Os 6 principais projetos de IA da NASA impulsionando a exploração espacial

Para estudar a Terra e explorar as vastas extensões do espaço, a NASA utiliza os recentes avanços da Inteligência Artificial (IA). O Jet Propulsion Laboratory AI Group realiza pesquisas fundamentais nas áreas de Planejamento e Programação de Inteligência Artificial, com aplicações para análise científica, operações de redes espaciais profundas, comando de naves espaciais e sistemas de transporte espacial.

Hoje vamos elaborar alguns dos principais projetos nos quais o JPL está trabalhando atualmente. A maioria deles está relacionada à tecnologia de planejamento, autonomia de espaçonaves e autonomia de rover.

6. ASPEN

GUI ASPEN

O Grupo AI do JPL tem trabalhado em um sistema conhecido como ASPEN (sigla para Automated Scheduling and Planning Environment). É uma estrutura modular e reconfigurável que pode suportar vários tipos de aplicativos de planejamento e agendamento.

A estrutura inclui uma variedade de componentes que implementam os elementos, encontrados principalmente em sistemas complexos de planejamento ou programação, como um sistema de raciocínio temporal, um sistema de gerenciamento de recursos, uma linguagem de modelagem expressiva e uma interface gráfica. Especificamente, ele é usado no planejamento de projeto de missão, operações de espaçonaves, planejamento de rover de superfície, planejamento coordenado de vários rover e planejamento de vários rover.

Como um sistema terrestre, o ASPEN utiliza um modelo interno da espaçonave e diferentes objetivos de alto nível para fornecer comandos específicos a serem executados pela espaçonave. Como um sistema baseado em voo, ele recebe continuamente atualizações sobre o estado do rover e atualiza o plano para refletir as mudanças ao redor. Como sistema de agendamento de antena, é usado para controlar autonomamente uma estação DSN.

A tecnologia de IA é baseada em busca heurística, reparo iterativo e raciocínio temporal. A estrutura possui uma arquitetura genérica que facilita a seleção entre diferentes algoritmos de propagação e mecanismos de busca para tornar o processo de planejamento eficaz. Além disso, os usuários podem interagir com o cronograma e replanejar de forma rápida e eficiente.

Atualmente está disponível para licenciamento externo, mas não para exportação. No futuro, o ASPEN será utilizado para integrar o planejamento de reparos com a execução.

Referência: ai.jpl.nasa.gov 

5. MISUS

O Multi-Rover Integrated Science Understanding System (MISUS) desenvolve tecnologias para controlar rovers para exploração planetária. A arquitetura MISUS desenvolvida pela NASA consiste em três componentes principais – 

Análise de dados: Um sistema distribuído de aprendizado de máquina que realiza agrupamento não supervisionado para modelar a distribuição de tipos de rochas observadas por rovers. Pode direcionar a detecção do rover para melhorar continuamente o conteúdo da cena planetária.

Planejamento: Um sistema de planejamento distribuído, gerando planos de operação para atingir os objetivos científicos do rover de entrada. Há um planejador central que divide as metas científicas entre os rovers e um conjunto de planejadores distribuído associado a cada operação em um rover individual.

Simulador de ambiente:  Um simulador de múltiplos rover, modelando vários ambientes geológicos e operações científicas de rover. Ele lida com dados científicos de todos os arredores, monitora as operações e reflete as observações feitas por equipamentos científicos móveis.

O sistema geral opera em circuito fechado, onde o sistema de análise de dados pode ser visto como cientistas conduzindo o processo de exploração. Primeiro, os dados são transmitidos para algoritmos de clustering móveis, que integram todos os dados coletados em um modelo global atualizado e transmitem o novo modelo de volta aos clusterers distribuídos.

A saída do agrupamento é usada por um algoritmo de priorização para produzir um novo conjunto de objetivos de observação, o que melhorará ainda mais a precisão do modelo. As metas são então transmitidas a um planejador central que atribui rovers individuais às metas de uma forma que processe as solicitações com mais eficiência.

Cada planejador móvel gera então algumas ações específicas que atingirão o maior número possível de metas atribuídas. As sequências de ação são então enviadas ao simulador onde são implementadas e todas as informações coletadas são enviadas de volta aos clusterers do rover. Todo o ciclo continua até que seja coletada informação suficiente para gerar aglomerados distintos para quaisquer tipos de rocha observados.

Referência:ntrs.nasa.gov

4. Nave Espacial Distribuída

O projeto utiliza tecnologias mais recentes para controlar constelações de naves espaciais com objetivos de missão, em vez de sequências de comando para cada nave espacial individual.

Esta pesquisa avança os recursos de modelagem e simulação para permitir simulação de alta precisão e em tempo real de formações e aglomerados de espaçonaves por meio de tecnologias distribuídas.

A NASA está desenvolvendo uma nova arquitetura de simulação para utilizar a natureza distribuída da formação e dividir a simulação entre vários processadores em um cluster. HYDRA (Hierarchical Distributed Reconfigurable Architecture), por exemplo, foi desenvolvida para implantar perfeitamente módulos e tecnologias simulados em ambientes mistos e multiplataforma.

HYDRA automatiza o processo de comunicação entre módulos de simulação. Ele foi infundido com sucesso no FAST (Formation Algorithms and Simulation Testbed) como parte do programa Terrestrial Planet Finder.

Leia:NASA usará inteligência artificial para redes de comunicação espacial

O objetivo geral é construir algoritmos de otimização global robustos e rápidos que possam resolver problemas de orientação, estimativa, controle e tomada de decisão de vôo em formação. Isso inclui estimadores distribuídos rápidos para vôo em formação, alocação distribuída de recursos entre espaçonaves, controle robusto de manutenção de formação, planejamento de caminho de reconfiguração ideal de combustível de formação e comando de modo.

