Los 6 principales proyectos de inteligencia artificial de la NASA que impulsan la exploración espacial

Para estudiar la Tierra y explorar los vastos confines del espacio, la NASA utiliza los avances recientes de la Inteligencia Artificial (IA). El Grupo de IA del Jet Propulsion Laboratory realiza investigaciones fundamentales en los campos de planificación y programación de la inteligencia artificial, con aplicaciones al análisis científico, operaciones de redes en el espacio profundo, mando de naves espaciales y sistemas de transporte espacial.

Hoy vamos a detallar algunos de los principales proyectos en los que JPL está trabajando actualmente. La mayoría de ellos están relacionados con la tecnología de planificación, la autonomía de las naves espaciales y la autonomía de los rovers.

6. álamo temblón

GUI de ASPEN

El Grupo de IA del JPL ha estado trabajando en un sistema conocido como ASPEN (que significa Entorno de Planificación y Programación Automatizada). Es un marco modular y reconfigurable que puede admitir numerosos tipos de aplicaciones de planificación y programación.

El marco incluye una variedad de componentes que implementan los elementos, que se encuentran principalmente en sistemas complejos de planificación o programación, como un sistema de razonamiento temporal, un sistema de gestión de recursos, un lenguaje de modelado expresivo y una interfaz gráfica. Específicamente, se utiliza en la planificación del diseño de misiones, operaciones de naves espaciales, planificación de vehículos de superficie, planificación coordinada de múltiples vehículos y planificación de múltiples vehículos.

Como sistema terrestre, ASPEN utiliza un modelo interno de nave espacial y diferentes objetivos de alto nivel para proporcionar comandos específicos que debe ejecutar la nave espacial. Como sistema basado en vuelo, recibe continuamente actualizaciones sobre el estado del rover y actualiza el plan para reflejar los cambios circundantes. Como sistema de programación de antenas, se utiliza para controlar de forma autónoma una estación DSN.

La tecnología de IA se basa en búsqueda heurística, reparación iterativa y razonamiento temporal. El marco tiene una arquitectura genérica que facilita la selección entre diferentes algoritmos de propagación y motores de búsqueda para que el proceso de planificación sea efectivo. Además, los usuarios pueden interactuar con el cronograma y volver a planificar de manera rápida y eficiente.

Actualmente está disponible para licencia externa pero no para exportación. En el futuro, ASPEN se utilizará para integrar la planificación de reparaciones con la ejecución.

Referencia: ai.jpl.nasa.gov 

5. MALUS

El Sistema Integrado de Comprensión Científica Multi-Rover (MISUS) desarrolla tecnologías para controlar rovers para la exploración planetaria. La arquitectura MISUS desarrollada por la NASA consta de tres componentes principales: 

Análisis de datos: Un sistema distribuido de aprendizaje automático que realiza agrupaciones no supervisadas para modelar la distribución de tipos de rocas observadas por los rovers. Puede dirigir la detección del rover para mejorar continuamente el contenido de la escena planetaria.

Planificación: Un sistema de planificación distribuida que genera planes operativos para lograr los objetivos científicos del rover de entrada. Hay un planificador central que divide los objetivos científicos entre los rovers y un conjunto de planificadores distribuidos asociados con cada operación en un rover individual.

Simulador de entorno:  Un simulador de múltiples rovers, que modela varios entornos geológicos y operaciones científicas de rover. Se ocupa de datos científicos de todos los alrededores, realiza un seguimiento de las operaciones y refleja las observaciones realizadas por el equipo científico del rover.

El sistema general opera en un circuito cerrado donde el sistema de análisis de datos puede verse como científicos que impulsan el proceso de exploración. Primero, los datos se transmiten a algoritmos de agrupación móvil, que integran todos los datos recopilados en un modelo global actualizado y transmiten el nuevo modelo a los agrupadores distribuidos.

