As viagens espaciais são complexas, caras e arriscadas. Grandes somas e cargas valiosas estão em jogo sempre que uma espaçonave atraca com outra. Um deslize e uma missão de um bilhão de dólares poderiam ser perdidas. Os engenheiros aeroespaciais acreditam que o controlo autónomo, como o que hoje guia muitos carros nas estradas, poderia melhorar enormemente a segurança da missão, mas a complexidade da matemática necessária para uma certeza isenta de erros está além de qualquer coisa que os computadores de bordo possam atualmente controlar.



Em um novo artigo apresentado na IEEE Aerospace Conference em março de 2024 e publicado no servidor de pré-impressão arXiv , uma equipe de engenheiros aeroespaciais da Universidade de Stanford relatou o uso de IA para acelerar o planejamento de trajetórias ideais e seguras entre duas ou mais espaçonaves de acoplagem. Eles chamam isso de ART – o Autonomous Rendezvous Transformer – e dizem que é o primeiro passo para uma era de viagens espaciais autoguiadas mais seguras e confiáveis.

Salve CÉSAR

No controlo autónomo, o número de resultados possíveis é enorme. Sem espaço para erros, eles são essencialmente abertos.

"A otimização da trajetória é um tema muito antigo. Existe desde a década de 1960, mas é difícil quando se tenta combinar os requisitos de desempenho e as rígidas garantias de segurança necessárias para viagens espaciais autônomas dentro dos parâmetros das abordagens computacionais tradicionais", disse Marco Pavone. , professor associado de aeronáutica e astronáutica e codiretor do novo Stanford Center for AEroSpace Autonomy Research (CAESAR).

"No espaço, por exemplo, você tem que lidar com restrições que normalmente não existem na Terra, como, por exemplo, apontar para as estrelas para manter a orientação. Isso se traduz em complexidade matemática."

“Para que a autonomia funcione sem falhas a milhares de milhões de quilómetros de distância no espaço, temos de fazê-lo de uma forma que os computadores de bordo possam suportar”, acrescentou Simone D’Amico, professora associada de aeronáutica e astronáutica e colega co-diretora do CÉSAR. “A IA está nos ajudando a gerenciar a complexidade e a fornecer a precisão necessária para garantir a segurança da missão, de forma computacionalmente eficiente”.

CAESAR é uma colaboração entre a indústria, a academia e o governo que reúne a experiência do Laboratório de Sistemas Autônomos de Pavone e do Laboratório de Encontro Espacial de D'Amico. O Laboratório de Sistemas Autônomos desenvolve metodologias para análise, projeto e controle de sistemas autônomos – carros, aeronaves e, claro, naves espaciais.

O Space Rendezvous Lab realiza pesquisas fundamentais e aplicadas para permitir futuros sistemas espaciais distribuídos, nos quais duas ou mais espaçonaves colaboram de forma autônoma para atingir objetivos que de outra forma seriam muito difíceis para um único sistema, incluindo vôo em formação, encontro e atracação, comportamentos de enxame, constelações e muitos outros. . O laboratório está planejando um workshop de lançamento para maio de 2024.

Um começo quente

O Autonomous Rendezvous Transformer é uma estrutura de otimização de trajetória que aproveita os enormes benefícios da IA ​​sem comprometer as garantias de segurança necessárias para uma implantação confiável no espaço. Basicamente, o ART envolve a integração de métodos baseados em IA no pipeline tradicional para otimização de trajetória, usando IA para gerar rapidamente candidatos de trajetória de alta qualidade como entrada para algoritmos convencionais de otimização de trajetória.

Os pesquisadores referem-se às sugestões da IA ​​como um “início a quente” para o problema de otimização e mostram como isso é crucial para obter acelerações computacionais substanciais sem comprometer a segurança.

"Um dos grandes desafios neste campo é que até agora precisávamos de abordagens 'ground in the loop' - é preciso comunicar as coisas ao solo, onde os supercomputadores calculam as trajetórias e depois carregamos os comandos de volta ao satélite", explica Tommaso. Guffanti, pós-doutorado no laboratório de D'Amico e primeiro autor do artigo que apresenta o Autonomous Rendezvous Transformer.

"E neste contexto, penso que o nosso artigo é entusiasmante por incluir componentes de inteligência artificial na orientação tradicional, navegação e condutas de controlo para tornar estes encontros mais suaves, mais rápidos, mais eficientes em termos de combustível e mais seguros."

Próximas fronteiras

O ART não é o primeiro modelo a trazer a IA para o desafio do voo espacial, mas em testes em laboratório terrestre, o ART superou outras arquiteturas baseadas em aprendizado de máquina. Os modelos de transformadores, como o ART, são um subconjunto de modelos de redes neurais de alta capacidade que começaram com grandes modelos de linguagem, como aqueles usados ​​por chatbots. A mesma arquitetura de IA é extremamente eficiente na análise não apenas de palavras, mas de muitos outros tipos de dados, como imagens, áudio e, agora, trajetórias.

“Os transformadores podem ser aplicados para compreender o estado atual de uma nave espacial, os seus controlos e as manobras que desejamos planear”, Daniele Gammelli, pós-doutoranda no laboratório de Pavone, e também coautora do artigo ART. "Esses grandes modelos de transformadores são extremamente capazes de gerar sequências de dados de alta qualidade."

A próxima fronteira na sua investigação é desenvolver ainda mais o ART e depois testá-lo no ambiente experimental realista possibilitado pelo CAESAR. Se o ART conseguir ultrapassar os padrões do CAESAR, os pesquisadores podem ter certeza de que ele está pronto para testes em cenários do mundo real em órbita.

“Essas são abordagens de última geração que precisam de refinamento”, diz D'Amico. “Nosso próximo passo é injetar elementos adicionais de IA e aprendizado de máquina para melhorar a capacidade atual do ART e desbloquear novos recursos, mas será uma longa jornada antes que possamos testar o Autonomous Rendezvous Transformer no próprio espaço.”

Mais informações: Tommaso Guffanti et al, Transformadores para Otimização de Trajetória com Aplicação em Encontro de Naves Espaciais, arXiv (2023). DOI:10.48550/arxiv.2310.13831
Fornecido pela Universidade de Stanford