MARC

 008250123s2024        us                              c    eng  d
■001000017163509
■00520250211152717
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384053699
■035    ▼a(MiAaPQ)AAI31489364
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.1
■1001  ▼aOliver,  Rachel.▼0(orcid)0000-0001-7146-429X
■24513▼aAn  Event-Based  Vision  Sensor  Simulation  Framework  for  Space  Domain  Awareness  Applications
■260    ▼a[Sl]▼bCornell  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a385  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Savransky,  Dmitry.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2024.
■520    ▼aEvent-based  vision  sensors  (EVS)  provide  a  unique  opportunity  for  Space  Domain  Awareness  (SDA)  applications.  Inspired  by  the  human  eye,  these  sensors  operate  on  the  principle  of  change  detection  and  each  pixel  functions  independently  and  asynchronously  from  the  other  pixels.  Pixels  trigger  events  when  a  change  in  light  intensity  occurs.  The  sensor  records  events  as  a  sparse  time  series  output  with  microsecond  level  of  precision.  The  space  sensing  community  is  interested  in  this  technology  due  to  wide  dynamic  range  achieved  by  the  operating  in  the  log  scale,  the  minimal  data  produced  for  a  relatively  static  scene  where  changes  in  intensity  are  infrequent,  and  the  temporal  precision  that  opens  opportunities  to  capture  information  on  fast  moving  space  objects  where  traditional  frame  imaging  is  not  an  option.  As  a  relatively  inexpensive  sensor  with  technical  capabilities  well  suited  for  tracking,  they  could  augment  existing  ground-based  systems  or  be  a  primary  sensor  on-board  a  spacecraft.  EVS  are  uniquely  suited  for  space-based  operations.  With  low  size,  weight,  power,  and  data  requirements,  they  easily  fit  into  tight  engineering  budgets  for  space  systems.  The  data  may  even  be  well  suited  for  on-board  processing  due  to  its  sparsity.  Despite  all  these  advantages,  the  sensors  are  not  ready  to  implement  into  SDA  operations.  Creating  algorithms  to  handle  the  time  series  data  and  optimizing  the  sensor  for  low-light  imaging  are  areas  of  active  research  to  improve  the  utility  of  these  sensors  as  tools  for  SDA.  To  support  these  efforts,  I  develop  physics-based  end-to-end  model  for  event-based  sensing  of  resident  space  objects  (RSOs).  This  model  adapts  previous  synthetic  event  generation  methods  to  operate  with  photon  flux  input  and  precise  measures  of  current.  By  implementing  a  model  of  pixel  readout  with  microsecond-level  precision  and  developing  methods  to  model  noise  based  on  dark  and  induced  current  levels,  I  improve  the  accuracy  of  the  frequency  and  polarity  of  the  events  produced.  This  accuracy  is  necessary  to  extrapolate  sensor  performance  from  the  model  and  to  generate  synthetic  events  to  feed  algorithmic  development.  I  also  contribute  to  event-based  algorithms  through  development  of  an  online  non-frame  based  tracking  algorithm.  In  order  to  validate  the  sensor  model  and  train  the  classifying  portions  of  my  tracking  algorithms,  I  develop  batch-based  clustering  methods  that  leverage  the  temporal  dimension  which  improves  the  labeling  of  events  between  star  and  noise  by  31.8%.  Through  exploration  of  different  grouping  and  classifying  methods  for  the  tracking  algorithm,  I  attain  a  maximum  of  94.5%  group  agreement  with  the  batch  clustered  data  and  a  97.6%  true  positive  rate  and  99.9%  true  negative  rate  when  classifying  satellites  on  a  validation  data  set.  Star  classification  performance  is  slightly  lower  at  a  96.7%  true  positive  rate  and  96.5%  true  negative  rate.  The  tracking  algorithm's  success  on  this  one  set  of  data  suggests  promising  performance  from  these  sensors  in  future  SDA  applications.
■590    ▼aSchool  code:  0058.
■650  4▼aAerospace  engineering
■650  4▼aMechanical  engineering
■650  4▼aAstronomy
■653    ▼aEvent  generation  simulation
■653    ▼aEvent-based  sensing
■653    ▼aNeuromorphic  sensors
■653    ▼aSatellite  tracking
■653    ▼aSpace  Domain  Awareness
■653    ▼aSparse  data  classification
■690    ▼a0538
■690    ▼a0548
■690    ▼a0606
■71020▼aCornell  University▼bAerospace  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163509▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books