Phasing segmented telescopes via deep learning methods: application to a deployable CubeSat - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Journal of the Optical Society of America A Année : 2024

Phasing segmented telescopes via deep learning methods: application to a deployable CubeSat

Phasage d'un télescope spatial segmenté par apprentissage machine : application au télescope déployable CubeSat

Résumé

Capturing high-resolution imagery of the Earth’s surface often calls for a telescope of considerable size, even from low Earth orbits (LEOs). A large aperture often requires large and expensive platforms. For instance, achieving a resolution of 1 m at visible wavelengths from LEO typically requires an aperture diameter of at least 30 cm. Additionally, ensuring high revisit times often prompts the use of multiple satellites. In light of these challenges, a small, segmented, deployable CubeSat telescope was recently proposed creating the additional need of phasing the telescope’s mirrors. Phasing methods on compact platforms are constrained by the limited volume and power available, excluding solutions that rely on dedicated hardware or demand substantial computational resources. Neural networks (NNs) are known for their computationally efficient inference and reduced onboard requirements. Therefore, we developed a NN-based method to measure co-phasing errors inherent to a deployable telescope. The proposed technique demonstrates its ability to detect phasing errors at the targeted performance level [typically a wavefront error (WFE) below 15 nm RMS for a visible imager operating at the diffraction limit] using a point source. The robustness of the NN method is verified in presence of high-order aberrations or noise and the results are compared against existing state-of-the-art techniques. The developed NN model ensures its feasibility and provides a realistic pathway towards achieving diffraction-limited images.
La capture d'images haute résolution de la surface de la Terre nécessite souvent un télescope de taille considérable, même depuis une orbite terrestre basse (LEO). Une grande ouverture nécessite souvent des plates-formes grandes et coûteuses. Par exemple, pour atteindre une résolution de 1\,m dans les longueurs d'onde visibles depuis LEO, il faut généralement un diamètre d'ouverture d'au moins 30\,cm. De plus, garantir des temps de revisite élevés conduit souvent à l’utilisation de plusieurs satellites. À la lumière de ces défis, un petit télescope CubeSat segmenté et déployable a été récemment proposé, créant le besoin supplémentaire de mettre en phase les miroirs du télescope. Les méthodes de mise en phase sur de petites plates-formes sont limitées par le volume et la puissance disponibles limités, excluant les solutions avec du matériel dédié ou des besoins informatiques intensifs. Les méthodes de réseau neuronal (NN) sont connues pour leur inférence efficace sur le plan informatique et leur nombre réduit de calculs intégrés. C'est pourquoi nous avons développé une méthode basée sur NN pour mesurer les erreurs de co-phase inhérentes à un télescope déployable. La technique proposée démontre sa capacité à identifier une erreur de phase au niveau de performance souhaité (généralement une erreur de front d'onde (WFE) inférieure à 15\,nm\,RMS pour un imageur visible à la limite de diffraction) à l'aide d'une source ponctuelle. La robustesse de la méthode NN est vérifiée par rapport aux aberrations ou au bruit d'ordre élevé et les résultats sont comparés aux techniques de pointe existantes. Le modèle NN développé garantit sa faisabilité et fournit une voie réaliste vers l’obtention d’images limitées par diffraction à partir d’un petit télescope segmenté.
Fichier sous embargo
Fichier sous embargo
0 3 22
Année Mois Jours
Avant la publication
mercredi 21 août 2024
Fichier sous embargo
mercredi 21 août 2024
Connectez-vous pour demander l'accès au fichier

Dates et versions

hal-04526843 , version 1 (29-03-2024)

Identifiants

Citer

Maxime Dumont, Carlos M. Correia, Jean-François Sauvage, Noah Schwartz, Morgan Gray, et al.. Phasing segmented telescopes via deep learning methods: application to a deployable CubeSat. Journal of the Optical Society of America A , 2024, 41 (3), pp.489-499. ⟨10.1364/JOSAA.506182⟩. ⟨hal-04526843⟩
12 Consultations
0 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More