I viaggi spaziali sono complessi, costosi e rischiosi. Grandi somme e carichi preziosi sono in gioco ogni volta che un veicolo spaziale attracca ad un altro. Un errore e una missione da un miliardo di dollari potrebbero andare perduti. Gli ingegneri aerospaziali ritengono che il controllo autonomo, come quello che guida oggi molte auto lungo la strada, potrebbe migliorare notevolmente la sicurezza della missione, ma la complessità della matematica richiesta per una certezza senza errori va oltre qualsiasi cosa i computer di bordo possano attualmente gestire.
In un nuovo articolo presentato alla IEEE Aerospace Conference nel marzo 2024 e pubblicato sul server di prestampa arXiv , un team di ingegneri aerospaziali dell'Università di Stanford ha riferito di utilizzare l'intelligenza artificiale per accelerare la pianificazione di traiettorie ottimali e sicure tra due o più veicoli spaziali in attracco. Lo chiamano ART, ovvero Autonomous Rendezvous Transformer, e dicono che è il primo passo verso un'era di viaggi spaziali autoguidati più sicuri e affidabili.
Nel controllo autonomo, il numero di possibili risultati è enorme. Senza spazio per errori, sono essenzialmente aperti.
"L'ottimizzazione della traiettoria è un argomento molto antico. Esiste dagli anni '60, ma è difficile quando si tenta di far corrispondere i requisiti prestazionali e le rigide garanzie di sicurezza necessarie per i viaggi spaziali autonomi entro i parametri degli approcci computazionali tradizionali", ha affermato Marco Pavone , professore associato di aeronautica e astronautica e co-direttore del nuovo Stanford Center for AEroSpace Autonomy Research (CAESAR).
"Nello spazio, ad esempio, devi affrontare vincoli che normalmente non hai sulla Terra, come, ad esempio, puntare verso le stelle per mantenere l'orientamento. Ciò si traduce in complessità matematica."
"Affinché l'autonomia funzioni senza problemi a miliardi di chilometri di distanza nello spazio, dobbiamo farlo in modo che i computer di bordo possano gestirlo", ha aggiunto Simone D'Amico, professore associato di aeronautica e astronautica e collega co-direttore dell'Università di Los Angeles. CESARE. "L'intelligenza artificiale ci sta aiutando a gestire la complessità e a fornire la precisione necessaria per garantire la sicurezza della missione, in modo efficiente dal punto di vista computazionale."
CAESAR è una collaborazione tra industria, mondo accademico e governo che riunisce le competenze dell'Autonomous Systems Lab di Pavone e dello Space Rendezvous Lab di D'Amico. L'Autonomous Systems Lab sviluppa metodologie per l'analisi, la progettazione e il controllo di sistemi autonomi:automobili, aerei e, ovviamente, veicoli spaziali.
Lo Space Rendezvous Lab svolge ricerche fondamentali e applicate per abilitare futuri sistemi spaziali distribuiti in cui due o più veicoli spaziali collaborano autonomamente per raggiungere obiettivi altrimenti molto difficili per un singolo sistema, tra cui volo in formazione, rendezvous e attracco, comportamenti di sciame, costellazioni e molti altri . Il laboratorio sta pianificando un workshop di lancio per maggio 2024.
Un inizio caloroso
L’Autonomous Rendezvous Transformer è un framework di ottimizzazione della traiettoria che sfrutta gli enormi vantaggi dell’intelligenza artificiale senza compromettere le garanzie di sicurezza necessarie per un’implementazione affidabile nello spazio. Fondamentalmente, ART prevede l'integrazione di metodi basati sull'intelligenza artificiale nella pipeline tradizionale per l'ottimizzazione della traiettoria, utilizzando l'intelligenza artificiale per generare rapidamente candidati alla traiettoria di alta qualità come input per algoritmi di ottimizzazione della traiettoria convenzionali.
I ricercatori definiscono i suggerimenti dell'intelligenza artificiale come un "avvio a caldo" del problema di ottimizzazione e mostrano come questo sia fondamentale per ottenere sostanziali accelerazioni computazionali senza compromettere la sicurezza.
"Una delle grandi sfide in questo campo è che finora abbiamo avuto bisogno di approcci 'ground in the loop':devi comunicare le cose a terra dove i supercomputer calcolano le traiettorie e poi carichiamo i comandi sul satellite," spiega Tommaso Guffanti, ricercatore post-dottorato nel laboratorio di D'Amico e primo autore dell'articolo che introduce l'Autonomous Rendezvous Transformer.
"E in questo contesto, ritengo che il nostro articolo sia interessante perché include componenti di intelligenza artificiale nei tradizionali sistemi di guida, navigazione e controllo per rendere questi rendez-vous più fluidi, più veloci, più efficienti in termini di consumo di carburante e più sicuri."
ART non è il primo modello a portare l’intelligenza artificiale nella sfida del volo spaziale, ma nei test in un laboratorio terrestre, ART ha sovraperformato altre architetture basate sull’apprendimento automatico. I modelli Transformer, come ART, sono un sottoinsieme di modelli di reti neurali ad alta capacità che hanno avuto inizio con modelli linguistici di grandi dimensioni, come quelli utilizzati dai chatbot. La stessa architettura AI è estremamente efficiente nell'analizzare, non solo le parole, ma molti altri tipi di dati come immagini, audio e ora traiettorie.
"I trasformatori possono essere applicati per comprendere lo stato attuale di un veicolo spaziale, i suoi controlli e le manovre che desideriamo pianificare", Daniele Gammelli, ricercatore post-dottorato nel laboratorio di Pavone e anche coautore dell'articolo ART. "Questi modelli di trasformatori di grandi dimensioni sono estremamente capaci di generare sequenze di dati di alta qualità."
La prossima frontiera della loro ricerca è sviluppare ulteriormente l’ART e poi testarla nell’ambiente sperimentale realistico reso possibile da CAESAR. Se ART riuscirà a superare gli alti standard di CAESAR, i ricercatori potranno essere certi che sarà pronto per essere testato in scenari reali in orbita.
"Si tratta di approcci all'avanguardia che necessitano di affinamento", afferma D'Amico. "Il nostro prossimo passo è inserire ulteriori elementi di intelligenza artificiale e apprendimento automatico per migliorare le attuali capacità di ART e sbloccare nuove funzionalità, ma sarà un lungo viaggio prima di poter testare l'Autonomous Rendezvous Transformer nello spazio stesso."
Ulteriori informazioni: Tommaso Guffanti et al, Trasformatori per l'ottimizzazione della traiettoria con applicazione al Rendezvous di veicoli spaziali, arXiv (2023). DOI:10.48550/arxiv.2310.13831
Fornito dall'Università di Stanford
