La exploración espacial profunda presenta desafíos únicos para la navegación debido a las vastas distancias y la comunicación limitada con la Tierra. Desarrollar algoritmos de navegación autónomos es esencial para garantizar el éxito de las sondas espaciales profundas a medida que se aventuran más lejos en el cosmos. Sin autonomía a bordo, la nave espacial dependería mucho de un seguimiento basado en tierra, un método que se vuelve cada vez más impráctico a medida que las demoras se extienden de minutos a horas.

El desafío de la comunicación espacial profunda

Mientras una sonda se mueve más allá de la Luna, el tiempo de luz de ida y vuelta (RTLT) para las señales de radio crece rápidamente. Para Marte, los retrasos van de 4 a 24 minutos; para Júpiter, alrededor de 1.3 horas; para los planetas externos, puede exceder varias horas. A distancias interestelar, retraso abarca días o semanas. La navegación tradicional depende de la Red de Espacios Profundos (DSN) para medir los cambios de navegación de Doppler.

Principios básicos de la navegación autónoma

La navegación autónoma para una sonda espacial profunda implica tres tareas fundamentales: determinar el estado de la nave espacial (posición, velocidad y actitud), predecir su trayectoria futura bajo influencias gravitatorias, y planificar maniobras para alcanzar objetivos de misión. Estas tareas están interconectadas a través de un ciclo continuo de detección, estimación y control.

Estimación del Estado

El vector estatal generalmente incluye la posición cartesiana y la velocidad, más la cuaternación de actitud y las tasas angulares. El paso de predicción propaga el estado hacia adelante en el tiempo utilizando la integración numérica de las ecuaciones del movimiento. El paso de actualización incorpora nuevas mediciones de sensores para corregir el estado predicho. La elección del filtro depende de los recursos computacionales y la no linealidad.

Determinación de la actitud

El conocimiento de actitud exacto es obligatorio para apuntar antenas, instrumentos y propulsores. Los rastreadores de estrellas son el sensor primario: capturan una imagen del campo estrella, coinciden con los patrones de estrellas observados contra un catálogo a bordo y computan la orientación. El catálogo contiene típicamente posiciones y magnitudes de varios miles de estrellas. Para misiones espaciales profundas, el rastreador estrella debe ser endurecido y capaz de operar en entornos de baja velocidad.

Determinación de órbita

La determinación de órbitas se basa tradicionalmente en el seguimiento radiométrico basado en tierra. Para la navegación autónoma, la sonda utiliza mediciones ópticas de cuerpos celestes conocidos. Una cámara imprime un planeta, luna o asteroide contra el fondo estrella. La posición aparente del cuerpo relativa a las estrellas se utiliza para inferir el vector de línea de visión.

Tecnologías de sensores para la autonomía

La navegación autónoma se basa en un conjunto de sensores que proporcionan datos complementarios. Los más comunes son:

  • Star Trackers: Proveer una actitud absoluta con precisión de arco. Los rastreadores de estrellas modernos pueden identificar estrellas en presencia de luz perdida y radiación alta.
  • Unidades de Medición Inercial (IMUs): Proporcionar tarifas angulares y aceleraciones lineales a alta frecuencia; acumular la deriva con el tiempo y requerir corrección periódica.
  • Sensores de sonido: Referencia de actitud gruesa detectando la dirección del Sol; utilizada para la adquisición inicial y modo seguro.
  • Cámaras de navegación: Normalmente los imaginadores pancromáticos o multispectral que capturan imágenes de objetivos para el OpNav. Algunas misiones llevan cámaras de navegación óptica dedicadas.
  • Láser Altimeters (LiDAR):] El rango de medición a una superficie planetaria con alta precisión. Se utiliza para la navegación relacionada con el terreno durante el aterrizaje o los flybys cercanos.

Las futuras sondas espaciales profundas también pueden incorporar sensores cuánticos] (por ejemplo, acelerómetros atómicos) que ofrecen mediciones de aceleración sin deriva, lo que podría mejorar la precisión de navegación a largo plazo.

Marco Algorítmico y Navegación Óptica

El núcleo de la navegación autónoma radica en los algoritmos que procesan datos de sensores y calculan los estados. El marco estándar es el filtro Kalman, pero existen muchas variantes prácticas. Por ejemplo, el proyecto de la Agencia Espacial Europea (ESA) Navegación Óptica Autonómica] desarrolló un filtro que procesa imágenes de cuerpos planetarios para estimar órbita sin intervención terrestre.

