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

L'avvicinamento e le operazioni di prossimità tra veicoli spaziali sono l'arte delicata di far incontrare due veicoli nel vuoto dello spazio, un compito che si è evoluto da una rara manovra supervisionata dall'uomo in una necessità di routine per l'esplorazione moderna. Che si tratti di una nave cargo che consegna rifornimenti alla Stazione Spaziale Internazionale o di una futura missione che si aggancia a un lander lunare, l'obiettivo è sempre lo stesso: guidare un veicolo spaziale da chilometri di distanza fino a un contatto delicato, su scala centimetrica, senza scontrarsi. Questo processo è pieno di rischi; una collisione può distruggere entrambi i veicoli e creare nuvole di detriti pericolosi che minacciano altri satelliti. Tradizionalmente, gli ingegneri hanno risolto questo problema scomponendolo in parti separate: un sistema stima dove si trova la nave, un altro decide dove andare e un terzo calcola come sterzare. Questi sistemi si affidano a modelli matematici della fisica e ai dati dei sensori, ma faticano quando si trovano di fronte alla realtà disordinata delle immagini grezze di una telecamera o a cambiamenti inaspettati nell'ambiente. Sono rigidi, spesso incapaci di imparare da nuove situazioni o di prevedere cosa potrebbe andare storto prima che accada.

Un nuovo approccio, emergente dal campo dell'intelligenza artificiale, offre un modo diverso di pensare a questa sfida. Invece di separare i compiti di percezione, pensiero e azione, i ricercatori stanno sviluppando i "modelli del mondo" (world models). Questi sono programmi informatici che imparano a capire come funziona il mondo osservando migliaia di ore di volo spaziale simulato. Non si limitano a calcolare una singola ipotesi ottimale su dove si troverà una nave; imparano a prevedere una gamma di futuri possibili, inclusa la loro incertezza riguardo a tali previsioni. Ciò consente a un veicolo spaziale di immaginare le conseguenze delle proprie azioni prima di compierle effettivamente, proprio come un pilota che visualizza mentalmente una traiettoria di atterraggio. Sebbene questi modelli abbiano mostrato grande potenziale nella robotica e nei videogiochi, non erano mai stati testati nell'ambiente ostile e ad alto rischio dello spazio fino ad ora.

I ricercatori dell'Università di Stanford hanno preso questo concetto e lo hanno applicato al problema dell'attracco di un veicolo spaziale alla Stazione Spaziale Internazionale. Hanno costruito un nuovo ambiente di simulazione open-source che gira su potenti processori grafici, permettendo loro di generare centinaia di migliaia di scenari di addestramento in una frazione del tempo che servirebbe con i computer tradizionali. Questo enorme dataset ha insegnato a un nuovo tipo di intelligenza artificiale, che chiamano "Out-of-this-World-Model", a comprendere simultaneamente la complessa danza della meccanica orbitale e della percezione visiva. Il modello elabora i dati grezzi dai sensori del veicolo spaziale, inclusi i dati di una telecamera montata sul muso e le misurazioni di velocità e posizione, e impara a prevedere cosa vedranno i sensori nel momento successivo. Fondamentalmente, impara a farlo tenendo conto del rumore e degli errori intrinseci nei sensori reali, producendo una distribuzione di probabilità dei risultati futuri piuttosto che una singola e fragile previsione.

I risultati di questo studio dimostrano che questo approccio basato sull'apprendimento supera i metodi standard attuali. Quando testato sul compito di attracco alla Stazione Spaziale Internazionale, il sistema basato sul modello del mondo ha raggiunto un tasso di successo del 53 percento su varie porte di attracco, rispetto a solo il 29 percento di un sistema di apprendimento per rinforzo (reinforcement learning) che era stato addestrato direttamente sullo stesso compito. La differenza è stata ancora più drammatica quando al veicolo spaziale è stato chiesto di attraccare a porte che non aveva mai visto prima. In questi nuovi scenari inediti, il modello del mondo ha avuto successo il 40 percento delle volte, più del doppio del tasso di successo del 17 percento del sistema tradizionale. Ciò suggerisce che il modello ha appreso una comprensione della fisica del volo spaziale più profonda e flessibile, permettendogli di generalizzare a situazioni per le quali non era stato esplicitamente addestrato, mentre il sistema tradizionale faticava ad adattarsi quando la geometria della porta di attracco cambiava.

