Thesis defence of Tarso Kraemer Sarzi Sartori (AMfoRS team): Mitigation of radiation effects on the attitude estimation processing for autonomous things

Tarso KRAEMER SARZI SARTORI - AMfoRS team

Composition of the jury
Rodrigo POSSAMAI BASTOS - Thesis director - Associate professor - UGA / TIMA Laboratory (Grenoble, France)
Hassen FOURATI - Co-thesis director - Associate professor - Grenoble INP / Gipsa Lab (Grenoble, France)
Gabriela Iuliana BARA - Rapporteur - Full professor - Université de Strasbourg (France)
Sergio Antonio CUENCA ASENSI - Rapporteur - Full professor - Universidad de Alicante (Spain)
Alberto BOSIO - Examinator - Full professor - Ecole Centrale de Lyon, INL (France)
Raoul VELAZCO - Examinator - Emeritus Research Director - CNRS / TIMA Laboratory (Grenoble, France)
Ahmad HABLY - Examinator, Associate professor HDR - Grenoble INP / Gipsa Lab (Grenoble, France)

Mitigation of radiation effects on the attitude estimation processing for autonomous things
Attitude Estimation Algorithms, Neutron Radiation Effects, Safety-Critical applications, Radiation Induced Error Mitigation
Attitude estimation (AE) algorithms have been progressively integrated into safety-critical autonomous things, such as satellites, drones, airplanes and self-driving cars to determine their attitude (spatial orientation) in relation to a known reference. Normally AE algorithms are embedded in inertial navigation systems (INSs) used in the applications. Such systems are usually designed with an inertial measurement unit, analog-to-digital interface circuits, and an on-board processing system composed of at least a processor, and data/program memories. INS components are essentially electronic systems that can be exposed to environments with the presence of radiation particles in space, aviation altitudes and even at ground levels. The interaction of such particles with the integrated circuits can provoke radiation-induced soft errors, such as single-event upsets (SEUs) that can invert memory bits (not permanently), or even halt the operation, requiring thus a system reboot via either a software reset or a power cycle (off and on), i.e. SEU-induced single-event functional interrupts (SEFIs) or single-event latch-up (SEL) effect. The first part of this thesis investigates soft error effects on the AE processing. Classical AE algorithms have been implemented and assessed under thermal and high energy neutron radiation. The results show (1) the high contribution of SEFI/SEL on the total number of neutron-induced soft errors that can lead an INS to critical failures; (2) the influence of applying lower load averages on the AE processing system to reduce the number of failures; (3) the relatively high tolerance of the AE algorithms in tolerating SEU-induced failures in the AE processing since the algorithms could rapidly recover themselves after the presence of such events; (4) the higher tolerance regarding SEU-induced failures in the AE processing of Kalman-filter based AE algorithms in relation to gradient descent-based one. Although the AE algorithms presented fast convergence after a SEU-induced failures, large peaks in their responses were observed, which can lead to critical scenarios when used along with a control system, because large errors in the attitude will be passed to the controller. Therefore, the second part of the thesis focuses on proposing mitigation techniques regarding SEU-induced failures in the AE processing. A software-level mitigation technique have been proposed based on two phases: (1) SEU-induced failures detection, in which the detection is made by monitoring the AE residuals; and (2) AE correction, in which the estimated attitude is corrected whether the failure is detected. A multivariate regression problem is conceived and classical machine learning models used for this task (neural network, decision tree, random forest) are trained and implemented for AE correction phase in a satellite application. The technique presented a high rate of SEU effects mitigation while adding low overhead to the AE processing, being easily online applied.

Mitigation des effets des radiations dans le traitement de l'estimation d'attitude des objets autonomes
Mitigation des Erreurs Induit pour Radiation, Application critique de sécurité, Effets du rayonnement neutronique, Algorithmes d'Estimation d'Attitude
Les algorithmes d'estimation d'attitude ont été progressivement intégrés dans des objets autonomes d'application critiques, tels que des satellites, des drones, des avions et des voitures autonomes, afin de déterminer leur attitude (orientation spatiale) par rapport à une référence connue. Normalement, les algorithmes d'estimation d'attitude sont intégrés aux systèmes de navigation inertielle (INS) utilisés dans ce type d'applications. Ces systèmes sont généralement conçus avec une unité de mesure inertielle, des circuits d'interface analogique-numérique et un système de traitement embarqué composé d'au moins un processeur et des mémoires de données/programmes. Les composants d'INS sont essentiellement des systèmes électroniques qui peuvent être exposés à des environnements contenant des particules de rayonnement dans l'espace, à des altitudes aéronautiques et même au niveau du sol. L'interaction de telles particules avec les circuits intégrés peut provoquer des soft errors induites par le rayonnement, telles que des single-event upsets (SEUs) qui peuvent inverser des bits de mémoire (pas de manière permanente), ou même arrêter le fonctionnement, nécessitant ainsi une réinitialisation du système via une réinitialisation logicielle ou une mise hors tension, c'est-à-dire des single-event functional interrupts (SEFIs) ou un single-event latch-up (SEL). La première partie de cette thèse étudie les effets des soft errors sur le traitement de l'estimation d'attitude. Des algorithmes d'estimation d'attitude classiques ont été mis en œuvre et évalués sous l'effet du rayonnement thermique et des neutrons à haute énergie. Les résultats montrent (1) la forte contribution des SEFI/SEL sur le nombre total de soft errors induites par les neutrons, pouvant entraîner des défaillances critiques de l'INS ; (2) l'influence de l'application de moyennes de charge plus faibles sur le système de traitement de l'estimation d'attitude afin de réduire le nombre de défaillances ; (3) la tolérance relativement élevée des algorithmes d'estimation d’attitude face aux défaillances induites par des SEUs dans leur traitement, car les algorithmes peuvent se rétablir rapidement après la survenue de tels événements ; (4) la plus grande tolérance en ce qui concerne les défaillances induites par des SEUs dans le traitement de l'estimation d'attitude sur des algorithmes basés sur le filtre de Kalman par rapport à ceux basés sur la descente de gradient. Bien que les algorithmes d'estimation d'attitude présentent une convergence rapide après des défaillances induites par des SEUs, il a été observé de forts pics dans leurs réponses, ce qui peut conduire à des scénarios critiques lorsqu'ils sont utilisés avec un système de contrôle, car de grandes erreurs d'attitude seront transmises au régulateur. Par conséquent, la deuxième partie de la thèse se concentre sur la proposition d'une technique de mitigation des défaillances induites par des SEUs dans le traitement de l'estimation d’attitude. Une technique d'atténuation au niveau logiciel a été proposée, basée sur deux phases : (1) détection des défaillances induites par des SEUs, où la détection est effectuée en surveillant les résidus; et (2) correction de l'attitude, où l'attitude estimée est corrigée si une défaillance est détectée. Un problème de régression multivariée est conçu et des modèles d'apprentissage automatique classiques utilisés pour cette tâche (réseau neuronal, arbre de décision, forêt aléatoire) sont entraînés et mis en œuvre pour la phase de correction dans une application satellite. La technique présente un taux élevé d'atténuation des effets induites par SEUs tout en ajoutant une faible surcharge au traitement de l'estimation d'attitude, et peut être facilement appliquée en ligne.