NASAs Top 6 KI-Projekte, die die Raumfahrt vorantreiben

Um die Erde zu erforschen und die Weiten des Weltraums zu erkunden, nutzt die NASA die jüngsten Fortschritte der Künstlichen Intelligenz (KI). Die KI-Gruppe des Jet Propulsion Laboratory (JPL) betreibt Grundlagenforschung in den Bereichen KI-Planung und -Scheduling mit Anwendungen in Wissenschaftsanalyse, Deep-Space-Network-Operationen, Raumschiffsteuerung und Weltraumtransportsystemen.

Heute stellen wir einige der wichtigsten Projekte vor, an denen das JPL derzeit arbeitet. Die meisten betreffen Planungstechnologie, Raumschiff-Autonomie und Rover-Autonomie.

6. ASPEN

ASPEN GUI

Die KI-Gruppe am JPL arbeitet an einem System namens ASPEN (Automated Scheduling and Planning Environment). Es ist ein modulares, rekonfigurierbares Framework, das zahlreiche Planungs- und Scheduling-Anwendungen unterstützt.

Das Framework umfasst diverse Komponenten, die Elemente implementieren, die typischerweise in komplexen Planungs- oder Scheduling-Systemen vorkommen: ein temporales Reasoning-System, ein Ressourcenmanagement-System, eine expressive Modellierungssprache und eine grafische Oberfläche. Es wird in Missionsdesign-Planung, Raumschiff-Operationen, Oberflächen-Rover-Planung, koordinierter Multi-Rover-Planung und Multi-Rover-Planung eingesetzt.

Als bodengestütztes System nutzt ASPEN ein internes Raumschiffmodell und verschiedene Hochlevel-Ziele, um spezifische Befehle für die Ausführung durch das Raumschiff zu liefern. Als flugbasiertes System empfängt es kontinuierlich Updates zum Rover-Zustand und aktualisiert den Plan entsprechend der Umgebungsveränderungen. Als Antennen-Scheduling-System steuert es autonom eine DSN-Station.

Die KI-Technologie basiert auf heuristischer Suche, iterativer Reparatur und temporalem Reasoning. Das Framework hat eine generische Architektur, die die Auswahl verschiedener Propagationsalgorithmen und Suchmaschinen erleichtert. Nutzer können mit dem Zeitplan interagieren und schnell und effizient neu planen.

Es ist derzeit für externes Lizenzieren verfügbar, aber nicht für Export. In Zukunft wird ASPEN Reparaturplanung mit Ausführung integrieren.

Referenz: ai.jpl.nasa.gov

5. MISUS

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

Datenanalyse: Ein verteiltes Machine-Learning-System, das unüberwachtes Clustering für die Modellierung der von Rovern beobachteten Gesteinstypverteilung durchführt. Es kann die Sensorik des Rovers lenken, um den Inhalt der planetaren Szene kontinuierlich zu verbessern.

Planung: Ein verteiltes Planungssystem, das Operationspläne zur Erreichung der Rover-Wissenschaftsziele generiert. Ein zentraler Planer teilt die Wissenschaftsziele unter den Rovern auf, und ein verteilter Planer ist jedem einzelnen Rover zugeordnet.

Umgebungssimulator: Ein Multi-Rover-Simulator, der verschiedene geologische Umgebungen und Rover-Wissenschaftsoperationen modelliert. Er verwaltet Wissenschaftsdaten aller Umgebungen, verfolgt Operationen und spiegelt Beobachtungen der Rover-Wissenschaftsinstrumente wider.

Das Gesamtsystem arbeitet in einer Closed-Loop-Manier, wobei das Datenanalysesystem als Wissenschaftler fungiert, der den Erkundungsprozess steuert. Zunächst werden Daten an Rover-Clustering-Algorithmen übermittelt, die alle gesammelten Daten in ein aktualisiertes globales Modell integrieren und dieses an die verteilten Clusterer zurücksenden.

