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

Das Annähern und die Annäherungsmanöver von Raumfahrzeugen sind die delikate Kunst, zwei Fahrzeuge im Vakuum des Weltraums zusammenzuführen – eine Aufgabe, die sich von einem seltenen, von Menschen überwachten Manöver zu einer routinemäßigen Notwendigkeit der modernen Exploration entwickelt hat. Ob es sich um ein Versorgungsschiff handelt, das Güter zur Internationalen Raumstation liefert, oder um eine zukünftige Mission, die mit einem Mondlander andockt: Das Ziel ist immer dasselbe: Ein Raumfahrzeug von Kilometern Entfernung zu einem sanften Kontakt auf Zentimeter-Ebene zu führen, ohne zu kollidieren. Dieser Prozess ist voller Risiken; eine Kollision kann beide Fahrzeuge zerstören und Wolken aus gefährlichem Trümmergut erzeugen, die andere Satelliten bedrohen. Traditionell haben Ingenieure dies gelöst, indem sie das Problem in separate Teile zerlegten: Ein System schätzt, wo sich das Schiff befindet, ein anderes entscheidet, wohin es steuern soll, und ein drittes berechnet, wie es gelenkt wird. Diese Systeme verlassen sich auf mathematische Modelle der Physik und Sensordaten, stoßen aber an ihre Grenzen, wenn sie mit der chaotischen Realität roher Kamerabilder oder unerwarteten Veränderungen in der Umgebung konfrontiert werden. Sie sind starr und oft nicht in der Lage, aus neuen Situationen zu lernen oder vorherzusagen, was schiefgehen könnte, bevor es passiert.

Ein neuer Ansatz, der aus dem Bereich der Künstlichen Intelligenz hervorgeht, bietet einen anderen Weg, diese Herausforderung zu denken. Anstatt die Aufgaben des Wahrnehmens, Denkens und Handelns zu trennen, entwickeln Forscher „Weltmodelle“ (World Models). Dies sind Computerprogramme, die lernen, wie die Welt funktioniert, indem sie tausende Stunden simulierter Raumfahrt beobachten. Sie berechnen nicht nur eine einzige beste Schätzung dafür, wo sich ein Schiff befinden wird; sie lernen, eine Bandbreite möglicher Zukünfte vorherzusagen, einschließlich der Frage, wie unsicher sie sich bei diesen Vorhersagen sind. Dies ermöglicht es einem Raumfahrzeug, die Konsequenzen seiner Handlungen zu imaginieren, bevor es sie tatsächlich ausführt, ganz ähnlich wie ein Pilot, der den Landepfad in seinem Geist visualisiert. Während diese Modelle in der Robotik und in Videospielen bereits große Erfolge gezeigt haben, wurden sie bis jetzt noch nie in der harten, hochriskanten Umgebung des Weltraums getestet.

Forscher der Stanford University haben dieses Konzept aufgegriffen und auf das Problem des Andockens eines Raumfahrzeugs an die Internationale Raumstation angewendet. Sie entwickelten eine neue, Open-Source-Simulationsumgebung, die auf leistungsstarken Grafikprozessoren läuft, was es ihnen ermöglicht, Hunderttausende von Trainingsszenarien in einem Bruchteil der Zeit zu generieren, die herkömmliche Computer benötigen würden. Dieser massive Datensatz lehrte eine neue Art von Künstlicher Intelligenz, die sie das „Out-of-this-World-Model“ nennen, gleichzeitig die komplexe Choreografie der Orbitalmechanik und der visuellen Wahrnehmung zu verstehen. Das Modell verarbeitet Rohdaten von den Sensoren des Raumfahrzeugs, einschließlich Bildern einer an der Nase montierten Kamera sowie Messungen von Geschwindigkeit und Position, und lernt vorherzusagen, was diese Sensoren im nächsten Moment sehen werden. Entscheidend ist, dass es lernt, dies unter Berücksichtigung des Rauschens und der Fehler zu tun, die für reale Sensoren typisch sind, und somit eine Wahrscheinlichkeitsverteilung zukünftiger Ergebnisse anstelle einer einzelnen, spröden Vorhersage liefert.

Die Ergebnisse dieser Studie zeigen, dass dieser gelernte Ansatz die aktuellen Standardmethoden übertrifft. Bei Tests zum Andocken an die Internationale Raumstation erreichte das auf einem Weltmodell basierende System eine Erfolgsquote von 53 Prozent über verschiedene Andockports hinweg, verglichen mit nur 29 Prozent bei einem Reinforcement-Learning-System, das direkt auf dieselbe Aufgabe trainiert wurde. Der Unterschied war noch dramatischer, als das Raumfahrzeug gebeten wurde, an Ports anzudocken, die es zuvor noch nie gesehen hatte. In diesen neuen, ungesehenen Szenarien war das Weltmodell in 40 Prozent der Fälle erfolgreich, was die Erfolgsquote des traditionellen Systems von 17 Prozent mehr als verdoppelte. Dies deutet darauf hin, dass das Modell ein tieferes, flexibleres Verständnis der Physik der Raumfahrt erlernt hat, was es ihm ermöglicht, auf Situationen zu generalisieren, für die es nicht explizit trainiert wurde, während das traditionelle System Schwierigkeiten hatte, sich anzupassen, wenn sich die Geometrie des Andockports änderte.

