Die sechs besten KI-Projekte der NASA treiben die Weltraumforschung voran

Um die Erde zu erforschen und die Weiten des Weltraums zu erkunden, nutzt die NASA die jüngsten Fortschritte der künstlichen Intelligenz (KI). Die Jet Propulsion Laboratory AI Group betreibt Grundlagenforschung in den Bereichen Planung und Planung künstlicher Intelligenz mit Anwendungen in der wissenschaftlichen Analyse, dem Betrieb von Weltraumnetzwerken, der Steuerung von Raumfahrzeugen und Raumtransportsystemen.

Heute werden wir einige der großen Projekte erläutern, an denen JPL derzeit arbeitet. Die meisten davon beziehen sich auf die Planungstechnologie, die Autonomie von Raumfahrzeugen und Rovern.

6. ASPEN

ASPEN-GUI

Die AI Group am JPL hat an einem System namens ASPEN (steht für Automated Scheduling and Planning Environment) gearbeitet. Es handelt sich um ein modulares, rekonfigurierbares Framework, das zahlreiche Arten von Planungs- und Terminierungsanwendungen unterstützen kann.

Das Framework umfasst eine Vielzahl von Komponenten, die die Elemente implementieren, die meist in komplexen Planungs- oder Terminierungssystemen zu finden sind, wie z. B. ein zeitliches Argumentationssystem, ein Ressourcenmanagementsystem, eine ausdrucksstarke Modellierungssprache und eine grafische Benutzeroberfläche. Insbesondere wird es bei der Missionsentwurfsplanung, dem Betrieb von Raumfahrzeugen, der Planung von Oberflächenrovern, der koordinierten Planung mehrerer Rover und der Planung mehrerer Rover verwendet.

Als bodengestütztes System nutzt ASPEN ein internes Raumfahrzeugmodell und verschiedene übergeordnete Ziele, um spezifische Befehle bereitzustellen, die vom Raumfahrzeug ausgeführt werden sollen. Als flugbasiertes System empfängt es kontinuierlich Aktualisierungen zum Rover-Status und aktualisiert den Plan, um umliegende Änderungen zu berücksichtigen. Als Antennenplanungssystem dient es der autonomen Steuerung einer DSN-Station.

Die KI-Technologie basiert auf heuristischer Suche, iterativer Reparatur und zeitlichem Denken. Das Framework verfügt über eine generische Architektur, die es einfach macht, aus verschiedenen Verbreitungsalgorithmen und Suchmaschinen auszuwählen, um den Planungsprozess effektiv zu gestalten. Darüber hinaus können Benutzer schnell und effizient mit dem Zeitplan interagieren und neu planen.

Es ist derzeit für die externe Lizenzierung verfügbar, jedoch nicht für den Export. Zukünftig wird ASPEN genutzt, um Reparaturplanung und -ausführung zu integrieren.

Referenz: ai.jpl.nasa.gov 

5. MISUS

Das Multi-Rover Integrated Science Understanding System (MISUS) entwickelt Technologien zur Steuerung von Rovern für die Planetenerkundung. Die von der NASA entwickelte MISUS-Architektur besteht aus drei Hauptkomponenten – 

Datenanalyse: Ein verteiltes maschinelles Lernsystem, das unbeaufsichtigtes Clustering durchführt, um die von Rovern beobachtete Gesteinsartenverteilung zu modellieren. Es kann die Sensorik des Rovers steuern, um den Inhalt der Planetenszene kontinuierlich zu verbessern.

Planung: Ein verteiltes Planungssystem, das Betriebspläne generiert, um die wissenschaftlichen Ziele des Input-Rovers zu erreichen. Es gibt einen zentralen Planer, der wissenschaftliche Ziele zwischen Rovern aufteilt, und einen verteilten Planersatz, der jeder Operation auf einem einzelnen Rover zugeordnet ist.

Umgebungssimulator:  Ein Multi-Rover-Simulator, der mehrere geologische Umgebungen und wissenschaftliche Rover-Operationen modelliert. Es verarbeitet wissenschaftliche Daten der gesamten Umgebung, verfolgt Operationen und spiegelt Beobachtungen von Rover-Wissenschaftsgeräten wider.

Das Gesamtsystem arbeitet in einem geschlossenen Regelkreis, wobei das Datenanalysesystem als Wissenschaftler angesehen werden kann, die den Explorationsprozess vorantreiben. Zunächst werden die Daten an Rover-Clustering-Algorithmen übertragen, die alle gesammelten Daten in ein aktualisiertes globales Modell integrieren und das neue Modell an die verteilten Clusterer zurücksenden.

Die Clustering-Ausgabe wird von einem Priorisierungsalgorithmus verwendet, um neue Beobachtungsziele zu erstellen, die die Genauigkeit des Modells weiter verbessern. Die Ziele werden dann an einen zentralen Planer übermittelt, der einzelne Rover den Zielen so zuordnet, dass die Anfragen am effizientesten verarbeitet werden.

