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

Le rendez-vous et les opérations de proximité entre engins spatiaux sont l'art délicat de rapprocher deux véhicules dans le vide de l'espace, une tâche qui est passée d'une manœuvre rare, supervisée par l'homme, à une nécessité de routine pour l'exploration moderne. Qu'il s'agisse d'un vaisseau de cargaison livrant des fournitures à la Station spatiale internationale ou d'une future mission s'amarrant à un atterrisseur lunaire, l'objectif est toujours le même : guider un engin spatial de plusieurs kilomètres jusqu'à un contact doux, au centimètre près, sans collision. Ce processus est chargé de risques ; une collision peut détruire les deux véhicules et créer des nuages de débris dangereux qui menacent d'autres satellites. Traditionnellement, les ingénieurs ont résolu ce problème en décomposant la tâche en pièces séparées : un système estime où se trouve le vaisseau, un autre décide de la direction à prendre, et un troisième calcule comment diriger. Ces systèmes s'appuient sur des modèles mathématiques de la physique et des données de capteurs, mais ils sont en difficulté face à la réalité désordonnée des images de caméras brutes ou des changements inattendus de l'environnement. Ils sont rigides, souvent incapables d'apprendre de nouvelles situations ou de prédire ce qui pourrait mal tourner avant que cela n'arrive.

Une nouvelle approche, émergeant du domaine de l'intelligence artificielle, offre une autre façon de concevoir ce défi. Au lieu de séparer les tâches de détection, de réflexion et d'action, les chercheurs développent des « modèles de monde » (world models). Ce sont des programmes informatiques qui apprennent à comprendre comment le monde fonctionne en observant des milliers d'heures de vols spatiaux simulés. Ils ne se contentent pas de calculer une seule meilleure estimation de la position d'un vaisseau ; ils apprennent à prédire une gamme de futurs possibles, y compris leur degré d'incertitude concernant ces prédictions. Cela permet à un engin spatial d'imaginer les conséquences de ses actions avant de les exécuter réellement, tout comme un pilote visualisant une trajectoire d'atterrissage dans son esprit. Bien que ces modèles aient montré un grand potentiel dans la robotique et les jeux vidéo, ils n'avaient jamais été testés dans l'environnement rude et à enjeux élevés de l'espace jusqu'à présent.

Des chercheurs de l'Université de Stanford ont pris ce concept et l'ont appliqué au problème de l'amarrage d'un engin spatial avec la Station spatiale internationale. Ils ont construit un nouvel environnement de simulation open-source fonctionnant sur de puissants processeurs graphiques, permettant de générer des centaines de milliers de scénarios d'entraînement en une fraction du temps nécessaire avec des ordinateurs traditionnels. Cet ensemble massif de données a enseigné à un nouveau type d'intelligence artificielle, qu'ils appellent le « Modèle de Monde Hors de ce Monde » (Out-of-this-World-Model), à comprendre simultanément la danse complexe de la mécanique orbitale et de la perception visuelle. Le modèle ingère les données brutes des capteurs de l'engin spatial, notamment les images d'une caméra montée sur son nez et les mesures de sa vitesse et de sa position, et apprend à prédire ce que ces capteurs verront l'instant suivant. Crucialement, il apprend à faire cela en tenant compte du bruit et des erreurs inhérents aux capteurs du monde réel, produisant une distribution de probabilités des résultats futurs plutôt qu'une prédiction unique et fragile.

Les résultats de cette étude montrent que cette approche basée sur l'apprentissage surpasse les méthodes standards actuelles. Lors de tests sur la tâche d'amarrage avec la Station spatiale internationale, le système basé sur le modèle de monde a atteint un taux de réussite de 53 % sur divers ports d'amarrage, contre seulement 29 % pour un système d'apprentissage par renforcement entraîné directement sur la même tâche. La différence est encore plus spectaculaire lorsque l'engin spatial est chargé de s'amarrer à des ports qu'il n'a jamais vus auparavant. Dans ces nouveaux scénarios inédits, le modèle de monde a réussi 40 % du temps, soit plus du double du taux de réussite de 17 % du système traditionnel. Cela suggère que le modèle a acquis une compréhension plus profonde et plus flexible de la physique du vol spatial, lui permettant de se généraliser à des situations pour lesquelles il n'a pas été explicitement entraîné, là où le système traditionnel peinait à s'adapter lorsque la géométrie du port d'amarrage changeait.

