Los 6 principales proyectos de IA de la NASA que impulsan la exploración espacial

Para estudiar la Tierra y explorar los vastos alcances del espacio, la NASA utiliza los avances recientes de la Inteligencia Artificial (IA). El Grupo de IA del Laboratorio de Propulsión a Chorro (JPL) realiza investigación fundamental en campos de Planificación y Programación de IA, con aplicaciones en análisis científico, operaciones de la red de 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 están relacionados con tecnología de planificación, autonomía de naves espaciales y autonomía de rovers.

6. ASPEN

Interfaz gráfica ASPEN

El Grupo de IA en JPL ha estado trabajando en un sistema conocido como ASPEN (Automated Scheduling and Planning Environment). Es un marco modular y reconfigurable que puede soportar 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 usa en planificación de diseño de misiones, operaciones de naves espaciales, planificación de rovers en superficie, planificación coordinada de múltiples rovers y planificación de múltiples rovers.

Como sistema basado en tierra, ASPEN utiliza un modelo interno de la nave espacial y diferentes objetivos de alto nivel para proporcionar comandos específicos a ser ejecutados por la nave. Como sistema de vuelo, recibe continuamente actualizaciones sobre el estado del rover y actualiza el plan para reflejar cambios en el entorno. Como sistema de programación de antenas, se usa para controlar autónomamente 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 seleccionar diferentes algoritmos de propagación y motores de búsqueda para hacer el proceso de planificación efectivo. Además, los usuarios pueden interactuar con el horario y re-planificar rápida y eficientemente.

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

Referencia: ai.jpl.nasa.gov

5. MISUS

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

Análisis de datos: Un sistema de aprendizaje automático distribuido, que realiza agrupamiento no supervisado para modelar la distribución de tipos de roca observados por los rovers. Puede dirigir la detección del rover para mejorar continuamente el contenido de la escena planetaria.

Planificación: Un sistema de planificación distribuido, que genera planes de operación para lograr objetivos científicos de entrada del rover. Hay un planificador central que divide los objetivos científicos entre rovers, y un planificador distribuido asociado a cada operación sobre un rover individual.

Simulador de entorno: Un simulador multi-rover, que modela varios entornos geológicos y operaciones científicas del rover. Maneja datos científicos de todos los alrededores, mantiene un registro de operaciones y refleja observaciones del equipo científico del rover.

El sistema general opera en bucle cerrado donde el sistema de análisis de datos puede verse como científicos dirigiendo el proceso de exploración. Primero, los datos se transmiten a algoritmos de agrupamiento del rover, que integran todos los datos recopilados en un modelo global actualizado y transmiten el nuevo modelo de vuelta a los agrupadores distribuidos.

La salida del agrupamiento es usada por un algoritmo de priorización para producir un nuevo conjunto de objetivos de observación, que mejorarán aún más la precisión del modelo. Los objetivos se transmiten luego a un planificador central que asigna rovers individuales a objetivos de manera que procese las solicitudes de la forma más eficiente.

Cada planificador de rover genera acciones específicas que lograrán la mayor cantidad posible de sus objetivos asignados. Las secuencias de acciones se envían al simulador donde se implementan y cualquier información recopilada se envía de vuelta a los agrupadores del rover. El ciclo completo continúa hasta que se recopila suficiente información para generar clusters distintos para cualquier tipo de roca observada.

Referencia: ntrs.nasa.gov

4. Naves espaciales distribuidas

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

Esta investigación avanza las capacidades de modelado y simulación para permitir la simulación de alta precisión y en tiempo real de formaciones y clusters 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 clúster. HYDRA (Arquitectura Distribuida Reconfigurable Jerárquica), por ejemplo, se desarrolló para desplegar sin problemas módulos y tecnologías simuladas a través de entornos mixtos y multiplataforma.

HYDRA automatiza el proceso de comunicación entre módulos de simulación. Se ha infusionado con éxito en FAST (Formation Algorithms and Simulation Testbed) como parte del programa Terrestrial Planet Finder.

Leer: NASA usará 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 de vuelo en formación. Esto incluye estimadores distribuidos rápidos para vuelo en formación, asignación distribuida de recursos entre naves espaciales, control robusto de mantenimiento de formación, planificación de trayectoria óptima en combustible para reconfiguración de formación, y mando de modo.

Fuente: dst.jpl.nasa.gov

3. CASPER

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

Los modelos convencionales de planificación orientados por lotes tienen varios inconvenientes. Construir un plan desde cero exige una cantidad extensa de computación, y los recursos computacionales a bordo son típicamente limitados.