Jeder Rover-Planer generiert dann einige spezifische Aktionen, mit denen möglichst viele der ihm zugewiesenen Ziele erreicht werden. Die Aktionssequenzen werden dann an den Simulator gesendet, wo sie implementiert werden, und alle gesammelten Informationen werden an die Rover-Cluster zurückgesendet. Der gesamte Zyklus wird fortgesetzt, bis genügend Informationen gesammelt wurden, um eindeutige Cluster für alle beobachteten Gesteinsarten zu erzeugen.

Referenz:ntrs.nasa.gov

4. Verteiltes Raumschiff

Das Projekt nutzt neueste Technologien, um Konstellationen von Raumfahrzeugen mit Missionszielen zu steuern, anstatt Befehlssequenzen für jedes einzelne Raumfahrzeug.

Diese Forschung erweitert die Modellierungs- und Simulationsmöglichkeiten, um eine hochpräzise Echtzeitsimulation von Raumfahrzeugformationen und -clustern durch verteilte Technologien zu ermöglichen.

Die NASA entwickelt eine neue Simulationsarchitektur, um die verteilte Natur der Formation zu nutzen und die Simulation auf mehrere Prozessoren in einem Cluster aufzuteilen. HYDRA (Hierarchical Distributed Reconfigurable Architecture) beispielsweise wurde entwickelt, um simulierte Module und Technologien nahtlos in gemischten und plattformübergreifenden Umgebungen bereitzustellen.

HYDRA automatisiert den Kommunikationsprozess zwischen Simulationsmodulen. Es wurde erfolgreich in FAST (Formation Algorithms and Simulation Testbed) als Teil des Terrestrial Planet Finder-Programms integriert.

Lesen Sie:NASA nutzt künstliche Intelligenz für Weltraumkommunikationsnetzwerke

Das übergeordnete Ziel besteht darin, robuste und schnelle globale Optimierungsalgorithmen zu entwickeln, die Probleme bei der Führung, Schätzung, Steuerung und Entscheidungsfindung im Formationsflug lösen können. Dazu gehören schnelle verteilte Schätzer für Formationsflüge, verteilte Ressourcenzuteilung zwischen Raumfahrzeugen, robuste Kontrolle über die Formation, Planung des optimalen Rekonfigurationspfads für Formationstreibstoff und Modussteuerung.

Quelle: dst.jpl.nasa.gov

3. CASPER

CASPER (steht für Continuous Activity Scheduling Planning Execution and Replanning) nutzt iterative Reparatur, um kontinuierliche Änderungen oder Modifikationen von Raumfahrzeugen zu unterstützen.

Die herkömmlichen stapelorientierten Planungsmodelle weisen mehrere Mängel auf. Die Erstellung eines Plans von Grund auf erfordert einen hohen Rechenaufwand und die integrierten Rechenressourcen sind in der Regel begrenzt.

Ziel ist es, den Planer effektiver zu machen und auf unerwartete Änderungen reagieren zu können. Der Planer, der die Abhängigkeit von Vorhersagemodellen, wie z. B. unvermeidliche Modellierungsfehler, verringern kann.

Um dies zu erreichen, nutzt JPL eine kontinuierliche Planungstechnik, die als CASPER bekannt ist.  Der Planer verfügt über ein aktuelles Ziel, einen Zustand und ein Modell des erwarteten Ergebnisses. Eine inkrementelle Aktualisierung auf den aktuellen Stand ist jederzeit möglich. Dieses Update kann alles sein, von einfachen, zeitlich fortschreitenden Optimierungen bis hin zu unerwarteten Ereignissen.

Darüber hinaus verwaltet der Planer einen konsistenten Plan mit den neuesten verfügbaren Daten. Meistens laufen die Dinge jedoch nicht wie erwartet. Hier kommt der Planer ins Spiel – er ist bereit, den Plan je nach Szenario kontinuierlich zu ändern.

Multi-Rover-Ausführungsarchitektur

Der derzeitige iterative Reparaturplanungsansatz ermöglicht schrittweise Änderungen des Ausgangszustands sowie die objektive und anschließende schrittweise Lösung von Konflikten. Nach jeder Iteration wird seine Wirkung auf erkannte Konflikte übertragen und der Plan aktualisiert (z. B. werden Planreparaturalgorithmen aufgerufen).

Diese Technologie wird bei Planetary Rover Operations, New Millennium Earth Orbiting 1, Citizen Explorer, hochgradig wiederverwendbarer Weltraumtranspiration, Distributed Rovers, Modified Antarctic Mapping Mission und mehr eingesetzt.