La navegación óptica se puede dividir en dos categorías: relativa y absoluta. OpNav relativa utiliza imágenes de un cuerpo objetivo conocido (por ejemplo, un asteroide) para calcular la posición de la nave espacial relativa a ese cuerpo. Absolute OpNav utiliza imágenes de planetas o lunas con efímeros conocidos para determinar la posición inercial de la nave espacial. El algoritmo primero extrae los centrosides del cuerpo objetivo y las estrellas de fondo menos

Un reto es que el cuerpo objetivo puede aparecer como sólo unos pocos píxeles de lejos. Técnicas avanzadas de centroide, como el uso de un modelo de función de punta puntiaguda Gaussian, pueden lograr la precisión del subpixel. Para los flybys y fases de enfoque, el ajuste de la extremidad (ajustar una elipse a la extremidad iluminada) proporciona información de rango cuando el radio corporal se conoce de efemérides.

Para los aterrizantes y misiones de retorno de muestras, la navegación relacionada con el terreno (TRN) coincide con las imágenes en tiempo real con un mapa almacenado para determinar la posición con la precisión de nivel medio. Ejemplos incluyen el sistema de visión de lavandera de Marte 2020 Perseverance y la colección de muestras OSIRIS-REx de Bennu. TRN utiliza una cámara apuntada hacia abajo, y el algoritmo correla las características de procesamiento de la elevación de la tierra (por ejemplo, precadores de precisión, modelos) con una elevación.

Aprendizaje de Máquinas e Inteligencia Artificial

Los avances recientes en el aprendizaje automático (ML) están empezando a impactar la navegación autónoma. Las redes neuronales convolutivas (CNN) pueden realizar una identificación de estrellas robusta y un patrón que coincida incluso cuando las imágenes de estrellas se degradan por el borrón de movimiento o la radiación. Las CNN también se utilizan para la detección de cráter durante la TRN, proporcionando una mayor robustez que la combinación de características tradicionales.

Un ejemplo notable es el experimento de NASA Autonomous Sciencecraft] en la observación de la Tierra-1, que utilizó a bordo de la IA para detectar acontecimientos interesantes y volver a poner en escena la nave espacial. Aunque no una misión espacial profunda, demostró el potencial de autonomía cognitiva. Para el espacio profundo, los modelos ML deben ser cuantificados y comprimidos para adaptarse a las FPGAs endurecidas por radiación o procesadores limitados.

Otra área prometedora es detección de anonimato] utilizando autoencoders. Al aprender el comportamiento nominal de sensores y actuadores de naves espaciales, un sistema de inteligencia artificial puede marcar desviaciones que pueden indicar una falla de hardware o un entorno inesperado. La navegación autónoma puede ajustar la ley de control o cambiar a un modo seguro.

Limitaciones de uso

Los procesadores calificados del espacio se retrasan en el rendimiento de los contrapartes comerciales. Por ejemplo, el procesador RAD750 utilizado en muchas misiones espaciales profundas funciona a alrededor de 200 MHz y ofrece ~0.5 GFLOPS. Esto limita severamente la complejidad de algoritmos que pueden funcionar en tiempo real. Los desarrolladores deben optimizar cada línea de código, utilizar puntos fijos de forma espaciada, y a menudo implementar funciones críticas en megavolturas

Sin embargo, los avances en FPGAs tolerantes a la radiación (por ejemplo, Microchip RTG4, Xilinx Virtex-5QV) permiten la implementación de algoritmos muy paralelos como la combinación de patrones estrella o la convolución de imagen. El High Performance Spaceflight Computing (HPSC) programa de la NASA tiene como objetivo proporcionar un nuevo chip de mejora de procesador (el IR100 con el "

Verificación y validación de algoritmos autónomos

Dado el alto costo y el riesgo de las misiones espaciales profundas, el software de navegación autónomo debe ser verificado y validado a fondo (V plagaV). Esto implica tanto la simulación como el hardware en el circuito (HIL) pruebas. Simulación de alta fidelidad modelan la dinámica de las naves espaciales, el ruido de los sensores, el rendimiento de los actuadores y las perturbaciones ambientales (por ejemplo, la presión de radiación solar, la gravedad de terceros).

