Bachelor's degree theses

Una delle attività del laboratorio di Microsatelliti e Microsistemi Spaziali riguarda il test dei sistemi di determinazione e controllo d'assetto dei satelliti su un testbed in grado di riprodurre le condizioni spaziali in termini di dinamica di assetto. Una delle condizioni che caratterizza l'ambiente spaziale è la presenza di coppie esterno di disturbo estremamente basse (10^-6 Nm). Tale condizione viene riprodotta in laboratorio tramite l'utilizzo di un cuscinetto ad aria collegato ad una piattaforma inerziale sulla quale viene montato il satellite da testare. Il cuscinetto, formato da due superfici emisferiche combacianti ed alimentato da un compressore, permette di ridurre l'attrito a livelli molto bassi. La piattaforma inerziale comprende anche un sistema di bilanciamento automatico che permette di compensare la coppia di gravità, dovuta alla non-coincidenza del centro di massa della piattaforma con il suo centro di rotazione. Tre piccole masse sono spostate da tre motori passo-passo in base alla posizione comandata da un microcontrollore e calcolata in base all'assetto della piattaforma letto da una IMU. I motori permettono di spostare le masse con una risoluzione molto fine (millesimi di millimetro) tuttavia il rumore della IMU induce un errore nella posizione attuata dai motori. L'implementazione di un filtro può ridurre il rumore della IMU e possibilmente migliorare le prestazioni del sistema di bilanciamento. L'obiettivo del lavoro di tirocinio è lo studio e progetto di un filtro passa-basso che processi i dati della IMU. Tra i vari tipi di filtri che possono essere implementati, un filtro del tipo "model based" che faccia uso di alcune informazioni sulla dinamica della piattaforma inerziale (es. matrice di inerzia) potrebbe risultare più robusto di altri. Nel lavoro di tesi il filtro progettato verrà implementato sul microcontrollore della piattaforma inerziale e testato. Il lavoro di tirocinio e tesi richiederanno l'utilizzo di Matlab, Simulink e Arduino. E' richiesta la conoscenza di almeno MATLAB.

Introduction

Effective land management, especially the cultivation of land, plays a pivotal global role in sustaining economic growth and mitigating the impact of climate change. Earth Observations (EO) data are particularly suited for land management applications due to their global coverage, high spatial resolution, and frequent revisits. The Sentinel-2 satellite data, available through the Copernicus program, offer unprecedented opportunities in this regard.Through this project you will take part in the "Enhanced Sentinel 2 Agriculture" challenge (https://platform.ai4eo.eu/enhanced-sentinel2-agriculture-permanent), which seeks to leverage Artificial Intelligence (AI) techniques to extend the capabilities of Sentinel-2 time-series data beyond their native 10-meter pixel resolution. The primary objective of this challenge is to develop AI methods capable of utilizing the temporal information in Sentinel-2 images to artificially enhance their spatial resolution, specifically, to increase the pixel resolution from 10 meters to 2.5 meters, resulting in a 4x improvement in spatial detail.In line with recent advancements in AI-driven super-resolution techniques, this project will introduce innovative end-to-end methods to capture intricate spatio-temporal relationships within the data. The ultimate goal is to extract invaluable information related to land management at a sub-pixel level.

Objectives

1. Complete deep learning courses available on the Coursera platform.

2. Gain practical experience by solving guided deep learning problems, using Python and TensorFlow.

3. Conduct a comprehensive literature review to explore the latest methods in the field of super-resolution.

4. Participate in the "Enhanced Sentinel 2 Agriculture" challenge.