Un satellite individua una nave in mare e, anziché trasmettere a Terra un’immagine da analizzare, ne comunica direttamente le coordinate. È uno degli esempi che mostrano come l’intelligenza artificiale possa cambiare il funzionamento dei sistemi spaziali, spostando parte dell’elaborazione dei dati e delle capacità decisionali direttamente in orbita. Le opportunità e le criticità di questa evoluzione sono state al centro della prima tavola rotonda dello Space Economy Talk – AI e innovazione digitale nel mondo spaziale, organizzato il 26 ottobre 2026 dall’Osservatorio Space Economy del Politecnico di Milano, con la partecipazione di Leonardo, RINA Consulting, Motus ml e Thales Alenia Space Italia.
Indice degli argomenti
AI a bordo dei satelliti: dal dato grezzo all’informazione
L’adozione dell’intelligenza artificiale a bordo dei satelliti sta aprendo nuove possibilità per l’osservazione della Terra e la gestione delle missioni spaziali. Uno dei cambiamenti più rilevanti riguarda la capacità di elaborare i dati direttamente dove vengono acquisiti, riducendo la quantità di informazioni da trasmettere alle stazioni terrestri e i tempi necessari per renderle utilizzabili.
Nei sistemi tradizionali di Earth Observation, i sensori satellitari raccolgono grandi volumi di dati che vengono successivamente inviati a Terra per l’elaborazione. L’introduzione dell’AI a bordo permette di anticipare alcune attività di analisi, selezionando le informazioni rilevanti e rendendo possibili risposte più rapide alle esigenze degli utenti.
«L’aumento delle risorse computazionali a bordo dei satelliti permette di processare i dati direttamente alla fonte e inviare a terra solo informazioni selezionate, riducendo i tempi di risposta e aumentando l’autonomia delle piattaforme», ha spiegato Giacomo Ziffer, CEO di Motus ml, spin-off del Politecnico di Milano specializzata in soluzioni di intelligenza artificiale per sistemi con risorse computazionali limitate.
L’elaborazione a bordo acquista particolare importanza nelle applicazioni che richiedono informazioni tempestive, come il monitoraggio di infrastrutture, la sorveglianza marittima e l’individuazione di anomalie. La disponibilità di capacità di calcolo direttamente sui satelliti consente inoltre di ripensare l’organizzazione delle costellazioni, introducendo meccanismi di cooperazione tra piattaforme differenti.
Dallo Space Cloud alle costellazioni intelligenti: il progetto di Leonardo
Una delle applicazioni più avanzate di questa architettura è rappresentata dallo Space Cloud, un modello in cui satelliti interconnessi condividono capacità computazionali e dati, operando come nodi di un’infrastruttura distribuita.
«Non dobbiamo più pensare al singolo asset, ma a una rete di nodi intelligenti che interagiscono come in un sistema di calcolo distribuito orchestrato in base alle esigenze del momento», ha affermato Carolina Berucci di Leonardo.
L’azienda sta lavorando a una costellazione proprietaria per l’osservazione della Terra, composta da circa venti satelliti distribuiti su due piani orbitali ed equipaggiati con sensori radar ad apertura sintetica (SAR) e ottici. L’architettura prevede collegamenti tra i satelliti e l’integrazione di sistemi di High Performance Computing (HPC) a bordo, per svolgere parte dell’elaborazione delle osservazioni direttamente nello spazio.
L’obiettivo, secondo Berucci, è superare i limiti imposti dalla trasmissione di grandi quantità di dati grezzi, fornendo informazioni più rapidamente utilizzabili. Nel monitoraggio marittimo, per esempio, il sistema potrebbe identificare una nave e trasmetterne la posizione, evitando di trasferire l’intera immagine satellitare.
«L’obiettivo è inviare all’utente finale un’informazione già decodificata», ha sottolineato la rappresentante di Leonardo.
Data fusion e calcolo distribuito tra satelliti
La connessione tra piattaforme permette anche di sviluppare nuove modalità di data fusion, integrando le osservazioni provenienti da sensori differenti. Un satellite dotato di sensore ottico potrebbe identificare un’anomalia e richiedere automaticamente a un altro satellite di effettuare una nuova acquisizione, migliorando le possibilità di osservazione e tracciamento.
La distribuzione delle elaborazioni risponde inoltre a un vincolo fondamentale delle piattaforme spaziali: la disponibilità limitata di energia. Le operazioni computazionalmente più impegnative possono essere ripartite tra diversi nodi della costellazione, tenendo conto delle risorse disponibili.
Secondo Berucci, questo approccio permetterebbe di frammentare il carico di elaborazione, trasferendo alcune operazioni a satelliti della rete che dispongono di maggiore capacità computazionale o energetica.
I CubeSat cognitivi di RINA: verso una maggiore autonomia decisionale
Il passaggio a sistemi distribuiti costituisce anche il principio alla base delle attività di ricerca presentate da Matteo Gandetto, Aerospace & Defense Commercial Management Director di RINA Consulting.
