Robust Observation Scheduling for the Máni Lunar Mission
Authors
Platz, Viktor ; Khorami, Ali Sajad
Term
4. term
Education
Publication year
2026
Submitted on
2026-06-12
Abstract
Máni is a planned lunar orbiter mission by the European Space Agency (ESA), where a spacecraft will circle the Moon to map the extremely fine texture of its surface. It will do this using a new method that takes images of the same areas from multiple viewing angles and under different lighting conditions (a so‑called multiangular photometric approach). To reconstruct this micro‑texture, each Region of Interest (ROI) on the surface must therefore be observed several times, and these observations depend on one another: if even one key image fails, the ROI may not be considered scientifically complete. A further challenge is that the success or failure of each image is only known after the data have been transmitted to Earth and processed. This means the mission cannot be planned just once in advance; the observation schedule must be updated as new information arrives. In this thesis, each ROI is broken down into smaller targets that match the footprint of a single image. Mission planning is then formulated as a stochastic (probability‑based) optimization problem: the goal is to maximize the expected number of targets that are scientifically complete, despite uncertainty in whether individual observations will succeed. To achieve this, the thesis proposes a two‑level scheduling approach. At the campaign level, it uses Mixed‑Integer Linear Programming (MILP), a mathematical optimization method, where precomputed bundles of observations represent the scientific completion requirements and can be expressed with linear equations in the MILP model. On top of this, a receding‑horizon replanning framework is used: as new observation results come in from the spacecraft, the schedule is recomputed and adapted to the current situation. The spacecraft’s orbit is simulated using ESA’s GODOT astrodynamics software, and the scheduler is evaluated on 14 candidate ROIs comprising a total of 442 targets. The study compares a risk‑aware probabilistic planner against both an optimistic upper‑bound reference (a best‑case scenario) and a risk‑naive baseline that ignores failure probabilities in its planning. The probabilistic planner completes on average 405.8 of the 442 targets, which is 33.5 more targets than the risk‑naive baseline, corresponding to a 7.6 percentage point improvement in completion rate.
Máni er en planlagt månemission fra European Space Agency (ESA), hvor en satellit skal i kredsløb om Månen for at kortlægge overfladens meget fine strukturer. Det sker ved hjælp af en ny metode, hvor man tager billeder af de samme områder fra flere vinkler og under forskellige lysforhold (en såkaldt multiangulær fotometrisk tilgang). For at kunne genskabe denne mikrotekstur skal hvert interesseområde (ROI – Region of Interest) derfor observeres flere gange, og disse observationer hænger tæt sammen: hvis blot ét vigtigt billede mislykkes, kan hele området risikere ikke at blive videnskabeligt “færdigt”. En ekstra udfordring er, at man først ved, om billederne er lykkedes, når satellitten har sendt dataene ned til Jorden, og de er blevet behandlet. Derfor kan man ikke planlægge missionen én gang for alle; planen skal løbende kunne tilpasses nye resultater. I dette arbejde deles hvert interesseområde op i mindre mål, der svarer til de fodaftryk, kameraet dækker i ét billede. Planlægningen af missionen beskrives som et stokastisk (sandsynlighedsbaseret) optimeringsproblem: Målet er at maksimere det forventede antal mål, der bliver videnskabeligt komplet observeret, selvom der er usikkerhed om, hvorvidt de enkelte observationer lykkes. Til det formål foreslås en todelt planlægningsmetode. På kampagneniveau anvendes Mixed-Integer Linear Programming (MILP), en matematisk optimeringsteknik hvor observationer samles i forudberegnede “bundter”. Disse bundter er udvalgt, så de opfylder de videnskabelige krav, og kan beskrives med lineære ligninger i MILP-modellen. Oven på dette benyttes et såkaldt receding-horizon replannings-setup: efterhånden som nye observationsresultater modtages fra satellitten, opdateres planen og tilpasses den aktuelle situation. Vi simulerer rumfartøjets bane ved hjælp af ESAs astrodynamiksoftware GODOT og tester planlæggeren på 14 udvalgte interesseområder med i alt 442 mål. Vi sammenligner en risikobevidst probabilistisk planlægger med både en optimistisk øvre reference (bedste tænkelige tilfælde) og en risikonaiv standardmetode, der ikke tager sandsynligheder for fejl med i planlægningen. Resultaterne viser, at den probabilistiske planlægger i gennemsnit færdiggør 405,8 ud af 442 mål. Det er 33,5 flere mål end den risikonaive metode, svarende til en forbedring på 7,6 procentpoint i fuldførelsesgraden.
[This abstract has been rewritten with the help of AI based on the project's original abstract]
Keywords