Een warme start

De Autonomous Rendezvous Transformer is een raamwerk voor trajectoptimalisatie dat de enorme voordelen van AI benut zonder concessies te doen aan de veiligheidsgaranties die nodig zijn voor een betrouwbare inzet in de ruimte. In de kern omvat ART het integreren van op AI gebaseerde methoden in de traditionele pijplijn voor trajectoptimalisatie, waarbij AI wordt gebruikt om snel hoogwaardige trajectkandidaten te genereren als input voor conventionele algoritmen voor trajectoptimalisatie.

De onderzoekers noemen de AI-suggesties een ‘warme start’ voor het optimalisatieprobleem en laten zien hoe dit cruciaal is om substantiële rekensnelheden te behalen zonder concessies te doen aan de veiligheid.

"Een van de grote uitdagingen op dit gebied is dat we tot nu toe behoefte hebben gehad aan een 'ground in the loop'-benadering:je moet dingen naar de grond communiceren waar supercomputers de trajecten berekenen en dan uploaden we commando's terug naar de satelliet", legt Tommaso uit. Guffanti, een postdoctoraal onderzoeker in het laboratorium van D'Amico en eerste auteur van het artikel waarin de Autonomous Rendezvous Transformer wordt geïntroduceerd.

"En in deze context is ons artikel spannend, denk ik, omdat we componenten van kunstmatige intelligentie hebben opgenomen in de traditionele begeleidings-, navigatie- en controlepijplijn om deze ontmoetingen soepeler, sneller, zuiniger en veiliger te maken."

Volgende grenzen

ART is niet het eerste model dat AI de uitdaging van de ruimtevlucht aangaat, maar bij tests in een aardse laboratoriumomgeving presteerde ART beter dan andere op machine learning gebaseerde architecturen. Transformer-modellen zijn, net als ART, een subset van neurale netwerkmodellen met hoge capaciteit die hun start hebben gemaakt met grote taalmodellen, zoals die worden gebruikt door chatbots. Dezelfde AI-architectuur is uiterst efficiënt in het parseren van niet alleen woorden, maar ook vele andere soorten gegevens, zoals afbeeldingen, audio en nu ook trajecten.

"Transformers kunnen worden toegepast om de huidige toestand van een ruimtevaartuig, de besturing en de manoeuvres die we willen plannen te begrijpen", zegt Daniele Gammelli, een postdoctoraal onderzoeker in het laboratorium van Pavone, en tevens co-auteur van het ART-artikel. "Deze grote transformatormodellen zijn uitermate geschikt voor het genereren van gegevensreeksen van hoge kwaliteit."

De volgende grens in hun onderzoek is het verder ontwikkelen van ART en het vervolgens testen in de realistische experimentele omgeving die mogelijk wordt gemaakt door CAESAR. Als ART de hoge lat van CAESAR kan halen, kunnen de onderzoekers erop vertrouwen dat het klaar is om te worden getest in realistische scenario's in een baan om de aarde.

"Dit zijn state-of-the-art benaderingen die verfijning behoeven", zegt D'Amico. "Onze volgende stap is het injecteren van aanvullende AI- en machine learning-elementen om de huidige mogelijkheden van ART te verbeteren en nieuwe mogelijkheden te ontgrendelen, maar het zal een lange reis zijn voordat we de Autonomous Rendezvous Transformer in de ruimte zelf kunnen testen."

Meer informatie: Tommaso Guffanti et al., Transformers voor trajectoptimalisatie met toepassing op Spacecraft Rendezvous, arXiv (2023). DOI:10.48550/arxiv.2310.13831

Aangeboden door Stanford University