Oltre ad attraccare meglio, il modello ha dimostrato una capacità unica di rilevare anomalie in tempo reale. Poiché il sistema impara a prevedere ciò che i sensori dovrebbero vedere, può riconoscere immediatamente quando la realtà devia dalle sue aspettative. Nei test in cui un secondo veicolo spaziale non coinvolto è stato inserito nell'ambiente — uno scenario che il modello non aveva mai incontrato durante l'addestramento — esso ha identificato correttamente la presenza di questo oggetto inaspettato con una precisione del 98 percento. Il sistema ha fatto ciò notando che i dati visivi della telecamera non corrispondevano alla sua previsione interna di un percorso di approccio libero. Questa capacità funge da sistema di allerta precoce, consentendo al veicolo spaziale di riconoscere situazioni pericolose o insolite prima che avvenga una collisione, una caratteristica difficile da integrare nei sistemi di controllo tradizionali.

I ricercatori hanno ottenuto questi risultati combinando il loro nuovo modello di IA con un algoritmo di pianificazione che simula molteplici percorsi futuri contemporaneamente. Il modello prevede come si muoverà il veicolo spaziale e cosa vedranno i sensori per ciascuno di questi percorsi, e il pianificatore seleziona la sequenza di azioni che conduce all'attracco più sicuro e di successo. Questo processo avviene interamente all'interno della "mente" del computer, permettendo al sistema di ragionare su vincoli complessi, come evitare i pannelli solari della stazione o rimanere all'interno di un corridoio di approccio sicuro, senza dover testare fisicamente ogni possibilità. Lo studio conferma che apprendere un modello unificato sia del moto del veicolo spaziale che del suo ambiente visivo crea un agente più robusto e adattabile rispetto ai metodi che trattano questi elementi separatamente.

Sebbene questo lavoro sia un passo avanti significativo, i ricercatori sottolineano con cautela che si tratta ancora di una simulazione. I tassi di successo e le capacità di rilevamento delle anomalie sono stati misurati in un ambiente virtuale altamente realistico che imita la fisica della Stazione Spaziale Internazionale, ma il sistema non è ancora stato testato su un vero veicolo spaziale in orbita. La simulazione includeva modelli dettagliati di gravità, resistenza atmosferica e condizioni di illuminazione dello spazio, ma la transizione al mondo reale porterà nuove sfide. Il team intende perfezionare ulteriormente il sistema, in particolare calibrando le funzioni di costo che guidano l'algoritmo di pianificazione per ridurre il numero di collisioni che avvengono ancora durante gli approcci difficili. Vedono inoltre potenziale nell'uso della capacità del modello di rilevare anomalie per una più ampia consapevolezza del dominio spaziale, come identificare quando un satellite si comporta in modo inaspettato.

Questo lavoro rappresenta un cambiamento nel modo in cui potremmo approcciare il volo spaziale autonomo. Insegnando alle macchine a costruire i propri modelli interni dell'universo, invece di codificare rigidamente ogni regola della fisica e della sicurezza, potremmo essere in grado di creare veicoli spaziali che siano non solo più efficienti, ma anche più capaci di gestire l'imprevisto. La capacità di prevedere il futuro con stime di incertezza e di riconoscere quando il mondo non si comporta come previsto porta le operazioni spaziali autonome più vicine al livello di intuizione e adattabilità di cui i piloti umani hanno a lungo beneficiato. Mentre l'esplorazione spaziale si muove verso missioni più complesse, dal servizio ai satelliti all'atterraggio sulla Luna, questi modelli del mondo appresi potrebbero diventare la base per la prossima generazione di veicoli spaziali autonomi, capaci di ragionare sulle proprie azioni prima di eseguirle.