Τα ταξίδια στο διάστημα είναι πολύπλοκα, ακριβά και εμπεριέχουν ρίσκο. Μεγάλα ποσά και πολύτιμα ωφέλιμα φορτία σε αποστολές δισεκατομμυρίων δολαρίων μπορεί να χαθούν με ένα ολίσθημα κατά την ελλιμενοποίηση ή πρόσδεση διαστημικών οχημάτων (ένωση δύο διαστημικών οχημάτων), δηλαδή αν δεν πάει καλά το «ραντεβού» των αεροσκαφών.
Για το «ραντεβού» απαιτείται ένα σύνολο τροχιακών ελιγμών κατά τη διάρκεια των οποίων δύο διαστημόπλοια φτάνουν στην ίδια τροχιά και πλησιάζουν το ένα το άλλο σε κοντινή απόσταση. Το διαστημόπλοιο «στόχος» είναι παθητικό, ενώ το διαστημόπλοιο «κυνηγός» εκτελεί τους ελιγμούς για να συναντήσει τον στόχο.
Ο ελλιμενισμός επιτυγχάνεται με τον ελιγμό του κυνηγού πιο κοντά στον στόχο και την ένωση μαζί του. Ο ελιγμός σύνδεσης εκτελείται από έναν ελεγκτή κλειστού βρόχου που δίνει εντολή στον «κυνηγό».
Οι μηχανικοί αεροδιαστημικής πιστεύουν ότι ο αυτόνομος έλεγχος, όπως αυτός που καθοδηγεί πολλά αυτοκίνητα στο δρόμο σήμερα, θα μπορούσε να βελτιώσει σημαντικά την ασφάλεια των διαστημικών αποστολών, αλλά η πολυπλοκότητα των μαθηματικών που απαιτούνται για τέτοιες βεβαιότητες χωρίς σφάλματα είναι πέρα από οτιδήποτε μπορούν να χειριστούν οι υπολογιστές σήμερα εν πλω.
Σε μια νέα εργασία που παρουσιάστηκε στο IEEE Aerospace Conference νωρίτερα αυτόν τον μήνα και που δημοσιεύτηκε στο arXiv , μια ομάδα μηχανικών αεροδιαστημικής στο Πανεπιστήμιο του Στάνφορντ αναφέρει ότι χρησιμοποίησε τεχνητή νοημοσύνη για να επιταχύνει τον σχεδιασμό βέλτιστων και ασφαλών τροχιών για ελλιμενοποίηση και όχι μόνο. Την αποκαλούν ART – the Autonomous Rendezvous Transformer (αυτόνομο μετασχηματιστή ραντεβού) και λένε ότι είναι το πρώτο βήμα σε μια εποχή ασφαλέστερων και αξιόπιστων αυτόνομων διαστημικών ταξιδιών.
«Η βελτιστοποίηση τροχιάς μας απασχολεί από τη δεκαετία του 1960, αλλά είναι δύσκολο να ταιριάξεις τις απαιτήσεις απόδοσης και τις εγγυήσεις απόλυτης ασφάλειας που είναι απαραίτητες για αυτόνομα διαστημικά ταξίδια εντός των παραμέτρων των παραδοσιακών υπολογιστικών προσεγγίσεων», λέει ο Marco Pavone, αναπληρωτής καθηγητής αεροναυπηγικής και αστροναυτικής και συνδιευθύνει το νέο Stanford Center for AeroSpace Autonomy Research (CAESAR).
«Στο διάστημα, για παράδειγμα, πρέπει να αντιμετωπίσεις περιορισμούς που συνήθως δεν υπάρχουν στη Γη. Αυτό μεταφράζεται σε μαθηματική πολυπλοκότητα. Η τεχνητή νοημοσύνη μας βοηθά να διαχειριστούμε αυτή την πολυπλοκότητα και να προσφέρουμε την ακρίβεια που απαιτείται για τη διασφάλιση της ασφάλειας της αποστολής, με έναν υπολογιστικά αποδοτικό τρόπο», προσθέτει ο Simone D'Amico, αναπληρωτής καθηγητής αεροναυτικής και αστροναυτικής και συνδιευθυντής του CAESAR.