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

Para lograr esto, JPL utiliza una técnica de planificación continua conocida como CASPER. El planificador tiene un conjunto actual de objetivos, estado y un modelo del resultado esperado. Una actualización incremental al estado actual puede aplicarse en cualquier momento. Esta actualización podría ser cualquier cosa, desde simples ajustes de progresión temporal hasta eventos inesperados.

El planificador mantiene además un plan consistente con los datos más recientes disponibles. Sin embargo, la mayoría de las veces, las cosas no salen como se espera. Ahí es donde el planificador entra en acción: está listo para alterar continuamente el plan según el escenario.

Arquitectura de ejecución multi-rover

El enfoque actual de planificación por reparación iterativa permite alteraciones incrementales al estado inicial y al objetivo y luego resuelve conflictos paso a paso. Después de cada iteración, su efecto se propagará a los conflictos descubiertos y el plan se actualizará (por ejemplo, se invocarán algoritmos de reparación de planes).

Esta tecnología se usa en Operaciones de Rover Planetario, New Millennium Earth Orbiting 1, Citizen Explorer, transporte espacial altamente reutilizable, Rovers Distribuidos, Misión de Mapeo Antártico Modificado, y más.

Referencia: casper.jpl.nasa.gov

2. Volcano Sensorweb

El proyecto usa una red de sensores vinculados por internet y software a una capacidad de respuesta de observación satelital autónoma. Se desarrolló con una arquitectura modular y flexible para facilitar la expansión en sensores, personalización de escenarios de disparo y respuestas.

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

Arquitectura de detección y respuesta Sensorweb

Varios satélites operativos ponen sus datos a disposición gratuita, como los datos del MODIS (Moderate Resolution Imaging Spectrometer) disponibles casi en tiempo real a través de Direct Broadcast. Estos datos proporcionan 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 son activos de alta demanda y altamente restringidos.

En Volcano Sensorweb, sensores de alta cobertura y baja resolución se usan para disparar observaciones por dispositivos de alta resolución. También hay numerosas otras razones para una red de sensores en una sensorweb. Por ejemplo, la respuesta automatizada podría hacer posible la observación mediante dispositivos complejos como radar de imagen. O podrían usarse para aumentar la frecuencia de observación y mejorar la resolución temporal.

Leer: Las 10 reglas de codificación de la NASA para escribir programas críticos de seguridad

Actualmente, se usa para monitorear los 50 volcanes más activos de la Tierra. Además, la NASA también realiza experimentos para monitorizar incendios forestales, inundaciones y eventos criosféricos.

Referencia: ai.jpl.nasa.gov

1. ASE

Las naves espaciales usadas en misiones previas de la NASA (antes de 2000) no tenían capacidad para tomar decisiones autónomas basadas en los datos que recogen en el espacio. Sin embargo, ASE (Autonomous Sciencecraft Experiment) que opera a bordo en la misión Earth Observing-1 desde 2003, usa planificación continua, reconocimiento de patrones a bordo y aprendizaje automático para aumentar la eficiencia.

El software ASE demuestra la capacidad de usar toma de decisiones a bordo para identificar, examinar y responder a eventos y enviar solo los datos que contienen mayor valor.

Esta tecnología de IA incluye numerosos módulos útiles como:

• Algoritmo científico a bordo para analizar datos de imagen y detectar condiciones de disparo
• Software robusto de gestión de ejecución para permitir procesamiento basado en eventos y autonomía de bajo nivel.
• Software CASPER para re-planificar actividades cruciales como el enlace descendente.

ASE abre una amplia gama de nuevas oportunidades en ciencia terrestre, física espacial y ciencia planetaria. La tecnología disminuye el tiempo de inactividad perdido por anomalías, reduce el tiempo de configuración del equipo usando software de autonomía, y aumenta dramáticamente la ciencia por enlace descendente fijo.

Leer: 13 de las mayores misiones futuras de la NASA

Inicialmente, ASE contiene objetivos científicos para monitorizar objetivos de alto nivel. CASPER se usa para generar planes para monitorizar periódicamente objetivos (usando el instrumento Hyperion). Los algoritmos científicos a bordo examinan las imágenes y las imágenes se envían basándose en su detección. Si no hay evento adecuado, el software científico ordena al planificador adquirir el siguiente objetivo de mayor prioridad.

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

Referencia: ieeexplore.ieee.org