La salida de agrupación es utilizada por un algoritmo de priorización para producir un nuevo conjunto de objetivos de observación, lo que mejorará aún más la precisión del modelo. Luego, los objetivos se transmiten a un planificador central que asigna dispositivos móviles individuales a los objetivos de una manera que procese las solicitudes de manera más eficiente.

Luego, cada planificador móvil genera algunas acciones específicas que lograrán la mayor cantidad posible de objetivos asignados. Luego, las secuencias de acción se envían al simulador donde se implementan y toda la información recopilada se envía de regreso a los grupos de vehículos móviles. Todo el ciclo continúa hasta que se recopila suficiente información para generar grupos distintos para cualquier tipo de roca observado.

Referencia:ntrs.nasa.gov

4. Nave espacial distribuida

El proyecto utiliza las últimas tecnologías para controlar constelaciones de naves espaciales con objetivos de misión en lugar de secuencias de comando para cada nave espacial individual.

Esta investigación avanza en las capacidades de modelado y simulación para permitir una simulación de alta precisión y en tiempo real de formaciones y cúmulos de naves espaciales a través de tecnologías distribuidas.

La NASA está desarrollando una nueva arquitectura de simulación para utilizar la naturaleza distribuida de la formación y dividir la simulación entre múltiples procesadores en un grupo. HYDRA (Arquitectura reconfigurable distribuida jerárquica), por ejemplo, está desarrollada para implementar sin problemas módulos y tecnologías simulados en entornos mixtos y multiplataforma.

HYDRA automatiza el proceso de comunicación entre módulos de simulación. Se ha integrado con éxito en FAST (Banco de pruebas de simulación y algoritmos de formación) como parte del programa Terrestre Planet Finder.

Leer:La NASA utilizará inteligencia artificial para redes de comunicación espacial

El objetivo general es construir algoritmos de optimización global robustos y rápidos que puedan resolver problemas de guía, estimación, control y toma de decisiones en vuelos en formación. Esto incluye estimadores distribuidos rápidos para vuelos en formación, asignación distribuida de recursos entre naves espaciales, control sólido de mantenimiento de formaciones, planificación de ruta de reconfiguración óptima del combustible de formación y comando de modo.

Fuente: dst.jpl.nasa.gov

3. CASPER

CASPER (significa Continuous Activity Scheduling Planning Execution and Replanning) utiliza la reparación iterativa para respaldar la alteración o modificación continua de la nave espacial.

Los modelos de planificación convencionales orientados a lotes tienen varias deficiencias. Crear un plan desde cero exige una gran cantidad de cálculos y los recursos computacionales integrados suelen ser limitados.

El objetivo es hacer que el planificador sea más eficaz y responda a cambios inesperados. El planificador que puede disminuir la dependencia de los modelos predictivos, como los inevitables errores de modelado.

Para lograrlo, JPL utiliza una técnica de planificación continua conocida como CASPER.  El planificador tiene un conjunto de objetivos actuales, un estado y un modelo del resultado esperado. Se puede aplicar una actualización incremental al estado actual en cualquier momento. Esta actualización podría ser cualquier cosa, desde simples ajustes en el progreso del tiempo hasta eventos inesperados.

Además, el planificador mantiene un plan coherente con los últimos datos disponibles. Sin embargo, la mayoría de las veces las cosas no salen según las expectativas. Ahí es donde el planificador entra en acción:está listo para modificar continuamente el plan según el escenario.

Arquitectura de ejecución multirover

El enfoque actual de planificación de reparación iterativa permite realizar modificaciones incrementales en el estado inicial, así como resolver conflictos de manera objetiva y luego paso a paso. Después de cada iteración, su efecto se propagará a los conflictos descubiertos y al plan actualizado (por ejemplo, algoritmos de reparación del plan invocados).

Esta tecnología se utiliza en operaciones de rovers planetarios, New Millennium Earth Orbiting 1, Citizen Explorer, transpiración espacial altamente reutilizable, rovers distribuidos, misión cartográfica antártica modificada y más.

