Rymdresor är komplext, dyrt och riskabelt. Stora summor och värdefull nyttolast står på spel varje gång en rymdfarkost lägger till med en annan. En slip och ett uppdrag på miljarddollar kan gå förlorade. Flygingenjörer tror att autonom styrning, som den typ som leder många bilar på vägen idag, skulle kunna förbättra uppdragssäkerheten avsevärt, men komplexiteten i den matematik som krävs för felfri säkerhet är bortom allt vad omborddatorer kan hantera för närvarande.
I ett nytt dokument som presenterades vid IEEE Aerospace Conference i mars 2024 och publicerades på preprint-servern arXiv , rapporterade ett team av flygingenjörer vid Stanford University att de använde AI för att påskynda planeringen av optimala och säkra banor mellan två eller flera dockande rymdfarkoster. De kallar det ART – Autonomous Rendezvous Transformer – och de säger att det är det första steget till en era av säkrare och pålitligare självstyrda rymdresor.
Vid autonom kontroll är antalet möjliga utfall enormt. Utan utrymme för fel är de i huvudsak öppna.
"Bivägsoptimering är ett mycket gammalt ämne. Det har funnits sedan 1960-talet, men det är svårt när man försöker matcha prestandakraven och rigida säkerhetsgarantier som krävs för autonoma rymdresor inom parametrarna för traditionella beräkningsmetoder", säger Marco Pavone , en docent i flygteknik och astronautik och meddirektör för det nya Stanford Center for AEroSpace Autonomy Research (CAESAR).
"I rymden måste du till exempel hantera begränsningar som du vanligtvis inte har på jorden, som att till exempel peka på stjärnorna för att behålla orienteringen. Dessa leder till matematisk komplexitet."
"För att autonomi ska fungera utan att misslyckas miljarder mil bort i rymden måste vi göra det på ett sätt som omborddatorer kan hantera", tillade Simone D'Amico, docent i flygteknik och astronautik och meddirektör för CAESAR. "AI hjälper oss att hantera komplexiteten och leverera den noggrannhet som krävs för att säkerställa uppdragssäkerhet, på ett beräkningseffektivt sätt."
CAESAR är ett samarbete mellan industri, akademi och myndigheter som samlar expertis från Pavones Autonomous Systems Lab och D'Amicos Space Rendezvous Lab. Autonomous Systems Lab utvecklar metoder för analys, design och kontroll av autonoma system – bilar, flygplan och naturligtvis rymdfarkoster.
Space Rendezvous Lab utför grundläggande och tillämpad forskning för att möjliggöra framtida distribuerade rymdsystem där två eller flera rymdfarkoster samarbetar autonomt för att uppnå mål som annars är mycket svåra för ett enda system, inklusive flygning i formation, möte och dockning, svärmbeteenden, konstellationer och många andra . Labbet planerar en lanseringsworkshop i maj 2024.
En varm start
Autonomous Rendezvous Transformer är ett ramverk för banoptimering som utnyttjar de enorma fördelarna med AI utan att kompromissa med de säkerhetsgarantier som krävs för tillförlitlig utplacering i rymden. I grunden handlar ART om att integrera AI-baserade metoder i den traditionella pipelinen för banoptimering, genom att använda AI för att snabbt generera högkvalitativa bankandidater som input för konventionella banoptimeringsalgoritmer.
Forskarna hänvisar till AI-förslagen som en "varm start" på optimeringsproblemet och visar hur detta är avgörande för att uppnå betydande beräkningshastigheter utan att kompromissa med säkerheten.
"En av de stora utmaningarna inom det här fältet är att vi hittills har behövt 'ground in the loop'-tillvägagångssätt - du måste kommunicera saker till marken där superdatorer beräknar banorna och sedan laddar vi upp kommandon tillbaka till satelliten", förklarar Tommaso Guffanti, en postdoktor i D'Amicos labb och första författare till artikeln som introducerar Autonomous Rendezvous Transformer.
"Och i det här sammanhanget är vår uppsats spännande, tycker jag, för att inkludera artificiell intelligenskomponenter i traditionell guidning, navigering och kontrollpipeline för att göra dessa möten smidigare, snabbare, mer bränsleeffektiva och säkrare."
ART är inte den första modellen som förde AI till utmaningen med rymdflyg, men i tester i en markbaserad labbmiljö överträffade ART andra maskininlärningsbaserade arkitekturer. Transformatormodeller, som ART, är en delmängd av neurala nätverksmodeller med hög kapacitet som började med stora språkmodeller, som de som används av chatbots. Samma AI-arkitektur är extremt effektiv för att analysera, inte bara ord, utan många andra typer av data som bilder, ljud och nu banor.
"Transformatorer kan användas för att förstå det aktuella tillståndet för en rymdfarkost, dess kontroller och manövrar som vi vill planera," Daniele Gammelli, en postdoktor i Pavones labb, och även en medförfattare på ART-papperet. "Dessa stora transformatormodeller är extremt kapabla att generera högkvalitativa datasekvenser."
Nästa frontlinje i deras forskning är att vidareutveckla ART och sedan testa den i den realistiska experimentella miljö som CAESAR möjliggör. Om ART klarar CAESARs höga ribban kan forskarna vara säkra på att den är redo för testning i verkliga scenarier i omloppsbana.
"Detta är state-of-the-art tillvägagångssätt som behöver förfinas," säger D'Amico. "Vårt nästa steg är att injicera ytterligare AI- och maskininlärningselement för att förbättra ARTs nuvarande kapacitet och för att låsa upp nya möjligheter, men det kommer att ta en lång resa innan vi kan testa den autonoma Rendezvous-transformatorn i själva rymden."
Mer information: Tommaso Guffanti et al, Transformers for Trajectory Optimization with Application to Spacecraft Rendezvous, arXiv (2023). DOI:10.48550/arxiv.2310.13831
Tillhandahålls av Stanford University