Το CAESAR είναι μια συνεργασία μεταξύ της βιομηχανίας, του ακαδημαϊκού κόσμου και της αμερικανικής κυβέρνησης που συγκεντρώνει την τεχνογνωσία του Autonomous Systems Lab του Marco Pavone και του Space Rendezvous Lab του D'Amico. Το Εργαστήριο του πρώτου αναπτύσσει μεθοδολογίες για την ανάλυση, τον σχεδιασμό και τον έλεγχο αυτόνομων συστημάτων σε αυτοκίνητα, αεροσκάφη και διαστημόπλοια, ενώ το Εργαστήριο του δεύτερου εκτελεί θεμελιώδη και εφαρμοσμένη έρευνα για να αναπτύξει κατανεμημένα διαστημικά συστήματα όπου δύο ή περισσότερα διαστημόπλοια συνεργάζονται αυτόνομα για να επιτύχουν σε ένα ενιαίο σύστημα στόχους-διαφορετικά πολύ δύσκολους, όπως πτήση σε σχηματισμό, ραντεβού και ελλιμενισμό, συμπεριφορά σμήνους και πολλά άλλα.
Το ART-Autonomous Rendezvous Transformer είναι ένα πλαίσιο βελτιστοποίησης τροχιάς που αξιοποιεί τα τεράστια οφέλη της τεχνητής νοημοσύνης χωρίς συμβιβασμούς στις εγγυήσεις ασφαλείας που απαιτούνται για αξιόπιστη ανάπτυξη στο διάστημα. Οι ερευνητές αναφέρουν τη χρήση της τεχνητής νοημοσύνης ως «θερμό ξεκίνημα» στο πρόβλημα βελτιστοποίησης τροχιάς και δείχνουν πώς είναι κρίσιμη για την επίτευξη σημαντικών υπολογιστικών επιταχύνσεων χωρίς συμβιβασμούς στην ασφάλεια.
«Η εργασία μας είναι συναρπαστική, νομίζω, για τη συμπερίληψη στοιχείων τεχνητής νοημοσύνης στον παραδοσιακό αγωγό καθοδήγησης, πλοήγησης και ελέγχου έτσι ώστε να γίνουν τα ραντεβού των διαστημικών σκαφών πιο ομαλά, ταχύτερα, πιο αποδοτικά με λιγότερη κατανάλωση καυσίμου και ασφαλέστερα», εξηγεί ο Tommaso. Guffanti, μεταδιδακτορικός συνεργάτης στο εργαστήριο του D'Amico και πρώτος συγγραφέας της εργασίας που παρουσιάζει το Autonomous Rendezvous Transformer.
Το ART δεν είναι το πρώτο μοντέλο που φέρνει την τεχνητή νοημοσύνη στις διαστημικές πτήσης, αλλά σε δοκιμές σε εργαστηριακό περιβάλλον ξεπέρασε τις άλλες αρχιτεκτονικές που βασίζονται στη μηχανική μάθηση. Τα μοντέλα όπως το ART είναι ένα υποσύνολο μοντέλων νευρωνικών δικτύων υψηλής χωρητικότητας που ξεκίνησαν με μεγάλα γλωσσικά μοντέλα όπως αυτά που χρησιμοποιούνται από τα chatbot. Η ίδια αρχιτεκτονική τεχνητής νοημοσύνης είναι εξαιρετικά αποτελεσματική στην ανάλυση, όχι μόνο λέξεων, αλλά πολλών άλλων τύπων δεδομένων, όπως εικόνες, ήχος και τώρα, τροχιές.
«Οι μετασχηματιστές μπορούν να εφαρμοστούν για να κατανοήσουν την τρέχουσα κατάσταση ενός διαστημικού σκάφους, τους ελέγχους του και τους ελιγμούς που θέλουμε να σχεδιάσουμε», δήλωσε ο Daniele Gammelli, μεταδιδακτορικός συνεργάτης στο εργαστήριο του Pavone και επίσης συν-συγγραφέας της εργασίας. «Αυτά τα μεγάλα μοντέλα μετασχηματιστών είναι εξαιρετικά ικανά να παράγουν υψηλής ποιότητας αλληλουχίες δεδομένων».
Το επόμενο βήμα είναι η περαιτέρω ανάπτυξη του ART και στη συνέχεια η δοκιμή του σε ρεαλιστικό πειραματικό περιβάλλον. Εάν το ART περάσει τον υψηλό πήχη του CAESAR, οι ερευνητές μπορούν να είναι βέβαιοι ότι είναι έτοιμο για δοκιμή σε σενάρια πραγματικού κόσμου σε τροχιά.
«Το επόμενο βήμα μας είναι να εισαγάγουμε πρόσθετα στοιχεία τεχνητής νοημοσύνης και μηχανικής μάθησης για να βελτιώσουμε την τρέχουσα ικανότητα του ART και να ξεκλειδώσουμε νέες δυνατότητες, αλλά θα είναι ένα μακρύ ταξίδι προτού μπορέσουμε να δοκιμάσουμε τον Αυτόνομο Μετασχηματιστή Ραντεβού στο ίδιο το διάστημα», λέει ο D'Amico.