La società sta sviluppando un programma di osservazione della Terra basato sull’introduzione di un livello cognitivo, applicativo e distribuito a bordo di piccoli satelliti CubeSat.
Il modello di riferimento si ispira ai sistemi cognitivi e articola il funzionamento della piattaforma in tre fasi: acquisizione delle informazioni, analisi e decisione. I dati raccolti dai sensori, comprese le informazioni sullo stato del satellite, vengono elaborati attraverso algoritmi di intelligenza artificiale per orientare le successive azioni operative.
«Spostare l’intelligenza verso il satellite rende il sistema distribuito molto più flessibile e in grado di adattarsi», ha spiegato Gandetto.
L’autonomia riguarda sia il comportamento del singolo satellite sia il coordinamento tra più piattaforme. RINA sta studiando una formazione di quattro CubeSat in grado di condividere informazioni e riallocare alcune funzioni operative in base alle condizioni rilevate.
Dal controllo del payload al coordinamento della costellazione
L’intelligenza artificiale può intervenire direttamente sui parametri modificabili del payload, come la potenza e la frequenza di ripetizione degli impulsi di un radar SAR. A livello di costellazione, invece, può supportare la distribuzione delle attività tra satelliti.
«Se una piattaforma rileva un’anomalia dal dato raw, la condivide con la formazione e il master può variare la modalità operativa degli altri satelliti sulla regione d’interesse», ha precisato Gandetto.
Le applicazioni considerate riguardano soprattutto il monitoraggio infrastrutturale e il settore navale e marittimo. I requisiti vengono definiti insieme agli utilizzatori finali, tenendo conto di parametri quali la risoluzione delle osservazioni e il tempo di rivisita, ossia l’intervallo necessario per osservare nuovamente una determinata area.
AI spaziale: le sfide di hardware, consumi energetici e algoritmi
Portare l’AI a bordo dei satelliti richiede di affrontare vincoli tecnologici molto differenti da quelli dei sistemi terrestri. La memoria disponibile, la potenza di calcolo e soprattutto l’energia costituiscono risorse limitate, mentre l’hardware deve operare in condizioni ambientali particolarmente impegnative.
«Le sfide principali risiedono nell’hardware, poiché i requisiti computazionali spesso non si mappano con le caratteristiche del satellite, e nel software, dove i modelli devono essere studiati e resi molto più leggeri per l’uso a bordo», ha osservato Gandetto.
Anche la crescente disponibilità di componenti commerciali, o Commercial Off-The-Shelf (COTS), introduce nuove complessità. I sistemi possono utilizzare GPU, FPGA e acceleratori dedicati all’intelligenza artificiale, con caratteristiche differenti in termini di prestazioni, memoria e consumi.
Per gli sviluppatori diventa quindi necessario adattare gli algoritmi alle specifiche caratteristiche dell’hardware, individuando il compromesso più efficace tra accuratezza delle elaborazioni e risorse richieste.
Compressione semantica e super-risoluzione: le applicazioni di Motus ml
Motus ml sta lavorando su due applicazioni che affrontano direttamente questi problemi.
La prima riguarda la compressione semantica dei dati a bordo, attraverso algoritmi capaci di identificare e ridurre le informazioni meno rilevanti, preservando la qualità del contenuto da trasmettere a Terra oppure ad altri satelliti.
La seconda applicazione è la super-risoluzione, utilizzata per aumentare il livello di dettaglio delle immagini limitatamente alle aree di interesse. L’elaborazione selettiva permette di concentrare le risorse computazionali sulle informazioni necessarie per le successive attività di analisi.
«Il secondo riguarda algoritmi di super-risoluzione per aumentare il dettaglio solo sulle aree di interesse, abilitando task successivi tra satelliti in un’ottica distribuita», ha spiegato Ziffer.
La complessità aumenta quando queste capacità vengono estese all’intera costellazione. «Passare da singoli task a sistemi distribuiti rende critica la capacità di orchestrare e gestire dinamicamente le risorse cognitive dell’intera costellazione», ha aggiunto il CEO di Motus ml.
Autonomia dei satelliti e cybersecurity: i criteri di Thales Alenia Space
L’integrazione dell’intelligenza artificiale nei sistemi spaziali pone anche interrogativi sull’affidabilità delle piattaforme, sulla sicurezza delle comunicazioni e sui limiti entro cui delegare decisioni operative agli algoritmi.
Per Francesco Corallo, Head of AI di Thales Alenia Space Italia, il criterio fondamentale è individuare le applicazioni nelle quali l’AI può garantire miglioramenti concreti rispetto alle tecnologie già consolidate.
«Introduciamo l’AI a bordo solo dove porta un effettivo vantaggio e miglioramento della qualità del prodotto», ha affermato Corallo.
L’approccio dell’azienda è particolarmente prudente nei sistemi critici per la missione. Un esempio riguarda il controllo d’assetto dei satelliti, dove le soluzioni tradizionali offrono già prestazioni elevate e consolidate.