Referenz: casper.jpl.nasa.gov

2. Vulkan-Sensorweb

Das Projekt nutzt ein Netzwerk von Sensoren, die über Internet und Software mit einer autonomen Satellitenbeobachtungsreaktionsfähigkeit verbunden sind. Es wurde mit einer modularen, flexiblen Architektur entwickelt, um die Erweiterung der Sensoren sowie die Anpassung von Auslöseszenarien und Reaktionen zu erleichtern.

Bisher wurde damit ein globales Überwachungsprojekt zur Untersuchung von Vulkanen umgesetzt. Darüber hinaus führt die NASA Sensorweb-Tests durch, um Ereignisse in der Kryosphäre, Überschwemmungen und atmosphärische Phänomene zu untersuchen.

Sensorweb-Erkennungs- und Reaktionsarchitektur

Mehrere betriebsbereite Satelliten stellen ihre Daten kostenlos zur Verfügung, beispielsweise sind Daten des MODIS (Moderate Resolution Imaging Spectrometer) über Direct Broadcast nahezu in Echtzeit verfügbar. Diese Daten bieten eine globale und regionale Abdeckung mit beeindruckenden Erfassungsmöglichkeiten.

Allerdings liefern diese Geräte keine Daten in hoher Auflösung, die für viele wissenschaftliche Anwendungen geeignet sind. Tatsächlich handelt es sich bei den meisten von ihnen um Vermögenswerte mit hoher Nachfrage und starken Beschränkungen.

In Volcano Sensorweb werden Sensoren mit hoher Abdeckung und niedriger Auflösung verwendet, um Beobachtungen durch hochauflösende Geräte auszulösen. Darüber hinaus gibt es zahlreiche weitere Gründe für die Vernetzung von Sensoren zu einem Sensorweb. Beispielsweise könnte eine automatisierte Reaktion die Beobachtung über komplexe Geräte wie Bildradar ermöglichen. Oder sie könnten verwendet werden, um die Beobachtungsfrequenz zu erhöhen und so die zeitliche Auflösung zu verbessern.

Lesen Sie:Die 10 Kodierungsregeln der NASA zum Schreiben sicherheitskritischer Programme

Derzeit werden damit die 50 aktivsten Vulkane der Erde überwacht. Darüber hinaus führt die NASA auch Experimente zur Überwachung von Waldbränden, Überschwemmungen und kryosphärischen Ereignissen durch.

Referenz: ai.jpl.nasa.gov

1. ASE

Die in den vorherigen NASA-Missionen (vor 2000) eingesetzten Raumschiffe waren nicht in der Lage, selbstständig Entscheidungen auf der Grundlage der im Weltraum gesammelten Daten zu treffen. Allerdings nutzt ASE (Autonomous Sciencecraft Experiment (ASE), das seit 2003 an Bord der Earth Observing-1-Mission durchgeführt wird, kontinuierliche Planung, Mustererkennung an Bord und maschinelles Lernen, um die Effizienz zu steigern.

Die ASE-Software demonstriert die Fähigkeit, die integrierte Entscheidungsfindung zu nutzen, um Ereignisse zu identifizieren, zu untersuchen und darauf zu reagieren und nur die Daten herunterzuladen, die den höchsten Wert enthalten.

Diese KI-Technologie umfasst zahlreiche nützliche Module wie

• Integrierter wissenschaftlicher Algorithmus zur Analyse von Bilddaten zur Erkennung von Auslösebedingungen
• Robuste Ausführungsmanagementsoftware zur Ermöglichung ereignisgesteuerter Verarbeitung und geringer Autonomie.
• CASPER-Software zur Neuplanung wichtiger Aktivitäten wie Downlink.

ASE eröffnet eine Vielzahl neuer Möglichkeiten in den Geowissenschaften, der Weltraumphysik und den Planetenwissenschaften. Die Technologie verringert die durch Anomalien verlorene Ausfallzeit, verkürzt die Einrichtungszeit der Geräte durch den Einsatz von Autonomie-Software und erhöht die Wissenschaft pro festem Downlink erheblich.

Lesen Sie:13 der größten zukünftigen NASA-Missionen

Zunächst enthält ASE wissenschaftliche Ziele zur Überwachung hochrangiger Ziele. CASPER wird verwendet, um einen Plan für die regelmäßige Überwachung von Zielen zu erstellen (mithilfe des Hyperion-Instruments). Die integrierten wissenschaftlichen Algorithmen untersuchen die Bilder und die Bilder werden basierend auf ihrer Erkennung weitergeleitet. Wenn es kein passendes Ereignis gibt, weist die Wissenschaftssoftware den Planer an, das Ziel mit der nächsthöheren Priorität zu erfassen.

Anschließend implementiert die SCL-Software die von CASPER generierten Pläne in Verbindung mit verschiedenen Autonomieelementen und dieser Zyklus wird bei nachfolgenden Beobachtungen wiederholt.

Referenz: ieeexplore.ieee.org