Online learning methods for improvement of telescope pointing for high-speed tracking applications

Abstract

Die Fähigkeit, Satelliten und Weltraumschrott in der erdnahen Umlaufbahn präzise verfolgen zu können, hat in den letzten Jahren an Bedeutung gewonnen. Einerseits wird dadurch optische Freiraumkommunikation ermöglicht, welche die Grenzen der Radiowellensatellitenkommunikation überwinden kann. Andererseits erlaubt es eine genauere Weltraumschrottuntersuchung, insbesondere durch Reflexionsspektroskopie, wodurch die Umlaufbahnen von Weltraumschrott besser vorhergesagt und Kollisionen vermieden werden können. In beiden Fällen bieten sich transportierbare Teleskopsysteme als kosteneffiziente und universell einsetzbare Lösungen an. Allerdings sind transportierbare Aufbauten beträchtlichen Umwelteinflüssen ausgesetzt, oftmals an sehr exponiertenOrten aufgestellt und müssen mit kompakten, weniger starren Stützstrukturen auskommen. Infolgedessen ist der Pointingfehler von State-of-the-Art transportierbaren Systemen 5 bis 40 mal größer als gewollt. Diese Arbeit beschreibt die Entwicklung erweiterter, durch regelmäßige Updates aktualisierter, Pointingmodelle für ein kleines, transportierbares Teleskopsystem, um die hochpräzise Verfolgung von Weltraumobjekten in der erdnahen Umlaufbahn zu ermöglichen. Zur Verbesserung der Pointinggenauigkeit werden die Ursachen für die progressive Verschlechterung mit der Zeit untersucht. Hauptaugenmerk der Arbeit ist dabei die Anpassung von Pointingmodellen durch Online Learning Methoden. Dadurch können umweltbedingte und strukturelle Veränderungen berücksichtigt werden, ohne ein neues Modell erstellen zu müssen. Die Verfolgung von Satelliten in der erdnahen Umlaufbahn bestätigt die Übertragbarkeit der Pointingverbesserung auf die Nachführgenauigkeit des Teleskops. Statische Langzeitmessungen ergeben einen Drift des Pointingfehlers um 40′′ von ursprünglich 20′′ RMS auf 60′′ RMS in den frühen Abend- und Nachtstunden. Die Anwendung von Online Learning Methoden wirkt dem entgegen und hält den statischen Pointingfehler auf durchschnittlich 19′′ RMS. Eine zusätzliche Analyse der Pointingund Updatealgorithmen bestätigt das Potenzial von Multi-Start Optimierung, Feature Selection und Elevationsbegrenzung, die Robustheit und Wirksamkeit von Pointingupdateszu erhöhen. Die Nachführgenauigkeit, bei der Verfolgung erdnaher Satelliten,konnte dadurch, im Vergleich zu herkömmlichen Pointingmodellen, um den Faktor 4 auf 28′′ RMS verbessert werden.

The ability to precisely track Low Earth Orbit (LEO) satellites and space debris has become increasingly relevant over the last decade. On the one hand, it is used for free-space optical satellite communication, which is a key technology to overcome the limitations of radio frequency satellite communication and provide sufficient margins for future deep-space missions. On the other hand, it enables detailed space debris observation, in particular reflectance spectroscopy, providing more accurate orbit predictions for collision avoidance. For both applications, portable telescope systems would allow flexible operation, providing a cost-efficient and easily distributable solution. However, a transportable setup experiences significant impact of the environment, is often situated in unsheltered locations and is limited to a compact less rigid support structure. As a result, the pointing error of State-of-the-Art portable systems is 5 to 40 times larger than desired.This thesis presents the development of advanced pointing models with onlineupdates for a small portable telescope system, enabling high-precision tracking of LEO objects. In order to improve upon the currently achievable pointing precision, the underlying causes for the gradual degradation of the pointing precision over time are investigated. The primary focus of the thesis is the integration of online learning methods into the pointing model, thereby compensating environmental and structural changes without needing to develop a new model. The transferability of the pointing improvement onto the tracking error of the telescope is validated by tracking satellites in LEO.Long-term static pointing measurements reveal a pointing error drift of 40′′ from an initial 20′′ RMS to more than 60′′ RMS during twilight and early night hours. Applying online learning methods keeps the static pointing error at 19′′ RMS. Further analysis and improvement of the pointing and update algorithms such as multi-start optimization, feature selection and altitude restriction are a viable way of increasing the robustness and efficacy of the pointing model update, demonstrating a tracking error reduction, when tracking LEO satellites, by a factor 4 to 28" RMS. Augmenting the pointing model of a small portable telescope system with online updates, therefore, outperforms the achieved tracking error, when using traditional pointing models, considerably.