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

O encontro e a operação de proximidade de naves espaciais são a arte delicada de aproximar dois veículos no vácuo do espaço, uma tarefa que evoluiu de uma manobra rara, supervisionada por humanos, para uma necessidade rotineira da exploração moderna. Quer seja uma nave de carga entregando suprimentos à Estação Espacial Internacional ou uma missão futura acoplando-se a um módulo lunar, o objetivo é sempre o mesmo: guiar uma espaçonave de quilômetros de distância até um contato suave, ao nível de centímetros, sem colidir. Este processo é repleto de riscos; uma colisão pode destruir ambos os veículos e criar nuvens de detritos perigosos que ameaçam outros satélites. Tradicionalmente, os engenheiros resolveram isso dividindo o problema em partes separadas: um sistema estima onde a nave está, outro decide para onde ir e um terceiro calcula como pilotar. Esses sistemas baseiam-se em modelos matemáticos de física e dados de sensores, mas têm dificuldades quando confrontados com a realidade desordenada de imagens de câmeras brutas ou mudanças inesperadas no ambiente. Eles são rígidos, muitas vezes incapazes de aprender com novas situações ou de prever o que pode dar errado antes que aconteça.

Uma nova abordagem, emergente do campo da inteligência artificial, oferece uma forma diferente de pensar este desafio. Em vez de separar as tarefas de percepção, pensamento e ação, os pesquisadores estão desenvolvendo "modelos de mundo" (world models). Estes são programas de computador que aprendem a entender como o mundo funciona ao observar milhares de horas de voo espacial simulado. Eles não apenas calculam um único melhor palpite de onde uma nave estará; eles aprendem a prever uma gama de futuros possíveis, incluindo o quão incertas são essas previsões. Isso permite que uma espaçonave imagine as consequências de suas ações antes de realmente tomá-las, tal como um piloto visualizando uma trajetória de pouso em sua mente. Embora esses modelos tenham mostrado grande promessa na robótica e em videogames, eles nunca haviam sido testados no ambiente rigoroso e de alto risco do espaço até agora.

Pesquisadores da Universidade de Stanford pegaram este conceito e o aplicaram ao problema de acoplar uma espaçonave à Estação Espacial Internacional. Eles construíram um novo ambiente de simulação de código aberto que roda em processadores gráficos potentes, permitindo gerar centenas de milhares de cenários de treinamento em uma fração do tempo que levaria com computadores tradicionais. Este conjunto massivo de dados ensinou um novo tipo de inteligência artificial, que eles chamam de "Out-of-this-World-Model", a compreender simultaneamente a complexa dança da mecânica orbital e a percepção visual. O modelo ingere dados brutos dos sensores da espaçonave, incluindo imagens de uma câmera montada em seu nariz e medições de sua velocidade e posição, e aprende a prever o que esses sensores verão no próximo instante. Crucialmente, ele aprende a fazer isso levando em conta o ruído e os erros inerentes aos sensores do mundo real, produzindo uma distribuição de probabilidade de resultados futuros, em vez de uma previsão única e frágil.

Os resultados deste estudo mostram que esta abordagem aprendida supera os métodos padrão atuais. Quando testado na tarefa de acoplagem com a Estação Espacial Internacional, o sistema baseado em modelo de mundo alcançou uma taxa de sucesso de 53 por cento em vários portos de acoplagem, comparado a apenas 29 por cento de um sistema de aprendizagem por reforço que havia sido treinado diretamente na mesma tarefa. A diferença foi ainda mais dramática quando a espaçonave foi solicitada a acoplar-se em portos que nunca tinha visto antes. Nesses novos cenários não vistos, o modelo de mundo teve sucesso 40 por cento das vezes, mais do que dobrando a taxa de sucesso de 17 por cento do sistema tradicional. Isso sugere que o modelo aprendeu uma compreensão mais profunda e flexível da física do voo espacial, permitindo que se generalize para situações nas quais não foi explicitamente treinado, enquanto o sistema tradicional teve dificuldade em adaptar-se quando a geometria do porto de acoplagem mudou.

Além de realizar acoplagens melhores, o modelo demonstrou uma capacidade única de detectar anomalias em tempo real. Como o sistema aprende a prever o que os sensores devem ver, ele consegue reconhecer imediatamente quando a realidade desvia de suas expectativas. Em testes onde uma segunda espaçonave não envolvida foi colocada no ambiente — um cenário que o modelo nunca encontrou durante o treinamento — ele identificou corretamente a presença deste objeto inesperado com 9 precisão de 98 por cento. O sistema fez isso ao notar que os dados visuais da câmera não correspondiam à sua previsão interna de uma rota de aproximação livre. Esta capacidade atua como um sistema de alerta precoce, permitindo que a espaçonave reconheça situações perigosas ou incomuns antes que ocorra uma colisão, uma característica difícil de ser implementada em sistemas de controle tradicionais.

Os pesquisadores alcançaram estes resultados combinando o seu novo modelo de IA com um algoritmo de planejamento que simula muitos caminhos futuros possíveis ao mesmo tempo. O modelo prevê como a espaçonave se moverá e o que os sensores verão para cada um desses caminhos, e o planejador seleciona a sequência de ações que leva ao acoplamento mais seguro e bem-sucedido. Este processo acontece inteiramente dentro da "mente" do computador, permitindo que o sistema raciocine sobre restrições complexas, tais como evitar os painéis solares da estação ou permanecer dentro de um corredor de aproximação seguro, sem precisar testar fisicamente cada possibilidade. O estudo confirma que aprender um modelo unificado tanto do movimento da espaçonave quanto de seu ambiente visual cria um agente mais robusto e adaptável do que os métodos que tratam estes elementos separadamente.

Embora este trabalho seja um passo significativo, os pesquisadores fazem questão de notar que ainda se trata de uma simulação. As taxas de sucesso e as capacidades de detecção de anomalias foram medidas em um ambiente virtual altamente realista que imita a física da Estação Espacial Internacional, mas o sistema ainda não foi testado em uma nave real em órbita. A simulação incluiu modelos detalhados de gravidade, arrasto atmosférico e condições de iluminação do espaço, mas a transição para o mundo real trará novos desafios. A equipa planeia refinar o sistema futuramente, particularmente através do ajuste das funções de custo que guiam o algoritmo de planejamento para reduzir o número de colisões que ainda ocorrem durante aproximações difíceis. Eles também veem potencial no uso da capacidade do modelo de detetar anomalias para uma consciência situacional espacial mais ampla, como identificar quando um satélite está a comportar-se de forma inesperada.

Este trabalho representa uma mudança na forma como podemos abordar o voo espacial autónomo. Ao ensinar as máquinas a construir os seus próprios modelos internos do universo, em vez de codificar rigidamente cada regra de física e segurança, poderemos criar espaçonaves que sejam não só mais eficientes, mas também mais capazes de lidar com o inesperado. A capacidade de prever o futuro com estimativas de incerteza e de reconhecer quando o mundo não está a comportar-se como esperado traz as operações espaciais autónomas para mais perto do nível de intuição e adaptabilidade em que os pilotos humanos há muito dependem. À medida que a exploração espacial avança para missões mais complexas, desde a manutenção de satélites até ao pouso na Lua, estes modelos de mundo aprendidos poderão tornar-se a base para a próxima geração de espaçonaves autónomas, capazes de raciocinar sobre as suas ações antes de as executarem.