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

우주선 랑데부 및 근접 운용은 두 차량을 진공 상태의 우주 공간에서 하나로 모으는 섬세한 기술이며, 이는 드물게 인간이 감독하는 기동에서 현대 탐사의 일상적인 필수 요소로 진화해 왔습니다. 화물선이 국제우주정거장(ISS)에 보급품을 전달하든, 미래의 임무가 달 착륙선과 도킹하든 목표는 항상 동일합니다. 즉, 수 킬로미터 떨어진 곳에서 우주선을 부드럽게 센티미터 단위의 접촉까지 유도하여 충돌 없이 도달하는 것입니다. 이 과정은 위험이 가득합니다. 충돌은 두 차량을 모두 파괴할 수 있으며, 다른 위성들을 위협하는 위험한 파편 구름을 생성할 수 있습니다. 전통적으로 엔지니어들은 이 문제를 별개의 조각으로 나누어 해결해 왔습니다. 한 시스템은 배가 어디에 있는지 추정하고, 다른 시스템은 어디로 갈지 결정하며, 세 번째 시스템은 어떻게 조종할지를 계산합니다. 이러한 시스템은 물리학의 수학적 모델과 센서 데이터에 의존하지만, 가공되지 않은 카메라 이미지나 환경의 예기치 않은 변화와 같은 복잡한 현실에 직면했을 때 어려움을 겪습니다. 이들은 경직되어 있어 새로운 상황으로부터 배우거나 문제가 발생하기 전에 무엇이 잘못될지 예측하는 능력이 부족합니다.

인공지능 분야에서 부상하고 있는 새로운 접근 방식은 이 과제를 생각하는 색다른 방법을 제시합니다. 감지, 사고, 행동의 과업을 분리하는 대신, 연구자들은 '월드 모델(world models)'을 개발하고 있습니다. 이것은 수천 시간의 시뮬레이션된 우주 비행을 관찰함으로써 세상이 어떻게 작동하는지 이해하는 법을 배우는 컴퓨터 프로그램입니다. 이 모델은 단순히 배가 어디에 있을지에 대한 단 하나의 최선의 추측만을 계산하는 것이 아니라, 자신의 예측에 대해 얼마나 불확실한지를 포함하여 가능한 미래의 범위를 학습합니다. 이를 통해 우주선은 실제로 행동을 취하기 전에 자신의 행동이 가져올 결과를 상상할 수 있는데, 이는 마치 조종사가 머릿속으로 착륙 경로를 시각화하는 것과 같습니다. 이러한 모델은 로봇 공학과 비디오 게임에서 큰 가능성을 보여주었지만, 지금까지 이처럼 격렬하고 위험도가 높은 우전 환경에서 테스트된 적은 없었습니다.

스탠퍼드 대학교의 연구진은 이 개념을 적용하여 우주선이 국제우주정거장에 도킹하는 문제를 해결했습니다. 그들은 강력한 그래픽 프로세서에서 실행되는 새로운 오픈 소스 시뮬레이션 환경을 구축하였으며, 이를 통해 전통적인 컴퓨터보다 훨씬 짧은 시간 안에 수십만 개의 훈련 시나리오를 생성할 수 있었습니다. 이 방대한 데이터셋은 '아웃 오브 디스 월드 모델(Out-of-this-World-Model)'이라 불리는 새로운 유형의 인공지능이 궤도 역학과 시각적 인지를 동시에 이해하도록 가르쳤습니다. 이 모델은 우주선 전면에 장착된 카메라의 이미지와 속도 및 위치 측정값을 포함한 우주선의 센서로부터 들어오는 가공되지 않은 데이터를 입력받아, 다음 순간에 센서가 무엇을 보게 될지를 예측하는 법을 배웁니다. 결정적으로, 모델은 실제 센서에 내재된 노이즈와 오류를 고려하면서 이를 수행하는 법을 배우며, 단일하고 취약한 예측이 아닌 미래 결과의 확률 분포를 생성합니다.

이 연구 결과는 학습된 접근 방식이 현재의 표준 방식보다 뛰어난 성능을 보임을 입증했습니다. 국제우주정거장 도킹 작업에 대한 테스트에서, 월드 모델 기반 시스템은 다양한 도킹 포트에 대해 53%의 성공률을 기록한 반면, 동일한 작업에 대해 직접 훈련된 강화 학습 시스템은 29%의 성공률을 보였습니다. 차이는 우주선이 한 번도 본 적 없는 포트에 도킹해야 하는 상황에서 더욱 극명하게 나타났습니다. 이러한 새로운 시나리오에서 월드 모델은 40%의 성공률을 기록하며, 기존 시스템의 17% 성공률을 두 배 이상 뛰어넘었습니다. 이는 모델이 우주 비행의 물리학에 대해 더 깊고 유연한 이해를 학습했음을 시사하며, 이를 통해 도킹 포트의 기하학적 구조가 변할 때 어려움을 겪는 전통적인 시스템과 달리 학습하지 않은 상황에도 적응할 수 있음을 보여줍니다.

