Rumrejser er komplekst, dyrt og risikabelt. Store summer og værdifuld nyttelast er på spil, hver gang et rumfartøj lægger til kaj med et andet. En slip og en milliard-dollar-mission kan gå tabt. Luft- og rumfartsingeniører mener, at autonom kontrol, som den slags, der leder mange biler ned ad vejen i dag, kunne forbedre missionssikkerheden markant, men kompleksiteten af den matematik, der kræves for fejlfri sikkerhed, er ud over noget, som indbyggede computere i øjeblikket kan håndtere.
I et nyt papir præsenteret på IEEE Aerospace Conference i marts 2024 og offentliggjort på preprint-serveren arXiv , rapporterede et hold af luft- og rumfartsingeniører ved Stanford University, at de brugte kunstig intelligens til at fremskynde planlægningen af optimale og sikre baner mellem to eller flere docking-rumfartøjer. De kalder det ART – den autonome Rendezvous Transformer – og de siger, at det er det første skridt til en æra med sikrere og troværdige selvstyret rumrejser.
I autonom kontrol er antallet af mulige udfald massivt. Uden plads til fejl er de i det væsentlige åbne.
"Baneoptimering er et meget gammelt emne. Det har eksisteret siden 1960'erne, men det er svært, når man forsøger at matche de præstationskrav og stive sikkerhedsgarantier, der er nødvendige for autonom rumrejse inden for parametrene for traditionelle beregningsmetoder," sagde Marco Pavone , lektor i luftfart og astronautik og meddirektør for det nye Stanford Center for AEroSpace Autonomy Research (CAESAR).
"I rummet, for eksempel, er du nødt til at håndtere begrænsninger, som du typisk ikke har på Jorden, som for eksempel at pege på stjernerne for at bevare orienteringen. Disse oversættes til matematisk kompleksitet."
"For at autonomi skal fungere uden fejl milliarder af miles væk i rummet, er vi nødt til at gøre det på en måde, som indbyggede computere kan håndtere," tilføjede Simone D'Amico, lektor i luftfart og astronautik og meddirektør for CÆSAR. "AI hjælper os med at styre kompleksiteten og levere den nøjagtighed, der er nødvendig for at sikre missionssikkerhed, på en beregningseffektiv måde."
CAESAR er et samarbejde mellem industrien, den akademiske verden og regeringen, der samler ekspertisen fra Pavones Autonomous Systems Lab og D'Amicos Space Rendezvous Lab. Autonomous Systems Lab udvikler metoder til analyse, design og kontrol af autonome systemer – biler, fly og selvfølgelig rumfartøjer.
Space Rendezvous Lab udfører grundlæggende og anvendt forskning for at muliggøre fremtidige distribuerede rumsystemer, hvor to eller flere rumfartøjer samarbejder autonomt for at opnå mål, der ellers er meget vanskelige for et enkelt system, herunder flyvning i formation, rendezvous og docking, sværmadfærd, konstellationer og mange andre . Laboratoriet planlægger en lanceringsworkshop i maj 2024.
En varm start
Autonomous Rendezvous Transformer er en baneoptimeringsramme, der udnytter de enorme fordele ved AI uden at gå på kompromis med de nødvendige sikkerhedsgarantier for pålidelig udrulning i rummet. I sin kerne involverer ART at integrere AI-baserede metoder i den traditionelle pipeline til baneoptimering ved at bruge AI til hurtigt at generere banekandidater af høj kvalitet som input til konventionelle baneoptimeringsalgoritmer.
Forskerne henviser til AI-forslagene som en "varm start" på optimeringsproblemet og viser, hvordan dette er afgørende for at opnå væsentlige beregningshastigheder uden at gå på kompromis med sikkerheden.
"En af de store udfordringer på dette felt er, at vi hidtil har haft brug for 'jord i løkken'-tilgange – du skal kommunikere ting til jorden, hvor supercomputere beregner banerne, og så uploader vi kommandoer tilbage til satellitten," forklarer Tommaso Guffanti, en postdoc-stipendiat i D'Amicos laboratorium og førsteforfatter til papiret, der introducerer Autonomous Rendezvous Transformer.
"Og i denne sammenhæng er vores papir spændende, synes jeg, for at inkludere kunstig intelligenskomponenter i traditionel vejledning, navigation og kontrolpipeline for at gøre disse rendezvous jævnere, hurtigere, mere brændstofeffektive og sikrere."
ART er ikke den første model, der bringer AI til udfordringen med rumflyvning, men i test i et jordbaseret laboratoriemiljø udkonkurrerede ART andre maskinlæringsbaserede arkitekturer. Transformermodeller, som ART, er en undergruppe af højkapacitets neurale netværksmodeller, der startede med store sprogmodeller, som dem, der bruges af chatbots. Den samme AI-arkitektur er ekstremt effektiv til at analysere, ikke kun ord, men mange andre typer data såsom billeder, lyd og nu også baner.
"Transformere kan bruges til at forstå den nuværende tilstand af et rumfartøj, dets kontroller og manøvrer, som vi ønsker at planlægge," Daniele Gammelli, en postdoktor i Pavones laboratorium, og også en medforfatter på ART-papiret. "Disse store transformermodeller er ekstremt i stand til at generere datasekvenser af høj kvalitet."
Den næste frontlinje i deres forskning er at videreudvikle ART og derefter teste det i det realistiske eksperimentelle miljø, der er muliggjort af CAESAR. Hvis ART kan bestå CAESARs høje barre, kan forskerne være sikre på, at den er klar til test i virkelige scenarier i kredsløb.
"Dette er state-of-the-art tilgange, der kræver forfining," siger D'Amico. "Vores næste skridt er at injicere yderligere AI- og maskinlæringselementer for at forbedre ARTs nuværende kapacitet og for at låse op for nye muligheder, men det vil tage en lang rejse, før vi kan teste den autonome Rendezvous Transformer i selve rummet."
Flere oplysninger: Tommaso Guffanti et al., Transformers for Trajectory Optimization with Application to Spacecraft Rendezvous, arXiv (2023). DOI:10.48550/arxiv.2310.13831
Leveret af Stanford University
Sidste artikelNASAs netværk af små månebundne rovere er klar til at rulle
Næste artikelForskere løser gåden om en nitrogenrig galakse 440 millioner år efter Big Bang