Fonte: dst.jpl.nasa.gov

3. CASPER

CASPER (sigla para Execução e Replanejamento de Planejamento de Atividades Contínuas) utiliza reparo iterativo para apoiar alterações ou modificações contínuas de espaçonaves.

Os modelos convencionais de planejamento orientados a lotes apresentam diversas deficiências. Construir um plano do zero exige uma grande quantidade de computação, e os recursos computacionais integrados são normalmente limitados.

O objetivo é tornar o planejador mais eficaz e responsivo a mudanças inesperadas. O planejador que pode diminuir a dependência de modelos preditivos, como erros de modelagem inevitáveis.

Para conseguir isso, o JPL utiliza uma técnica de planejamento contínuo conhecida como CASPER.  O planejador tem uma meta atual definida, um estado e um modelo do resultado esperado. Uma atualização incremental do estado atual pode ser aplicada a qualquer momento. Esta atualização pode ser qualquer coisa, desde simples ajustes progressivos até eventos inesperados.

O planejador mantém ainda um plano consistente com os dados mais recentes disponíveis. Porém, na maioria das vezes, as coisas não acontecem conforme as expectativas. É aí que o planejador entra em ação – ele está pronto para alterar continuamente o plano de acordo com o cenário.

Arquitetura de execução multi-Rover

A abordagem atual de planejamento de reparos iterativos permite alterações incrementais no estado inicial, bem como objetiva e, em seguida, resolve conflitos passo a passo. Após cada iteração, seu efeito será propagado para conflitos descobertos e o plano atualizado (por exemplo, algoritmos de reparo de plano invocados).

Esta tecnologia é usada em operações de Rover Planetário, New Millennium Earth Orbiting 1, Citizen Explorer, transpiração espacial altamente reutilizável, Rovers Distribuídos, Missão de Mapeamento Antártico Modificado e muito mais.

Referência:casper.jpl.nasa.gov

2. Vulcão Sensorweb

O projeto utiliza uma rede de sensores conectados por internet e software a uma capacidade autônoma de resposta de observação por satélite. É desenvolvido com arquitetura modular e flexível para facilitar expansão em sensores, customização de cenários de disparo e respostas.

Até à data, tem sido utilizado para implementar um projeto de vigilância global para examinar vulcões. Além disso, a NASA realiza testes de sensorweb para estudar eventos da criosfera, inundações e fenômenos atmosféricos.

Arquitetura de detecção e resposta Sensorweb

Vários satélites operacionais disponibilizam seus dados gratuitamente, como por exemplo os dados do MODIS (Moderate Resolution Imaging Spectrometer) são disponibilizados quase em tempo real através do Direct Broadcast. Estes dados fornecem cobertura global e regional com capacidades de detecção impressionantes.

No entanto, estes equipamentos não fornecem dados em alta resolução adequados para muitas aplicações científicas. Na verdade, a maioria deles são ativos de alta demanda e altamente restritos.

No Volcano Sensorweb, sensores de alta cobertura e baixa resolução são usados para acionar observações por dispositivos de alta resolução. Além disso, existem inúmeras outras justificativas para a rede de sensores em uma rede de sensores. Por exemplo, a resposta automatizada poderia tornar possível a observação através de dispositivos complexos, como radares de imagem. Ou poderiam ser usados ​​para aumentar a frequência de observação a fim de melhorar a resolução temporal.

Leia:As 10 regras de codificação da NASA para escrever programas críticos de segurança

Por enquanto, está sendo usado para monitorar os 50 vulcões mais ativos da Terra. Além disso, a NASA também realiza experimentos para monitorar incêndios florestais, inundações e eventos criosféricos.

Referência: ai.jpl.nasa.gov

1. ASE

As naves espaciais utilizadas nas missões anteriores da NASA (antes de 2000) não tinham capacidade de tomar decisões autónomas por si próprias com base nos dados que recolhem no espaço. No entanto, o ASE (Autonomous Sciencecraft Experiment (ASE), que está sendo operado a bordo da missão Earth Observing-1 desde 2003, utiliza planejamento contínuo, reconhecimento de padrões a bordo e aprendizado de máquina para aumentar a eficiência.

O software ASE demonstra a capacidade de usar a tomada de decisão integrada para identificar, examinar e responder a eventos e vincular apenas os dados que contêm o maior valor.

Esta tecnologia de IA inclui vários módulos úteis, como

• Algoritmo científico integrado para analisar dados de imagem e detectar condições de disparo
• Software robusto de gerenciamento de execução para permitir processamento orientado a eventos e autonomia de baixo nível.
• Software CASPER para replanejar atividades cruciais como downlink.

ASE abre uma ampla gama de novas oportunidades em ciências da Terra, física espacial e ciências planetárias. A tecnologia diminui o tempo de inatividade perdido devido a anomalias, reduz o tempo de configuração do equipamento usando software de autonomia e aumenta drasticamente a ciência por downlink fixo.

Leia:13 das maiores missões futuras da NASA

Inicialmente, o ASE contém metas científicas para monitorar objetivos de alto nível. CASPER é usado para gerar um plano para monitorar alvos periodicamente (usando o instrumento Hyperion). Os algoritmos científicos integrados examinam as imagens e as imagens são vinculadas com base em sua detecção. Se não houver nenhum evento adequado, o software científico comanda o planejador para adquirir o próximo alvo de maior prioridade.

Em seguida, o software SCL implementa os planos gerados pelo CASPER em conjunto com diferentes elementos de autonomia e este ciclo se repete nas observações subsequentes.

Referência: ieeexplore.ieee.org