Wielozadaniowe podejście oparte na sztucznej inteligencji do niezawodnego i skutecznego wykrywania, odszumiania i określania orbit w ramach systemu

Głównym celem projektu jest opracowanie narzędzi głębokiego uczenia w przetwarzaniu zobrazowań astronomicznych na potrzeby SST (Space Surveillance and Tracking). Ważnym elementem będzie również integracja różnych typów danych astronomicznych takich jak obrazy, informacje tekstowe, czy pliki TLE w celu wzbogacenia procesu uczenia o dodatkowe informacje niewystępujące w samych obrazach. Projekt uwzględni różne dziedziny przetwarzania obrazów takie jak detekcja obiektów, czy odszumianie oraz ekstrakcja danych w zastosowaniach astronomicznych na potrzeby estymacji orbit obiektów orbitalnych. W ramach projektu opracowany zostanie szereg metod oraz narzędzi do analizy rozwiązań opartych na głębokich sieciach neuronowych oraz hybrydowych algorytmach, łączących klasyczne metody przetwarzania obrazu oraz algorytmy uczące. Ponadto, rozważone zostaną sieci neuronowe oparte na prawach fizyki (Physics-informed neural networks) w kontekście wzbogacenia procesu uczącego oraz zwiększenia wiarygodności pozyskiwanych informacji. Projekt skupi się również na analizie zagadnień przetwarzania obrazów w niekorzystnych warunkach atmosferycznych oraz wysokim poziomie szumu pomiarowego, charakterystycznym dla zobrazowań teleskopowych. Metody interpretowalności zostaną również wprowadzone, co jest kluczowe dla zastosowań krytycznych w podejmowaniu decyzji przez operatorów systemów SST.

Ostatecznie, projekt ma na celu opracowanie metod możliwych do implementacji na różnych etapach łańcucha przetwarzania zobrazowań astronomicznych, ich analizę pod kątem skuteczności i dokładności działania, a także przejrzystości działania, co może być kluczową zaletą w silnie zautomatyzowanych systemach SST.