단순히 더 나은 도킹을 하는 것을 넘어, 이 모델은 실시간으로 이상 징치를 감지하는 독특한 능력을 보여주었습니다. 시스템은 센서가 무엇을 보아야 하는지를 예측하도록 학습되었기 때문에, 현실이 자신의 기대와 다를 때 즉시 이를 인식할 수 있습니다. 모델이 훈련 중에 경험하지 못한 시나리오인, 두 번째의 관련 없는 우주선이 환경 내에 배치된 테스트에서, 모델은 98%의 정확도로 이 예상치 못한 물체의 존재를 올바르게 식별했습니다. 시스템은 카메라의 시각 데이터가 깨끗한 접근 경로에 대한 내부 예측과 일치하지 않는다는 점을 포착함으로써 이를 수행했습니다. 이 능력은 조기 경보 시스템 역할을 하여, 충돌이 발생하기 전에 우주선이 위험하거나 특이한 상황을 인식할 수 있게 해줍니다. 이는 전통적인 제어 시스템에는 설계하기 어려운 기능입니다.

연구진은 새로운 AI 모델을 여러 가능한 미래 경로를 동시에 시뮬레이션하는 계획 알고리즘과 결합하여 이러한 결과를 얻었습니다. 모델은 우주선이 어떻게 움직일지와 센서가 무엇을 볼지를 각 경로에 대해 예측하며, 플래너(planner)는 가장 안전하고 성공적인 도킹으로 이어지는 일련의 행동 순서를 선택합니다. 이 과정은 전적으로 컴퓨터의 '마음' 안에서 일어나므로, 시스템은 물리적인 테스트를 매번 거치지 않고도 스테이션의 태양광 패널을 피하거나 안전한 접근 통로 내에 머무는 것과 같은 복잡한 제약 조건을 고려하며 추론할 수 있습니다. 이 연구는 우주선의 운동과 시각적 환경을 통합된 모델로 학습하는 것이 두 요소를 별개로 취급하는 방법보다 더 견고하고 적응력 있는 에이전트를 만든다는 것을 확인시켜 줍니다.

이 연구가 상당한 진전이기는 하지만, 연구진은 이것이 여전히 시뮬레이션 단계라는 점을 주의 깊게 언급했습니다. 성공률과 이상 감지 능력은 국제우주정거장의 물리학을 모사한 매우 사실적인 가상 환경에서 측정되었으나, 시스템이 실제 궤도상의 우주선에서 테스트된 적은 없습니다. 시뮬레이션에는 중력, 대기 항력, 우주의 조명 조건에 대한 상세한 모델이 포함되었지만, 실제 세계로의 전환에는 새로운 과제들이 따를 것입니다. 연구팀은 특히 어려운 접근 과정에서 발생하는 충돌 횟수를 줄이기 위해 계획 알고리즘을 안내하는 비용 함수(cost functions)를 미세 조정함으로써 시스템을 더욱 정교하게 만들 계획입니다. 또한 그들은 모델의 이상 감지 능력을 위성이 예상치 못한 방식으로 행동하는 것을 식별하는 것과 같은 광범위한 우주 영역 인식(space domain awareness)에 활용할 수 있는 잠재력도 보고 있습니다.

이 작업은 우리가 자율 우주 비행에 접근하는 방식의 변화를 나타냅니다. 모든 물리 법칙과 안전 규칙을 하드코딩하는 대신, 기계가 스스로 우주에 대한 내부 모델을 구축하도록 가르침으로써, 우리는 더 효율적일 뿐만 아니라 예상치 못한 상황을 더 잘 처리할 수 있는 우주선을 만들 수 있을 것입니다. 불확실성을 동반한 미래를 예측하고 세상이 예상대로 작동하지 않을 때 이를 인식하는 능력은, 자율 우주 운용을 인간 조종사가 오랫동안 의존해 온 직관과 적응력의 수준으로 한 단계 끌어올립니다. 우주 탐사가 위성 서비스나 달 착착륙과 같이 더 복잡한 임무를 향해 나아감에 따라, 이러한 학습된 월드 모델은 행동을 실행하기 전에 자신의 행동에 대해 추론할 수 있는 차세대 자율 우주선의 토대가 될 수 있습니다.