Der Clustering-Output wird von einem Priorisierungsalgorithmus genutzt, um neue Beobachtungsziele zu erzeugen, die die Modellgenauigkeit weiter verbessern. Diese Ziele werden an den zentralen Planer übermittelt, der einzelne Rover den Zielen so zuweist, dass die Anfragen am effizientesten bearbeitet werden.

Jeder Rover-Planer generiert spezifische Aktionen, um so viele zugewiesene Ziele wie möglich zu erreichen. Die Aktionssequenzen werden an den Simulator gesendet, dort implementiert und gesammelte Informationen an die Rover-Clusterer zurückgesendet. Der Zyklus wiederholt sich, bis genügend Informationen gesammelt sind, um für alle beobachteten Gesteinstypen eindeutige Cluster zu generieren.

Referenz: ntrs.nasa.gov

4. Verteilte Raumschiffe

Das Projekt nutzt neueste Technologien, um Konstellationen von Raumschiffen mit Missionszielen zu steuern, anstatt Befehlssequenzen für jedes einzelne Raumschiff vorzugeben.

Diese Forschung erweitert Modellierungs- und Simulationsfähigkeiten, um hochpräzise Echtzeitsimulationen von Raumschiff-Formationen 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 über gemischte und Multi-Plattform-Umgebungen zu verteilen.

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

Lesen Sie auch: NASA nutzt KI für Weltraumkommunikationsnetzwerke

Das übergeordnete Ziel ist der Aufbau robuster, schneller globaler Optimierungsalgorithmen, die Formationsflug-Führung, -Schätzung, -Kontrolle und Entscheidungsfindung lösen. Dazu gehören schnelle verteilte Estimatoren für Formationsflug, verteilte Ressourcenzuweisung unter Raumschiffen, robuste Formationshaltung, formationsoptimale Treibstoff-Umkonfigurationspfadplanung und Modus-Kommandierung.

Quelle: dst.jpl.nasa.gov

3. CASPER

CASPER (Continuous Activity Scheduling Planning Execution and Replanning) nutzt iterative Reparatur, um kontinuierliche Änderungen oder Modifikationen am Raumschiff zu unterstützen.

Konventionelle batch-orientierte Planungsmodelle haben mehrere Mängel. Einen Plan von Grund auf zu erstellen, erfordert umfangreiche Rechenleistung, und bordeigene Rechenressourcen sind typischerweise begrenzt.

Ziel ist es, den Planer effektiver und reaktionsfähiger auf unerwartete Änderungen zu machen. Der Planer soll die Abhängigkeit von Vorhersagemodellen verringern, wie unvermeidbaren Modellierungsfehlern.

Dafür nutzt das JPL eine kontinuierliche Planungstechnik namens CASPER. Der Planer verfügt über einen aktuellen Zielsatz, Zustand und ein Modell des erwarteten Ergebnisses. Ein inkrementelles Update des aktuellen Zustands kann jederzeit angewendet werden – von einfachen Zeitfortschrittsanpassungen bis zu unerwarteten Ereignissen.

Der Planer hält einen konsistenten Plan mit den neuesten Daten aufrecht. Meistens verläuft nicht alles wie erwartet. Hier greift der Planer ein – er steht bereit, den Plan kontinuierlich an das Szenario anzupassen.

Multi-Rover Execution Architecture

Der aktuelle iterative Reparaturplanungsansatz ermöglicht inkrementelle Änderungen am Anfangszustand sowie an Zielen und löst Konflikte schrittweise auf. Nach jeder Iteration wird dessen Effekt auf entdeckte Konflikte propagiert und der Plan aktualisiert (z. B. durch Aufruf von Plan-Reparatur-Algorithmen).

Diese Technologie wird in Planeten-Rover-Operationen, New Millennium Earth Orbiting 1, Citizen Explorer, hochwiederverwendbarem Weltraumtransport, verteilten Rovern, Modified Antarctic Mapping Mission und mehr eingesetzt.