Le opportunità più significative individuate da Thales Alenia Space riguardano invece l’estrazione rapida di informazioni dai dati acquisiti dai sensori e le operazioni di rendezvous e docking, nelle quali gli algoritmi di computer vision possono supportare il riconoscimento degli oggetti e le manovre di avvicinamento.
Un ulteriore ambito applicativo è rappresentato dalle missioni di esplorazione spaziale profonda. Su Marte o nelle regioni dietro la Luna, i tempi di propagazione dei segnali radio e le limitazioni delle comunicazioni rendono necessaria una maggiore capacità di operare autonomamente.
Le nuove superfici d’attacco delle costellazioni interconnesse
L’introduzione di capacità HPC e collegamenti intersatellitari modifica anche il profilo di rischio delle infrastrutture spaziali.
Secondo Corallo, la crescente interconnessione delle piattaforme aumenta la superficie d’attacco e richiede di sviluppare adeguate misure di protezione. Tra le attività citate rientra la sperimentazione di algoritmi AI per l’elaborazione dei segnali e il contrasto ai tentativi di jamming, finalizzati a disturbare le comunicazioni.
La sicurezza riguarda anche la provenienza delle tecnologie utilizzate. Thales Alenia Space considera importante mantenere il controllo dell’hardware e del software attraverso filiere nazionali ed europee, riducendo le possibili dipendenze critiche da fornitori esterni.
L’intelligenza artificiale trasforma anche i processi dell’industria spaziale
Le applicazioni dell’AI nell’industria spaziale si estendono ai processi di progettazione, produzione e gestione operativa dei satelliti.
Thales Alenia Space Italia sta sperimentando soluzioni di AI generativa e sistemi agentici in attività che comprendono lo sviluppo software, il controllo qualità, il rilevamento delle anomalie e l’ingegneria dei processi.
«In Thales Alenia Space Italia utilizziamo agenti AI per automatizzare i task ripetitivi privi di valore aggiunto, concentrandoci sul core business della costruzione di piattaforme satellitari attraverso partnership universitarie e industriali», ha dichiarato Corallo.
L’adozione di queste tecnologie deve confrontarsi anche con i requisiti normativi e di sicurezza. Corallo ha richiamato gli obblighi derivanti dalla direttiva NIS2, che impongono all’azienda vincoli particolarmente stringenti nella gestione delle infrastrutture e delle informazioni sensibili.
La scelta tra modelli AI resi disponibili dal gruppo internazionale e soluzioni eseguite localmente su infrastrutture italiane assume pertanto un’importanza specifica nell’organizzazione dei processi.
Dalla documentazione tecnica alle decisioni operative
Un’altra area di applicazione riguarda la gestione e valorizzazione della conoscenza aziendale, particolarmente rilevante per un’industria che sta passando dalla realizzazione di prodotti altamente personalizzati alla produzione di costellazioni con ritmi più elevati.
«La conoscenza storica aziendale risiede spesso in documentazioni eterogenee e non strutturate come certificazioni e test report», ha osservato Ziffer.
Motus ml ha sviluppato soluzioni per digitalizzare le qualifiche dei componenti e rendere più rapide le ricerche all’interno della documentazione tecnica. Secondo quanto illustrato durante il convegno, attività che richiedevano giorni o settimane possono essere svolte in poche ore.
Un secondo caso applicativo riguarda l’integrazione tra le basi documentali delle missioni e le telemetrie operative dei satelliti. L’obiettivo è fornire agli operatori informazioni integrate che possano supportare e automatizzare alcune decisioni.
«Poiché i dati trattati sono estremamente sensibili, manteniamo architetture on-premise per garantire il pieno controllo e la sicurezza dell’intera pipeline di elaborazione», ha precisato Ziffer.
Ricerca, startup e industria: come nasce l’AI per le costellazioni satellitari
Il percorso di sviluppo delle nuove architetture satellitari coinvolge aziende consolidate, startup tecnologiche, università ed enti di ricerca.
La collaborazione tra questi soggetti è emersa anche dalle testimonianze della tavola rotonda. Leonardo lavora con Thales Alenia Space Italia, coinvolta nello sviluppo della piattaforma e del payload della propria costellazione, e con realtà specializzate come Motus ml.
Secondo Berucci, il contributo delle startup è particolarmente importante per accelerare lo sviluppo delle soluzioni e sperimentarne l’applicabilità a casi concreti. Leonardo collabora inoltre con produttori di computer HPC per attività di co-design tra hardware e software, necessarie per adattare le capacità di elaborazione ai vincoli delle piattaforme spaziali.
Le università e gli enti accademici intervengono soprattutto nelle fasi iniziali della ricerca, caratterizzate da livelli di maturità tecnologica più bassi. I programmi nazionali ed europei di ricerca cofinanziata contribuiscono invece all’acquisizione di nuove competenze e alla sperimentazione delle tecnologie prima del loro impiego operativo.
Come spiegato da Berucci durante il confronto, questi progetti permettono di svolgere attività di de-risking, riducendo progressivamente i rischi associati all’introduzione dell’autonomia a bordo.
Partecipa alla community