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

Het naderen en uitvoeren van nabijheidsoperaties door ruimtevaartuigen is de delicate kunst van het samenbrengen van twee voertuigen in het vacuüm van de ruimte, een taak die is geëvolueerd van een zeldige, door mensen gesuperviseerde manoeuvre naar een routinematige noodzaak voor moderne exploratie. Of het nu gaat om een vrachtschip dat voorraden levert aan het Internationale Ruimtestation of een toekomstige missie die koppelt met een maanlander, het doel is altijd hetzelfde: een ruimtevaartuig van kilometers afstand naar een zachte, centimeter-precieze aanraking leiden zonder te botsen. Dit proces is doordrenkt van risico; een botsing kan beide voertuigen vernietigen en wolken van gevaarlijk puin creëren die andere satellieten bedreigen. Traditioneel hebben ingenieurs dit opgelost door het probleem in afzonderlijke stukken te verdelen: één systeem schat in waar het schip zich bevindt, een ander bepaalt waar het heen moet, en een derde berekent hoe het moet sturen. Deze systemen vertrouwen op wiskundige modellen van fysica en sensordata, maar ze worstelen wanneer ze geconfronteerd worden met de rommelige realiteit van ruwe camerabeelden of onverwachte veranderingen in de omgeving. Ze zijn rigide, vaak niet in staat om te leren van nieuwe situaties of te voorspellen wat er mis zou kunnen gaan voordat het gebeurt.

Een nieuwe benadering, voortkomend uit het vakgebied van kunstmatige intelligentie, biedt een andere manier om over deze uitdaging na te denken. In plaats van de taken van waarnemen, denken en handelen te scheiden, ontwikkelen onderzoekers "wereldmodellen" (world models). Dit zijn computerprogramma's die leren begrijpen hoe de wereld werkt door duizenden uren aan gesimuleerde ruimtevluchten te observeren. Ze berekenen niet alleen één beste schatting voor waar een schip zich zal bevinden; ze leren een reeks mogelijke toekomsten te voorspellen, inclusief hoe onzeker ze zijn over die voorspellingen. Dit stelt een ruimtevaartuig in staat om de gevolgen van zijn acties te visualiseren voordat het ze daadwerkelijk uitvoert, net zoals een piloot een landingsbaan in zijn geest visualiseert. Hoewel deze modellen veelbelovend zijn gebleken in robotica en videogames, waren ze tot nu toe nooit getest in de harde, risicovolle omgeving van de ruimte.

Onderzoekers aan de Stanford University hebben dit concept toegepast op het probleem van het koppelen van een ruimtevaartuig aan het Internationale Ruimtestation. Ze bouwden een nieuwe, open-source simulatieomgeving die draait op krachtige grafische processoren, waardoor ze honderdduizenden trainingsscenario's kunnen genereren in een fractie van de tijd die traditionele computers nodig zouden hebben. Deze enorme dataset leerde een nieuw type kunstmatige intelligentie, die zij de "Out-of-this-World-Model" noemen, om de complexe dans van orbitale mechanica en visuele perceptie simultaan te begrijpen. Het model verwerkt ruwe data van de sensoren van het ruimtevaartuig, inclusief beelden van een camera die op de neus is gemonteerd en metingen van de snelheid en positie, en leert te voorspellen wat die sensoren in het volgende moment zullen zien. Cruciaal is dat het leert dit te doen terwijl het rekening houdt met de ruis en fouten die inherent zijn aan real-world sensoren, waarbij het een waarschijnlijkheidsverdeling van toekomstige uitkomsten produceert in plaats van een enkele, broze voorspelling.

De resultaten van dit onderzoek tonen aan dat deze geleerde benadering de huidige standaardmethoden overtreft. Wanneer getest op de taak van het koppelen aan het Internationale Ruimtestation, behaalde het op het wereldmodel gebaseerde systeem een succespercentage van 53 procent bij diverse koppelingspoorten, vergeleken met slechts 29 procent voor een reinforcement learning-systeem dat rechtstreeks op dezelfde taak was getraind. Het verschil was nog dramatischer toen het ruimtevaartuig werd gevraagd te koppelen aan poorten die het nog nooit eerder had gezien. In deze nieuwe, ongeziene scenario's slaagde het wereldmodel 40 procent van de tijd, wat meer dan het verdubbelen is van het succespercentage van 17 procent van het traditionele systeem. Dit suggereert dat het model een dieper, flexibeler begrip heeft geleerd van de fysica van de ruimtevaart, waardoor het kan generaliseren naar situaties waar het niet expliciet op getraind is, terwijl het traditionele systeem moeite had om zich aan te passen wanneer de geometrie van de koppelingspoort veranderde.

