portal van europa.eu, omvat dit onder meer Space Surveillance and Tracking (SST), de monitoring van Near-Earth Objects (NEO) en het volgen van Space Weather Events (SWE). Het uiteindelijke doel is om de continuïteit van essentiële diensten zoals navigatie, communicatie en aardobservatie te garanderen.
De problematiek rondom objectherkenning in de ruimte is reeds langer bekend. Eerdere wetenschappelijke studies hebben aangetoond dat detectie van dergelijke objecten uitdagend is bij oudere detectiemethoden. De nieuwe data-gestuurde benadering met Variational Autoencoders biedt een effectieve oplossing om deze specifieke optische ruisproblemen aan te pakken en de veiligheid in de steeds drukker wordende ruimte te verhogen.