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

El acercamiento y las operaciones de proximidad de naves espaciales son el delicado arte de reunir dos vehículos en el vacío del espacio, una tarea que ha evolucionado de una maniobra infrecuente y supervisada por humanos a una necesidad rutinaria para la exploración moderna. Ya sea un carguero que entrega suministros a la Estación Espacial Internacional o una futura misión que se acopla a un módulo de aterrizaje lunar, el objetivo es siempre el mismo: guiar una nave desde kilómetros de distancia hasta un contacto suave, a nivel de centímetros, sin estrellarse. Este proceso está plagado de riesgos; una colisión puede destruir ambos vehículos y crear nubes de escombros peligrosos que amenazan a otros satélites. Tradicionalmente, los ingenieros han resuelto esto dividiendo el problema en piezas separadas: un sistema estima dónde está la nave, otro decide hacia dónde ir y un tercero calcula cómo maniobrar. Estos sistemas dependen de modelos matemáticos de la física y datos de sensores, pero tienen dificultades cuando se enfrentan a la realidad desordenada de las imágenes de cámaras puras o cambios inesperados en el entorno. Son rígidos, a menudo incapaces de aprender de nuevas situaciones o de predecir qué podría salir mal antes de que suceda.

Un nuevo enfoque, que surge del campo de la inteligencia artificial, ofrece una forma diferente de pensar este desafío. En lugar de separar las tareas de detección, pensamiento y acción, los investigadores están desarrollando "modelos de mundo". Estos son programas informáticos que aprenden a entender cómo funciona el mundo observando miles de horas de vuelos espaciales simulados. No solo calculan una única mejor estimación de dónde estará una nave; aprenden a predecir un rango de futuros posibles, incluyendo qué tan inciertos son sobre esas predicciones. Esto permite que una nave espacial imagine las consecuencias de sus acciones antes de tomarlas realmente, de forma muy similar a como un piloto visualiza una trayectoria de aterrizaje en su mente. Aunque estos modelos han mostrado gran promesa en la robótica y en los videojuegos, nunca habían sido probados en el duro y de alto riesgo entorno del espacio hasta ahora.

Investigadores de la Universidad de Stanford han tomado este concepto y lo han aplicado al problema de acoplar una nave espacial con la Estación Espacial Internacional. Construyeron un nuevo entorno de simulación de código abierto que se ejecuta en potentes procesadores gráficos, lo que les permite generar cientos de miles de escenarios de entrenamiento en una fracción del tiempo que les tomaría con computadoras tradicionales. Este enorme conjunto de datos enseñó a un nuevo tipo de inteligencia artificial, que llaman el "Modelo de Mundo Fuera de este Mundo" (Out-of-this-World-Model), a comprender la compleja danza de la mecánica orbital y la percepción visual simultáneamente. El modelo ingiere datos brutos de los sensores de la nave, incluyendo imágenes de una cámara montada en su nariz y mediciones de su velocidad y posición, y aprende a predecir lo que esos sensores verán en el siguiente momento. Crucialmente, aprende a hacer esto mientras tiene en cuenta el ruido y los errores inherentes a los sensores del mundo real, produciendo una distribución de probabilidad de los resultados futuros en lugar de una predicción única y frágil.

Los resultados de este estudio muestran que este enfoque aprendido supera a los métodos estándar actuales. Cuando se probó en la tarea de acoplarse con la Estación Espacial Internacional, el sistema basado en el modelo de mundo logró una tasa de éxito del 53 por ciento en varios puertos de acoplamiento, en comparación con solo el 29 por ciento de un sistema de aprendizaje por refuerzo que había sido entrenado directamente sobre la misma tarea. La diferencia fue aún más dramática cuando se le pidió a la nave espacial que se acoplara en puertos que nunca había visto antes. En estos nuevos escenarios no previstos, el modelo de mundo tuvo éxito el 40 por ciento de las veces, más que duplicando la tasa de éxito del 17 por ciento del sistema tradicional. Esto sugiere que el modelo ha aprendido una comprensión más profunda y flexible de la física de los vuelos espaciales, permitiéndole generalizar a situaciones para las que no fue entrenado explícitamente, mientras que el sistema tradicional tuvo dificultades para adaptarse cuando la geometría del puerto de acoplamiento cambió.

Más allá de simplemente acoplarse mejor, el modelo demostró una capacidad única para detectar anomalías en tiempo real. Debido a que el sistema aprende a predecir lo que los sensores deberían ver, puede reconocer inmediatamente cuando la realidad se desvía de sus expectativas. En pruebas donde se colocó una segunda nave espacial no involucrada en el entorno —un escenario que el modelo nunca había encontrado durante el entrenamiento—, identificó correctamente la presencia de este objeto inesperado con un 98 por ciento de precisión. El sistema hizo esto al notar que los datos visuales de la cámara no coincidían con su predicción interna de una trayectoria de aproximación despejada. Esta capacidad actúa como un sistema de alerta temprana, permitiendo a la nave espacial reconocer situaciones peligrosas o inusuales antes de que ocurra una colisión, una característica que es difícil de programar en los sistemas de control tradicionales.

Los investigadores lograron estos resultados combinando su nuevo modelo de IA con un algoritmo de planificación que simula muchos posibles caminos futuros a la vez. El modelo predice cómo se moverá la nave y qué verán los sensores para cada uno de estos caminos, y el planificador selecciona la secuencia de acciones que conduce al acoplamiento más seguro y exitoso. Este proceso ocurre enteramente dentro de la "mente" de la computadora, permitiendo que el sistema razone sobre restricciones complejas, como evitar los paneles solares de la estación o mantenerse dentro de un corredor de aproximación seguro, sin necesidad de probar físicamente cada posibilidad. El estudio confirma que aprender un modelo unificado tanto del movimiento de la nave como de su entorno visual crea un agente más robusto y adaptable que los métodos que tratan estos elementos por separado.

Si bien este trabajo es un paso significativo, los investigadores advierten cuidadosamente que sigue siendo una simulación. Las tasas de éxito y las capacidades de detección de anomalías se midieron en un entorno virtual altamente realista que imita la física de la Estación Espacial Internacional, pero el sistema aún no ha sido probado en una nave espacial real en órbita. La simulación incluyó modelos detallados de gravedad, arrastre atmosférico y las condiciones de iluminación del espacio, pero la transición al mundo real traerá nuevos desafíos. El equipo planea refinar el sistema más a fondo, particularmente afinando las funciones de costo que guían el algoritmo de planificación para reducir el número de colisiones que aún ocurren durante aproximaciones difíciles. También ven potencial en usar la capacidad del modelo para detectar anomalías para una conciencia de dominio espacial más amplia, como identificar cuándo un satélite se está comportando de una manera inesperada.

Este trabajo representa un cambio en cómo podríamos abordar el vuelo espacial autónomo. Al enseñar a las máquinas a construir sus propios modelos internos del universo, en lugar de codificar rígidamente cada regla de la física y la seguridad, podemos crear naves espaciales que no solo sean más eficientes, sino también más capaces de manejar lo inesperado. La capacidad de predecir el futuro con estimaciones de incertidumbre y de reconocer cuando el mundo no se está comportando como se esperaba acerca las operaciones espaciales autónomas al nivel de intuición y adaptabilidad en el que los pilotos humanos han dependido durante mucho tiempo. A medida que la exploración espacial avanza hacia misiones más complejas, desde el servicio a satélites hasta el aterrizaje en la Luna, estos modelos de mundo aprendidos podrían convertirse en la base para la próxima generación de naves espaciales autónomas, capaces de razonar sobre sus acciones antes de ejecutarlas.