Diese Arbeit untersucht die Entwicklung und Optimierung von Modellen des maschinellen Lernens für das
visionbasierte Tracking von Weltraumobjekten im Kontext der aktiven Weltraummüllentfernung und In-Orbit-
Servicing-Missionen. Ziel ist die kontinuierliche Bestimmung der Position des Zielobjektes durch FPGA-basierte
Space-Kameras bis zu einer Entfernung von 20 m. Durch umfassende Experimente mit Convolutional Neural
Networks demonstriert diese Arbeit eine Reduktion des absoluten Fehlers um über 70% im Vergleich mit
dem Baseline-Modell, während gleichzeitiger Optimierung für Quantisierung durch das VectorBlox SDK und
anschliessendem Einsatz im FPGA mit einer Inferenzzeit von 33 ms pro Bild. Die Arbeit evaluiert CNNNetzwerke
hinsichtlich des kritischen Kompromisses zwischen Performance (Genauigkeit) und Komplexität
(begrenzte FPGA-Ressourcen). Ein synthetischer Trainingsdatensatz mit simulierten Bildern ermöglicht eine
robuste Modellentwicklung. Quantisierungsbewusstes Training reduziert den Quantisierungsfehler um 30%,
während Neural-Search-Algorithmen die automatisierte Entwicklung von optimalen Netzwerkarchitekturen für
FPGA-Constraints übernimmt. Diese Arbeit schafft eine Grundlage für die praktische Implementierung von
KI-gesteuerten Tracking-Systemen in FPGA-basierten Weltraum-Anwednungen.
This work investigates the development and optimisation of artificial intelligence models for vision-based
tracking of space objects in the context of active debris removal and in-orbit servicing missions. The focus
lies on the continuous determination of a target position for FPGA-based space cameras for a distance of up
to 20 m. Through comprehensive experiments with convolutional neural networks, this work demonstrates a
reduction in absolute error of over 70% compared to the baseline model, while simultaneously optimising for
quantisation through the VectorBlox SDK and subsequent deployment on an FPGA with inference times of
33 ms per image. The work evaluates CNN networks regarding the critical trade-off between performance
(accuracy) and complexity (limited FPGA resources). A synthetic training dataset with artificially generated
images enables robust model development. Quantisation-aware training reduces the quantisation error by 30%,
while neural search algorithms handle the automated development of optimal network architectures for FPGA
constraints. This work establishes a foundation for the practical implementation of an AI-driven tracking systems
in FPGA-based space applications.