GPU-Accelerated Astrodynamics World Models for Spacecraft Rendezvous and Proximity Operations

تعد عمليات التقارب والاقتراب بين المركبات الفضائية فناً دقيقاً يتمثل في تقريب مركبتين من بعضهما البعض في فراغ الفضاء، وهي مهمة تطورت من مناورة نادرة يشرف عليها البشر إلى ضرورة روتينية للاستكشاف الحديث. وسواء كانت سفينة شحن تسلم الإمدادات إلى محطة الفضاء الدولية أو مهمة مستقبلية ترسو مع مركبة هبوط على سطح القمر، فإن الهدف يظل دائماً هو نفسه: توجيه مركبة فضائية من مسافة كيلومترات بعيدة إلى تلامس لطيف بمستوى السنتيمتر دون الاصطدام. هذه العملية محفوفة بالمخاطر؛ إذ يمكن أن يؤدي التصادم إلى تدمير كلتا المركبتين وخلق سحب من الحطام الخطير الذي يهدد الأقمار الصناعية الأخرى. تقليدياً، عالج المهندسون هذه المشكلة عبر تقسيمها إلى أجزاء منفصلة: نظام يقدر موقع السفينة، ونظام آخر يقرر وجهتها، وثالث يحسب كيفية التوجيه. تعتمد هذه الأنظمة على نماذج رياضية للفيزياء وبيانات الاستشعار، لكنها تواجه صعوبات عندما تواجه الواقع المعقد لصور الكاميرا الخام أو التغيرات غير المتوقعة في البيئة. إنها أنظمة جامدة، وغالباً ما تكون عاجزة عن التعلم من المواقف الجديدة أو التنبؤ بما قد يحدث خطأ قبل وقوعه.

يقدم نهج جديد، ناشئ من مجال الذكاء الاصطناعي، طريقة مختلفة للتفكير في هذا التحدي. فبدلاً من فصل مهام الاستشعار والتفكير والعمل، يعمل الباحثون على تطوير "نماذج عالمية" (world models). هذه النماذج هي برامج حاسوبية تتعلم فهم كيفية عمل العالم من خلال مشاهدة آلاف الساعات من الطيران الفضائي المحاكي. وهي لا تكتفي فقط بحساب أفضل تخمين واحد لموقع السفينة، بل تتعلم التنبؤ بمجموعة من الاحتمالات المستقبلية الممكنة، بما في ذلك مدى عدم اليقين بشأن تلك التنبؤات. وهذا يسمح للمركبة الفضائية بتخيل عواقب أفعالها قبل اتخاذها بالفعل، تماماً مثل الطيار الذي يتخيل مسار الهبوط في ذهنه. وبينما أظهرت هذه النماذج وعوداً كبيرة في مجال الروبوتات وألعاب الفيديو، إلا أنها لم تُختبر أبداً في البيئة القاسية وعالية المخاطر للفضاء حتى الآن.

لقد اتخذ الباحثون في جامعة ستانفورد هذا المفهوم وطبقوه على مشكلة إرساء مركبة فضائية مع محطة الفضاء الدولية. فقد بنوا بيئة محاكاة جديدة مفتوحة المصدر تعمل على معالجات رسومية قوية، مما سمح لهم بتوليد مئات الآلاف من سيناريوهات التدريب في جزء بسيط من الوقت الذي تستغرقه الحواسيب التقليدية. علمت هذه المجموعة الضخمة من البيانات نوعاً جديداً من الذكاء الاصطناعي، أطلقوا عليه اسم "نموذج العالم الخارج عن هذا العالم" (Out-of-this-World-Model)، لفهم الرقصة المعقدة لميكانيكا المدارات والإدراك البصري في آن واحد. يستوعب النموذج البيانات الخام من مستشعرات المركبة الفضائية، بما في ذلك الصور من كاميرا مثبتة على مقدمتها وقياسات سرعتها وموقعها، ويتعلم التنبؤ بما ستراه تلك المستشعرات في اللحظة التالية. والأهم من ذلك، أنه يتعلم القيام بذلك مع مراعاة الضجيج والأخطاء المتأصلة في مستشعرات العالم الحقيقي، منتجاً توزيعاً احتمالياً للنتائج المستقبلية بدلاً من مجرد تنبؤ واحد هش.

تظهر نتائج هذه الدراسة أن هذا النهج المتعلم يتفوق على الأساليب القياسية الحالية. فعند اختباره في مهمة الإرساء مع محطة الفضاء الدولية، حقق النظام القائم على نموذج العالم معدل نجاح قدره 53 بالمائة عبر مختلف منافذ الإرساء، مقارنة بـ 29 بالمائة فقط لنظام التعلم المعزز الذي تم تدريبه مباشرة على المهمة نفسها. وكان الفرق أكثر دراماتيكية عندما طُلب من المركبة الفضائية الإرساء في منافذ لم ترها من قبل؛ ففي هذه السيناريوهات الجديدة وغير المرئية، نجح نموذج العالم بنسبة 40 بالمائة، وهو ما يعادل أكثر من ضعف نسبة النجاح التي حققها النظام التقليدي البالغة 17 بالمائة. يشير هذا إلى أن النموذج قد تعلم فهماً أعمق وأكثر مرونة لفيزياء الطيران الفضائي، مما سمح له بالتعميم في مواقف لم يتم تدريبه عليها صراحة، بينما عانى النظام التقليدي من التكيف عندما تغيرت هندسة منفذ الإرساء.