Referencia: casper.jpl.nasa.gov

2. Web de sensores de volcanes

El proyecto utiliza una red de sensores conectados por Internet y software a una capacidad de respuesta de observación satelital autónoma. Está desarrollado con una arquitectura modular y flexible para facilitar la expansión de sensores, la personalización de escenarios de activación y respuestas.

Hasta la fecha, se ha utilizado para implementar un proyecto de vigilancia global para examinar los volcanes. Además, la NASA realiza pruebas de sensoresweb para estudiar eventos de criosfera, inundaciones y fenómenos atmosféricos.

Arquitectura de detección y respuesta de Sensorweb

Varios satélites operativos ponen a disposición sus datos de forma gratuita, como los datos del MODIS (espectrómetro de imágenes de resolución moderada) que están disponibles casi en tiempo real a través de transmisión directa. Estos datos brindan una cobertura global y regional con capacidades de detección impresionantes.

Sin embargo, estos equipos no proporcionan datos en alta resolución adecuados para muchas aplicaciones científicas. De hecho, la mayoría de ellos son activos de alta demanda y muy restringidos.

En Volcano Sensorweb, se utilizan sensores de alta cobertura y baja resolución para activar observaciones mediante dispositivos de alta resolución. Además, existen muchos otros fundamentos para la red de sensores en una red de sensores. Por ejemplo, la respuesta automatizada podría hacer posible la observación mediante dispositivos complejos como el radar de imágenes. O podrían usarse para aumentar la frecuencia de observación con el fin de mejorar la resolución temporal.

Leer:Diez reglas de codificación de la NASA para redactar programas críticos para la seguridad

Por ahora, se está utilizando para monitorear los 50 volcanes más activos de la Tierra. Además, la NASA también realiza experimentos para monitorear incendios forestales, inundaciones y eventos criosféricos.

Referencia: ai.jpl.nasa.gov

1. ASE

Las naves espaciales utilizadas en las misiones anteriores de la NASA (antes del 2000) no tenían capacidad para tomar decisiones autónomas por sí mismas en función de los datos que recopilaban en el espacio. Sin embargo, el ASE (Experimento científico autónomo (ASE) que se opera a bordo de la misión Earth Observing-1 desde 2003, utiliza planificación continua, reconocimiento de patrones a bordo y aprendizaje automático para aumentar la eficiencia.

El software ASE demuestra la capacidad de utilizar la toma de decisiones integrada para identificar, examinar y responder a eventos y vincular solo los datos que contienen el mayor valor.

Esta tecnología de IA incluye numerosos módulos útiles como

• Algoritmo científico integrado para analizar datos de imágenes para detectar condiciones de activación
• Sólido software de gestión de ejecución para permitir el procesamiento basado en eventos y autonomía de bajo nivel.
• Software CASPER para volver a planificar actividades cruciales como el enlace descendente.

ASE abre una amplia gama de nuevas oportunidades en ciencias de la Tierra, física espacial y ciencia planetaria. La tecnología reduce el tiempo de inactividad perdido por anomalías, reduce el tiempo de configuración del equipo mediante el uso de software autónomo y aumenta drásticamente la ciencia por enlace descendente fijo.

Leer:13 de las misiones futuras más importantes de la NASA

Inicialmente, ASE contiene objetivos científicos para monitorear objetivos de alto nivel. CASPER se utiliza para generar un plan para monitorear objetivos periódicamente (usando el instrumento Hyperion). Los algoritmos científicos integrados examinan las imágenes y las imágenes se descargan en función de su detección. Si no hay ningún evento adecuado, el software científico ordena al planificador que adquiera el siguiente objetivo de mayor prioridad.

Luego, el software SCL implementa los planes generados por CASPER en conjunto con diferentes elementos de autonomía y este ciclo se repite en observaciones posteriores.

Referencia: ieeexplore.ieee.org