Soutenance de thèse de DUMONT Maxime
Titre de thèse
Deep Learning pour le phasage de télescope segmenté.
Deep learning for segmented telescope phasing.
Résumé de la thèse
Atteindre à la fois une haute résolution angulaire et des temps de revisite fréquents pour l'observation de la Terre ou d'autres planètes depuis une orbite basse pose plusieurs défis importants. Trouver un équilibre entre la nécessité d'une plus grande ouverture et les coûts accrus et contraintes associées nécessite des solutions innovantes. AZIMOV, un prototype de charge utile pour un télescope déployable segmenté sur un CubeSat 6U actuellement en développement, aborde ce problème en utilisant un télescope avec une ouverture de 30 cm. Ce grand miroir primaire permet d'obtenir une distance d'échantillonnage au sol de 1 mètre dans le spectre visible. Cependant, pour des performances optimales, un alignement précis (ou phasage) des segments du miroir primaire est crucial. En raison des contraintes des CubeSats, telles que le volume, la puissance et les ressources de calcul limitées, les méthodes conventionnelles de détection de front d'onde ne conviennent pas. L'analyse de front d'onde en plan-focal est la seule approche pratique pour ces petites plateformes, mais les techniques traditionnelles sont souvent itératives et nécessitent beaucoup de calculs en raison de la relation non linéaire entre la phase de du champ électromagnétique et l'intensité de l'image.
Cette thèse explore l'utilisation du deep learning pour corriger les aberrations de piston et de tip-tilt sur les quatre segments du miroir primaire à partir d'une seule image du plan focal. Nous montrons que notre approche, utilisant des réseaux de neurones convolutifs, peut atteindre des performances à la limite de diffraction lors de l'observation d'une source ponctuelle. Cette méthode d'apprentissage profond est robuste face au bruit et aux aberrations de plus hauts ordres, et elle surpasse les méthodes itératives classiques en termes de rapidité, de précision et de robustesse. Des tests sur des données expérimentales confirment l'adaptabilité des réseaux de neurones entre les données simulées et expérimentales et montrent la faisabilité de notre méthode sur des données réelles. Dans le cadre de l'observation de la Terre depuis une orbite basse, ou lors de l'imagerie d'objets étendus inconnus à la surface terrestre, notre approche, améliorée pour l'analyse des objets étendus, montre des performances pouvant atteindre la limite de diffraction, tout en soulignant les limitations de l'analyse de front d'onde en plan focal à partir d'une seule image, dues à aux caractéristique de l'objet observé.
Thesis resume
Achieving both high angular resolution and frequent revisit times for Earth or other planetary observations from low Earth orbit poses several significant challenges. Balancing the need for a larger aperture with the increased costs and associated constraints requires innovative solutions. AZIMOV, a payload prototype for a segmented deployable telescope on a 6U CubeSat currently in development, addresses this issue by utilizing a telescope with a 30 cm aperture. This large primary mirror enables a ground sampling distance of 1 meter in the visible spectrum. However, for optimal performance, precise alignment (or phasing) of the primary mirror segments is crucial. Due to the constraints of CubeSats, such as limited volume, power, and computational resources, conventional wavefront sensing methods are not suitable. Focal-plane wavefront analysis is the only practical approach for these small platforms, but traditional techniques are often iterative and require significant computation due to the nonlinear relationship between the phase of the electromagnetic field and the image intensity.
This thesis explores the use of Deep Learning to correct piston and tip-tilt aberrations on the four segments of the primary mirror from a single focal plane image. We demonstrate that our approach, using convolutional neural networks, can achieve diffraction-limited performance when observing a point source. This deep learning method is robust against noise and higher-order aberrations and outperforms classical iterative methods in terms of speed, accuracy, and robustness. Tests on experimental data confirm the adaptability of neural networks between simulated and experimental data and demonstrate the feasibility of our method on real-world data. In the context of Earth observation from low Earth orbit or when imaging unknown extended objects on the Earth's surface, our approach, enhanced for extended object analysis, shows performance that can reach the diffraction limit while highlighting the limitations of single-image focal-plane wavefront analysis due to the characteristics of the observed object.