Über das bessere Andocken hinaus demonstrierte das Modell die einzigartige Fähigkeit, Anomalien in Echtzeit zu erkennen. Da das System lernt, vorherzusagen, was die Sensoren sehen sollten, kann es sofort erkennen, wenn die Realität von seinen Erwartungen abweicht. In Tests, bei denen ein zweites, nicht beteiligtes Raumfahrzeug in die Umgebung platziert wurde – ein Szenario, das das Modell während des Trainings nie erlebt hatte – identifizierte es die Anwesenheit dieses unerwarteten Objekts mit einer Genauigkeit von 98 Prozent. Das System tat dies, indem es bemerkte, dass die visuellen Daten der Kamera nicht mit seiner internen Vorhersage eines freien Annäherungspfades übereinstimmten. Diese Fähigkeit fungiert als Frühwarnsystem, das es dem Raumfahrzeug ermöglicht, gefährliche oder ungewöhnliche Situationen zu erkennen, bevor eine Kollision auftritt – eine Funktion, die in traditionelle Steuerungssysteme nur schwer zu implementieren ist.

Die Forscher erreichten diese Ergebnisse, indem sie ihr neues KI-Modell mit einem Planungsalgorithmus kombinierten, der viele mögliche zukünftige Pfade gleichzeitig simuliert. Das Modell sagt voraus, wie sich das Raumfahrzeug bewegen wird und was die Sensoren für jeden dieser Pfade sehen werden, und der Planer wählt die Sequenz von Aktionen aus, die zum sichersten und erfolgreichsten Andocken führt. Dieser Prozess findet vollständig innerhalb des „Geistes“ des Computers statt, was es dem System ermöglicht, über komplexe Einschränkungen zu argumentieren – wie etwa das Vermeiden der Solarpaneele der Station oder das Einhalten eines sicheren Annäherungskorridors –, ohne jede Möglichkeit physisch testen zu müssen. Die Studie bestätigt, dass das Erlernen eines vereinheitlichten Modells sowohl der Bewegung des Raumfahrzeugs als auch seiner visuellen Umgebung einen robusteren und anpassungsfähigeren Agenten schafft als Methoden, die diese Elemente getrennt behandeln.

Obwohl diese Arbeit ein bedeutender Schritt nach vorne ist, weisen die Forscher vorsichtig darauf hin, dass es sich noch um eine Simulation handelt. Die Erfolgsraten und die Fähigkeiten zur Anomalieerkennung wurden in einer hochrealistischen virtuellen Umgebung gemessen, die die Physik der Internationalen Raumstation nachbildet, aber das System wurde noch nicht an einem echten Raumfahrzeug im Orbit getestet. Die Simulation beinhaltete detaillierte Modelle von Gravitation, atmosphärischem Widerstand und den Lichtverhältnissen im Weltraum, doch der Übergang in die reale Welt wird neue Herausforderungen mit sich bringen. Das Team plant, das System weiter zu verfeinern, insbesondere durch die Abstimmung der Kostenfunktionen, die den Planungsalgorithmus leiten, um die Anzahl der Kollisionen zu reduzieren, die bei schwierigen Annäherungen noch auftreten. Sie sehen auch Potenzial darin, die Fähigkeit des Modells zur Anomalieerkennung für eine breitere Weltraumlageerfassung (Space Domain Awareness) zu nutzen, etwa um zu identifizieren, wenn sich ein Satellit unerwartet verhält.

Diese Arbeit stellt eine Verschiebung in der Art und Weise dar, wie wir autonomen Raumflug angehen könnten. Indem wir Maschinen lehren, ihre eigenen internen Modelle des Universums zu bauen, anstatt jede Regel der Physik und Sicherheit fest zu programmieren, können wir Raumfahrzeuge erschaffen, die nicht nur effizienter, sondern auch besser in der Lage sind, mit dem Unerwarteten umzugehen. Die Fähigkeit, die Zukunft mit Unsicherheitsschätzungen vorherzusagen und zu erkennen, wenn die Welt sich nicht wie erwartet verhält, bringt autonome Raumfahrtoperationen näher an das Niveau an Intuition und Anpassungsfähigkeit, auf das sich menschliche Piloten seit langem verlassen. Während die Weltraumexploration komplexeren Missionen entgegengeht, vom Servicing von Satelliten bis hin zur Landung auf dem Mond, könnten diese gelernten Weltmodelle das Fundament für die nächste Generation autonomer Raumfahrzeuge bilden, die in der Lage sind, über ihre Handlungen nachzudenken, bevor sie diese ausführen.