Topicos-ADCS-2022-1_Attitude-Determination

Este repositório foi desenvolvido no contexto da disciplina de Tópicos Especiais em Engenharia Elétrica da Universidade de Brasília (UnB) e implementa uma versão adaptada da rede neural desenvolvida por Dos Santos et al. para determinação da atitude.

Dos Santos, G. H., Seman, L. O., Bezerra, E. A., Leithardt, V., Mendes, A. S., & Stefenon, S. F. (2021). "Static Attitude Determination Using Convolutional Neural Networks". Sensors (Basel, Switzerland), 21(19), 6419. https://doi.org/10.3390/s21196419

Configurações

• Versão do Python: 3.9.5
• Versão do PyTorch: 1.12.1

Ambiente de desenvolvimento

1. Crie o ambiente

python -m venv pTAD

2. Ative o ambiente

   • Em ambiente Windows (bash do git)

   source pTAD/Scripts/activate

   • Em ambiente Linux

   source pTAD/bin/activate

3. Instale as dependências

pip install -r requirements.txt

Como usar

Para treinar ou testar o modelo

(pTAD)$ python src/main.py -h
usage: main.py [-h] -m /path/to/weights.pth [-e first_epoch-last_epoch]
               <command>

Train B-Swish on Attitude profile dataset

positional arguments:
  <command>             Set the mode to 'training' or'test'.

options:
  -h, --help            show this help message and exit
  -m /path/to/weights.pth, --model /path/to/weights.pth
                        Path to weights (.pth file), 'last' or 'first'.
  -e first_epoch-last_epoch, --epochs first_epoch-last_epoch
                        Range of epochs to training.

• Exemplo de comando de treino

python src/main.py training --model first --epochs 1-200

• Exemplo de comando de teste

python src/main.py test --model last

Para avaliar o modelo com outros dados

(pTAD)$ python eval/evaluate.py -h
usage: evaluate.py [-h] -i /path/to/input.json -m /path/to/weights.pth
                   [-o /path/to/output.json] [-w a1, a2, a3]
                   [-p {axis-angle,quaternion}]

Evaluate B-Swish model

options:
  -h, --help            show this help message and exit
  -i /path/to/input.json, --input /path/to/input.json
                        Path to input file (.json file).
  -m /path/to/weights.pth, --model /path/to/weights.pth
                        Path to weights (.pth file), 'last' or 'first'.
  -o /path/to/output.json, --output /path/to/output.json
                        Path to input file (.json file).
  -w a1, a2, a3, --wahba_weights a1, a2, a3
                        Coma separeted weights for Wahba's problem. (Default:
                        1.0, 1.0, 1.0)
  -p {axis-angle,quaternion}, --parameterization {axis-angle,quaternion}
                        Parameterization of output attitude matrix. (Default:
                        axis-angle)

• Exemplo de comando

python eval/evaluate.py --input data/arquivo/entrada.json --model last

Formato do arquivo de entrada

O arquivo de entrada deve ser um ".json" com o seguinte formato

{
    "n": 2,
    "r": {
        "B_eci": "2435.1449234364, 9209.57092801303, 18414.3477578444",
        "Sun_vec_eci": "-0.692699291225791, 0.667793036145862, 0.272433758573305"
    },
    "b": {
        "B_magnetometer": "25538.4613037109, 5461.53869628906, -33307.6934814453",
        "Sun_vec_body_frame": "-0.372567440599065, 0.228045590381382, 0.899549170925675"
    }
}

• n: Número de vetores em cada campo;
• r: Vetores no sistema de referência;
• b: Vetores medidos no corpo.

O nome dos vetores é livre, mas devem estar no formato indicado com a separação dos valores por vírgula e espaço.

Formato do arquivo de saída

O arquivo de saída será um ".json" com o seguinte formato

{
    "Parameterization": "axis-angle",
    "Line 1": "0.47368383407592773, -0.2572217881679535, 0.8422948718070984",
    "Line 2": "0.2843320667743683, 0.949848473072052, 0.13016605377197266",
    "Line 3": "-0.8335339426994324, 0.17783388495445251, 0.5230643153190613"
}

• Parameterization: Parametrização da matriz de atitude;
• Line 1: Primeira linha da matriz de atitude;
• Line 2: Segunda linha da matriz de atitude;
• Line 3: Terceira linha da matriz de atitude.

Resultados

Treino

Resultados ao final do treinamento

Etapa	Erro geodésico
Treino	5,278º
Validação	1,863º

Teste

Erro	Valor do erro
Erro geodésico	2,098º
Erro de Wahba	0,002