Las pruebas HIL utilizan hardware de vuelo real (procesador, cámaras, rastreadores de estrellas) con estímulos simulados, por ejemplo, un campo de estrellas mostrado en un monitor de precisión o un IMU estimulado en una mesa de movimiento. Esto captura problemas de tiempo, fugas de memoria y errores de integración de hardware-software que puede perderse. Debido a que los sistemas autónomos pueden encontrar situaciones no programadas explícitamente, el comportamiento robusto se logra a menudo mediante la redundancia: múltiples algoritmos se ejecutan en paralelos

Una parte crítica de V sensibleV está evaluando el rendimiento del filtro bajo condiciones desviadas: bloqueo de estrellas perdido, ruido de radiación alto, mediciones perdidas o anomalías del impulsor. El algoritmo debe degradarse con gracia en lugar de estrellarse. Por ejemplo, si el rastreador estrella pierde cerradura, el filtro puede caer en la propagación de IMU y sensores de sol hasta que se recupera la identificación de estrellas.

Casos de estudio: Navegación autónoma en acción

Espacio Profundo 1 (1998–2001)

El Espacio Profundo 1 de la NASA fue la primera misión de demostrar navegación autónoma como una tecnología primaria. Llevó el sistema AutoNav, que utilizó imágenes ópticas de asteroides para navegar sin intervención terrestre. AutoNav computó la posición de la sonda relativa a los cuerpos de destino, maniobras de propulsión planeadas ion, y los ejecutó.

Nuevos Horizontes (2006–2015)

La misión de Nuevos Horizontes a Plutón utilizó navegación óptica durante su aproximación en 2015. Mientras la navegación primaria se basaba en tierra, la nave espacial llevó un escáner de reconocimiento de largo alcance (LORRI) que proporcionaba imágenes para el relativo OpNav. Estas imágenes fueron procesadas sobre el terreno para el perfeccionamiento de trayectoria, pero las técnicas demostraron la viabilidad de apuntar e imaginar objetivos desconocidos.

OSIRIS-REx (2016–2023)

La misión OSIRIS-REx de la NASA al asteroide Bennu empleó una serie de técnicas de navegación autónomas. Durante la colección de muestras Touch-and-Go (TAG), la nave espacial utilizó el seguimiento de características naturales (NFT) basado en el procesamiento de imágenes a bordo. El sistema correlacionó imágenes en tiempo real de la superficie del asteroide con un mapa de terreno precargado para guiar la nave a un sitio de aterrizaje preciso.

Futuras: Navegación interestelar y Cuántica

Como las agencias planean misiones al espacio interestelar (por ejemplo, Breakthrough Starshot, sondas interestelar), la navegación autónoma no sólo se vuelve beneficiosa sino obligatoria. A distancias más allá de 100 AU, el retraso de comunicación de ida y vuelta supera un día, y el seguimiento DSN se vuelve demasiado débil para una determinación de órbita precisa. Las sondas interestelar necesitarán navegar usando sólo sensores a bordo, como una combinación de rastreadores de estrellas, observaciones ópticas

]La navegación por el púlsar utiliza las emisiones temporizadas de los pulsares de milisegundos como un GPS natural. Mediante la medición de los tiempos de llegada de los pulsos de rayos X de varios pulsares, una nave espacial puede determinar su posición con precisión en el orden de decenas de kilómetros. Esta tecnología es todavía experimental pero se ha probado en el experimento ISS (SEXTANT).

Los sensores cuánticos, como relojes atómicos y interferómetros de atomo frío, prometen una mejora de orden de magnnitud en precisión de acelerómetro y giroscopio. La medición de ESA Clock atámico Ensemble in Space (ACES)] y el filtro de navegación de la NASA

Finalmente, La autonomía impulsada por AI probablemente avanzará hasta el punto en que la nave espacial puede planificar y ejecutar flybys complejos multi-objetivo, optimizar el uso del combustible, e incluso evitar desbloqueos o bandas de radiación previamente desconocidos sin entrada humana. Esto requerirá de la IA que pueda razonar sobre objetivos de misión y limitaciones en tiempo real.

Conclusión

Los algoritmos de navegación autónomos son una tecnología fundamental para la próxima generación de exploración espacial profunda. Al reducir la dependencia en el seguimiento basado en la Tierra, estos algoritmos permiten que las misiones alcancen destinos más lejanos, funcionen de manera más eficiente y respondan a eventos imprevistos. Los avances en la navegación óptica, ML, detección cuántica y procesamiento a bordo están empujando rápidamente los límites de lo que es posible.