KI-Sternsensor - Anwendung von Algorithmen aus der Bilderkennung und KI bei Sternsensoren

Abstract

Im Projekt "KI-Sternsensor" untersuchte der Lehrstuhl für Informatik der Universität Würzburg die Anwendbarkeit moderner Bildverarbeitungsverfahren und KI-Methoden zur Verbesserung der Sternidentifikation in Sternsensoren. Sternsensoren stellen die präziseste Methode zur Satellitenlagenbestimmung dar und basieren typischerweise auf der etwa 30 Jahre alten Liebe-Methode zur Musteridentifikation. Ziel war es zu evaluieren, ob moderne Verfahren wie HU-Momente, Fourier-Deskriptoren oder Zernike-Momente eine deutliche Effizienzsteigerung bei gleichbleibender Genauigkeit ermöglichen könnten. Im Rahmen des Projekts wurde ein vollständiges Software-Framework in C++ entwickelt, das sowohl auf PC- als auch auf Embedded-Plattformen (Cortex-M7) lauffähig ist. Ein parametrisierbarer Bildsimulator ermöglicht systematische Monte-Carlo-Evaluationen mit 10.000 synthetischen Sternbildern. Zusätzlich wurde die Funktionalität mit realen Nachthimmelaufnahmen validiert. Die systematische Evaluation zeigt, dass sich moderne KI-basierte Verfahren zwar erfolgreich implementieren und anwenden lassen, jedoch keine der getesteten Methoden die klassische Liebe-Methode hinsichtlich Genauigkeit und Robustheit übertreffen konnte. Fourier-Deskriptoren erreichten vergleichbare Präzision, blieben jedoch leicht unterlegen. Diese Ergebnisse verdeutlichen, dass KI-Technologien nicht automatisch die Lösung für alle technischen Herausforderungen darstellen und bewährte, optimierte Algorithmen nicht zwangsläufig ersetzen. Trotz des ausbleibenden Leistungsvorteils bietet das Projekt großen wissenschaftlichen Mehrwert durch die fundierte Bestätigung etablierter Verfahren. Das entwickelte modulare Framework bietet nachhaltigen Nutzen für Forschung und Lehre, da es die einfache Integration und Evaluation neuer Identifikationsverfahren ermöglicht.