Riassunto analitico
Negli ultimi anni, sempre più attenzione è stata posta dalle agenzie spaziali governative come NASA, ESA e CNSA all'esplorazione dello spazio oltre la Terra. L'obiettivo principale delle missioni spaziali è quello di colmare il divario di conoscenza su come l'universo - e il nostro pianeta al suo interno - funziona ed eventualmente intercettare la presenza di materiali interessanti, o anche di vita, in altri pianeti. Tra le diverse importanti missioni spaziali, la nostra ricerca si concentra su MARS EXPRESS, una missione dell'ESA, iniziata nel 2003 con il lancio di un satellite che da allora orbita attorno a Marte. Il satellite è dotato di diversi strumenti, tra cui il radar MARSIS (Mars Advanced Radar for Subsurface and Ionosphere Sounding). MARSIS è gestito dall'Istituto Nazionale Italiano di Astrofisica (INAF) e ha lo scopo di osservare il sottosuolo di Marte per mappare la presenza di acqua sotterranea. Il nostro ruolo in questo contesto è quello di ottimizzare l'uso di risorse, come il tempo e la memoria consumati durante l'esecuzione dell'attività, e quindi produrre un programma ottimizzato e fattibile di osservazioni. Il problema di ottimizzazione risultante, che chiamiamo Marsis Observation Scheduling Problem (MOSP), è stato modellato e risolto con un modello di programmazione lineare intera, mentre algoritmi di machine learning sono stati utilizzati per supportare la ricerca di decisioni ottimali, fornendo previsioni sulla qualità delle osservazioni future. Diversi scenari sono stati analizzati testando diverse configurazioni operative del radar, dimostrando la flessibilità e efficienza del metodo proposto. Le soluzioni ottenute sono state presentate al team INAF e sono in fase di test sul radar.
|
Abstract
In recent years, more and more attention has been posed from government space agencies such as NASA, ESA and CNSA on the exploration of space beyond Earth. The main objective of space missions is to fill the knowledge gap on how the universe - and our planet inside it - works, and possibly intercept the presence of interesting materials, or even life, in other planets. Among different important space missions, our research focuses on MARS EXPRESS, a mission of ESA, that started in 2003 by the launch of a satellite that since then is orbiting around Mars. The satellite is equipped with several instruments, among which the radar MARSIS (Mars Advanced Radar for Subsurface and Ionosphere Sounding). MARSIS is managed by the Italian National Institute of Astrophysics (INAF) and has the purpose of observing Mars' subsurface in order to map the presence of underground water. Our role in this framework is to optimize the use of resources such as time and memory consumed during the task execution and hence produce an optimized and feasible schedule of MARSIS observations. The resulting optimization problem, which we call Marsis Observation Scheduling Problem (MOSP), has been modeled and solved with an Integer Linear Programming model, while Machine Learning algorithms have been used to support the search for optimal decisions by providing predictions on the quality of the future observations. Different scenarios have been analyzed by attempting several operating configurations of the radar, proving the flexibility and efficiency of the combined algorithm. The solutions obtained have been presented at the INAF team and are being tested on the radar.
|