Naast het simpelweg beter koppelen, demonstreerde het model een uniek vermogen om anomalieën in realtime te detecteren. Omdat het systeem leert te voorspellen wat de sensoren zouden moeten zien, kan het onmiddellijk herkennen wanneer de realiteit afwijkt van de verwachtingen. In tests waarbij een tweede, niet-betrokken ruimtevaartuig in de omgeving werd geplaatst — een scenario dat het model tijdens de training nooit was tegengekomen — identificeerde het met 98 procent nauwkeurigheid de aanwezigheid van dit onverwachte object. Het systeem deed dit door op te merken dat de visuele data van de camera niet overeenkwam met de interne voorspelling van een vrij benaderingspad. Deze capaciteit fungeert als een vroeg waarschuwingssysteem, waardoor het ruimtevaartuig gevaarlijke of ongebruikelijke situaties kan herkennen voordat een botsing plaatsvindt, een functie die moeilijk in traditionele controlesystemen te programmeren is.

De onderzoekers behaalden deze resultaten door hun nieuwe AI-model te combineren met een planningsalgoritme dat vele mogelijke toekomstige paden tegelijkertijd simuleert. Het model voorspelt hoe het ruimtevaartuig zal bewegen en wat de sensoren zullen zien voor elk van deze paden, en de planner selecteert de reeks acties die leidt tot de veiligste en meest succesvolle koppeling. Dit proces vindt volledig binnen de "geest" van de computer plaats, waardoor het systeem kan redeneren over complexe beperkingen, zoals het vermijden van de zonnepanelen van het station of het blijven binnen een veilige benaderingscorridor, zonder dat elke mogelijkheid fysiek getest hoeft te worden. De studie bevestigt dat het leren van een verenigd model van zowel de beweging van het ruimtevaartuig als de visuele omgeving, een robuustere en aanpasbaardere agent creëert dan methoden die deze elementen apart behandelen.

Hoewel dit werk een belangrijke stap voorwaarts is, benadrukken de onderzoekers voorzichtig dat het nog steeds een simulatie is. De succespercentages en de capaciteiten voor anomaliedetectie werden gemeten in een zeer realistische virtuele omgeving die de fysica van het Internationale Ruimtestation nabootst, maar het systeem is nog niet getest op een echt ruimtevaartuig in een baan om de aarde. De simulatie bevatte gedetailleerde modellen van zwaartekracht, atmosferische weerstand en de lichtomstandigheden in de ruimte, maar de overgang naar de echte wereld zal nieuwe uitdagingen met zich meebrengen. Het team is van plan het systeem verder te verfijnen, met name door de kostenfuncties (cost functions) die het planningsalgoritme sturen af te stemmen om het aantal botsingen dat nog steeds voorkomt tijdens moeilijke benaderingen te verminderen. Ze zien ook potentieel in het gebruik van het vermogen van het model om anomalieën te detecteren voor bredere 'space domain awareness', zoals het identificeren wanneer een satelliet zich onverwacht gedraagt.

Dit werk vertegenwoordigt een verschuiving in hoe we naar autonome ruimtevaart kunnen kijken. Door machines te leren hun eigen interne modellen van het universum op te bouwen, in plaats van elke regel van fysica en veiligheid hard te coderen, kunnen we ruimtevaartuigen creëren die niet alleen efficiënter zijn, maar ook beter in staat zijn om met het onverwachte om te gaan. Het vermogen om de toekomst te voorspellen met onzekerheidsschattingen en te herkennen wanneer de wereld niet handelt zoals verwacht, brengt autonome ruimteoperaties dichter bij het niveau van intuïtie en aanpassingsvermogen waar menselijke piloten al lang op vertrouwen. Naarmate de ruimteverkenning beweegt naar complexere missies, van het onderhouden van satellieten tot het landen op de maan, zouden deze geleerde wereldmodellen het fundament kunnen vormen voor de volgende generatie autonome ruimtevaartuigen, die in staat zijn om over hun acties na te denken voordat ze deze uitvoeren.