Referenz: casper.jpl.nasa.gov

2. Volcano Sensorweb

Das Projekt nutzt ein Netzwerk von Sensoren, die über das Internet und Software mit einer autonomen Satellitenbeobachtungs-Reaktionsfähigkeit verknüpft sind. Es wurde mit einer modularen, flexiblen Architektur entwickelt, um Erweiterungen bei Sensoren, Anpassung von Auslöseszenarien und Reaktionen zu erleichtern.

Bisher wurde es für ein globales Überwachungsprojekt zur Untersuchung von Vulkanen eingesetzt. Zudem führt die NASA Sensorweb-Tests durch, um Kryosphärenereignisse, Überschwemmungen und atmosphärische Phänomene zu studieren.

Sensorweb Detection and Response Architecture

Mehrere operationelle Satelliten stellen ihre Daten kostenlos zur Verfügung, z. B. Daten des MODIS (Moderate Resolution Imaging Spectrometer) fast in Echtzeit über Direct Broadcast. Diese Daten bieten globale und regionale Abdeckung mit beeindruckenden Sensorfähigkeiten.

Diese Geräte liefern jedoch keine hochauflösenden Daten, die für viele wissenschaftliche Anwendungen geeignet sind. Tatsächlich sind die meisten High-Demand-Assets und stark eingeschränkt.

Im Volcano Sensorweb werden Sensoren mit hoher Abdeckung und niedriger Auflösung genutzt, um Beobachtungen durch hochauflösende Geräte auszulösen. Es gibt zahlreiche weitere Gründe für ein Sensornetzwerk: Automatisierte Reaktion könnte Beobachtungen durch komplexe Geräte wie Imaging Radar ermöglichen. Oder sie könnten genutzt werden, um die Beobachtungsfrequenz zu erhöhen und so die zeitliche Auflösung zu verbessern.

Lesen Sie auch: NASAs 10 Coding-Regeln für sicherheitskritische Programme

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

Referenz: ai.jpl.nasa.gov

1. ASE

Die Raumschiffe früherer NASA-Missionen (vor 2000) hatten keine Fähigkeit, autonome Entscheidungen basierend auf im Weltraum gesammelten Daten zu treffen. ASE (Autonomous Sciencecraft Experiment), das seit 2003 an Bord der Earth Observing-1-Mission betrieben wird, nutzt kontinuierliche Planung, bordo- Mustererkennung und Machine Learning, um die Effizienz zu steigern.

Die ASE-Software demonstriert die Fähigkeit, bordo-Entscheidungsfindung zu nutzen, um Ereignisse zu identifizieren, zu untersuchen und darauf zu reagieren und nur Daten mit höchstem Wert herunterzuladen.

Diese KI-Technologie umfasst zahlreiche nützliche Module:

• Bordo-Wissenschaftsalgorithmus zur Analyse von Bilddaten zur Erkennung von Auslösebedingungen
• Robuste Ausführungsmanagement-Software für ereignisgesteuerte Verarbeitung und Low-Level-Autonomie
• CASPER-Software zur Neuplanung kritischer Aktivitäten wie Downlink

ASE eröffnet vielfältige neue Möglichkeiten in Erdwissenschaften, Weltraumphysik und Planetenwissenschaft. Die Technologie verringert Ausfallzeiten durch Anomalien, reduziert Einrichtungszeiten durch Autonomiesoftware und erhöht die Wissenschaft pro festem Downlink dramatisch.

Lesen Sie auch: 13 der größten zukünftigen NASA-Missionen

Zunächst enthält ASE Wissenschaftsziele zur Überwachung hochrangiger Ziele. CASPER generiert Pläne für die periodische Überwachung der Ziele (mit Hyperion-Instrument). Die bordo-Wissenschaftsalgorithmen untersuchen die Bilder, und diese werden basierend auf der Erkennung heruntergeladen. Erkennt die Wissenschaftssoftware kein geeignetes Ereignis, befiehlt sie dem Planer, das nächsthöhere Prioritätsziel anzufliegen.

Dann setzt die SCL-Software die von CASPER generierten Pläne in Verbindung mit verschiedenen Autonomieelementen um, und dieser Zyklus wiederholt sich bei nachfolgenden Beobachtungen.

Referenz: ieeexplore.ieee.org