Au-delà d'un simple amarrage plus efficace, le modèle a démontré une capacité unique à détecter des anomalies en temps réel. Parce que le système apprend à prédire ce que les capteurs devraient voir, il peut immédiatement reconnaître quand la réalité dévie de ses attentes. Lors de tests où un second engin spatial non impliqué a été placé dans l'environnement — un scénario que le modèle n'avait jamais rencontré pendant son entraînement — il a correctement identifié la présence de cet objet inattendu avec une précision de 98 %. Le système y est parvenu en remarquant que les données visuelles de la caméra ne correspondaient pas à sa prédiction interne d'une voie d'approche dégagée. Cette capacité agit comme un système d'alerte précoce, permettant à l'engin spatial de reconnaître des situations dangereuses ou inhabituelles avant qu'une collision ne se produise, une caractéristique difficile à intégrer dans les systèmes de contrôle traditionnels.

Les chercheurs ont obtenu ces résultats en combinant leur nouveau modèle d'IA avec un algorithme de planification qui simule de nombreux chemins futurs simultanément. Le modèle prédit comment l'engin spatial se déplacera et ce que les capteurs verront pour chacun de ces chemins, et le planificateur sélectionne la séquence d'actions qui mène à l'amarrage le plus sûr et le plus réussi. Ce processus se déroule entièrement dans l'« esprit » de l'ordinateur, permettant au système de raisonner sur des contraintes complexes, telles que l'évitement des panneaux solaires de la station ou le maintien dans un couloir d'approche sûr, sans avoir besoin de tester physiquement chaque possibilité. L'étude confirme que l'apprentissage d'un modèle unifié de la fois du mouvement de l'engin spatial et de son environnement visuel crée un agent plus robuste et adaptable que les méthodes traitant ces éléments séparément.

Bien que ce travail constitue une étape importante, les chercheurs précisent avec prudence qu'il reste une simulation. Les taux de réussite et les capacités de détection d'anomalies ont été mesurés dans un environnement virtuel hautement réaliste qui imite la physique de la Station spatiale internationale, mais le système n'a pas encore été testé sur un véritable engin spatial en orbite. La simulation incluait des modèles détaillés de la gravité, de la traînée atmosphérique et des conditions d'éclairage de l'espace, mais la transition vers le monde réel apportera de nouveaux défis. L'équipe prévoit d'affiner davantage le système, notamment en ajustant les fonctions de coût qui guident l'algorithme de planification afin de réduire le nombre de collisions qui surviennent encore lors d'approches difficiles. Ils voient également un potentiel dans la capacité du modèle à détecter des anomalies pour une conscience plus large du domaine spatial, comme identifier lorsqu'un satellite se comporte de manière inattendue.

Ce travail représente un changement dans notre façon d'aborder le vol spatial autonome. En apprenant aux machines à construire leurs propres modèles internes de l'univers, plutôt qu'en codant en dur chaque règle de physique et de sécurité, nous pourrions être capables de créer des engins spatiaux qui sont non seulement plus efficaces, mais aussi plus capables de gérer l'imprévu. La capacité de prédire l'avenir avec des estimations d'incertitude et de reconnaître quand le monde ne se comporte pas comme prévu rapproche les opérations spatiales autonomes du niveau d'intuition et d'adaptabilité dont les pilotes humains dépendent depuis longtemps. Alors que l'exploration spatiale se dirige vers des missions plus complexes, allant de l'entretien de satellites à l'atterrissage sur la Lune, ces modèles de monde appris pourraient devenir le fondement de la prochaine génération d'engins spatiaux autonomes, capables de raisonner sur leurs actions avant de les exécuter.