وبعيداً عن مجرد تحسين عملية الإرساء، أظهر النموذج قدرة فريدة على اكتشاف الشذوذ في الوقت الفعلي. ولأن النظام يتعلم التنبؤ بما يجب أن تراه المستشعرات، فإنه يمكنه التعرف فوراً على الحالات التي ينحرف فيها الواقع عن توقعاته. وفي الاختبارات التي وُضعت فيها مركبة فضائية ثانية غير مشاركة في المهمة داخل البيئة -وهو سيناريو لم يواجهه النموذج أثناء التدريب- حدد النظام وجود هذا الجسم غير المتوقع بدقة بلغت 98 بالمائة. قام النظام بذلك من خلال ملاحظة أن البيانات البصرية من الكاميرا لا تتطابق مع تنبؤه الداخلي بمسار اقتراب خالٍ من العوائق. وتعمل هذه القدرة كجهاز إنذار مبكر، مما يسمح للمركبة الفضائية بالتعرف على المواقف الخطرة أو غير العادية قبل وقوع التصادم، وهي ميزة يصعب هندستها في أنظمة التحكم التقليدية.

حقق الباحثون هذه النتائج من خلال الجمع بين نموذج الذكاء الاصطناعي الجديد وخوارزمية تخطيط تحاكي العديد من المسارات المستقبلية الممكنة في وقت واحد. يتنبأ النموذج بكيفية تحرك المركبة الفضائية وما ستراه المستشعرات لكل مسار من هذه المسارات، ثم تختار خوارزمية التخطيط تسلسل الإجراءات الذي يؤدي إلى الإرساء الأكثر أماناً ونجاحاً. تحدث هذه العملية بالكامل داخل "عقل" الحاسوب، مما يسمح للنظام بالتفكير في القيود المعقدة، مثل تجنب الألواح الشمسية للمحطة أو البقاء ضمن ممر اقتراب آمن، دون الحاجة إلى اختبار كل الاحتمالات مادياً. وتؤكد الدراسة أن تعلم نموذج موحد لكل من حركة المركبة الفضائية وبيئتها البصرية يخلق عاملاً أكثر قوة وقدرة على التكيف من الأساليب التي تعامل هذه العناصر بشكل منفصل.

بينما يعد هذا العمل خطوة كبيرة للأمام، يحرص الباحثون على الإشارة إلى أنه لا يزال مجرد محاكاة. فقد تم قياس معدلات النجاح وقدرات اكتشاف الشذوذ في بيئة افتراضية واقعية للغاية تحاكي فيزياء محطة الفضاء الدولية، ولكن لم يتم اختبار النظام بعد على مركبة فضائية حقيقية في المدار. تضمنت المحاكاة نماذج مفصلة للجاذبية، والسحب الجوي، وظروف الإضاءة في الفضاء، لكن الانتقال إلى العالم الحقيقي سيجلب تحديات جديدة. يخطط الفريق لتطوير النظام بشكل أكبر، لا سيما من خلال ضبط دوال التكلفة التي توجه خوارزمية التخطيط لتقليل عدد التصادمات التي لا تزال تحدث أثناء عمليات الاقتراب الصعبة. كما يرون إمكانات في استخدام قدرة النموذج على اكتشاف الشذوذ لتعزيز الوعي بالنطاق الفضائي بشكل أوسع، مثل تحديد متى يتصرف قمر صناعي بطريقة غير متوقعة.

يمثل هذا العمل تحولاً في كيفية مقاربتنا للطيران الفضائي المستقل. فمن خلال تعليم الآلات بناء نماذجها الخاصة للكون، بدلاً من برمجة كل قاعدة فيزيائية وقاعدة سلامة برمجياً، قد نتمكن من إنشاء مركبات فضائية ليست أكثر كفاءة فحسب، بل أيضاً أكثر قدرة على التعامل مع غير المتوقع. إن القدرة على التنبؤ بالمستقبل مع تقديرات عدم اليقين، والتعرف على الحالات التي لا يسير فيها العالم كما هو متوقع، تقرب عمليات الفضاء المستقلة من مستوى الحدس والقدرة على التكيف الذي اعتمد عليه الطيارون البشر طويلاً. ومع انتقال استكشاف الفضاء نحو مهام أكثر تعقيداً، من صيانة الأقمار الصناعية إلى الهبوط على القمر، يمكن لنماذج العالم المتعلمة هذه أن تصبح الأساس للجيل القادم من المركبات الفضائية ذاتية القيادة، القادرة على التفكير في أفعالها قبل تنفيذها.