Spacecraft פועל באחת מהסביבות הלא סלחניות ביותר הידועות לאנושות.קרינה, טמפרטורות קיצוניות, מיקרומטרוסטרואידים, ועיכובי תקשורת של דקות עד שעות להפוך את חוסר הראייה האנושי בזמן אמת למשימות חלל רבות.כסוכנויות חלל ומפעילים מסחריים דוחפים לעבר מטרות שאפתניות יותר - בסיסים מטורפים, מאדים חוזר, אסטרואידים, וחקרי אינטרנציאלמנטליסטים - הצורך באינטליגנציה ניסיונית לא הצליח לזהות טכנולוגיות אוטונומיות ופעולות אוטונומיות יותר (AI) לא הייתה השפעה).

התפקיד הקריטי של גילוי אנומלי במשימת החלל המודרנית

גילוי אנומלי הוא תהליך של זיהוי נקודות נתונים, אירועים או תצפיות המתפתלות באופן משמעותי מההתנהגות הצפויה. בהקשר של חלליות, אנומליות יכולות לנוע בין גלי חיישן קטנים לכשלים קטסטרופליים.הגישה המסורתית מסתמכת על קבוצות המבוססות על קרקעיות ניטור זרמי טלמט סביב השעון, מהנדסים יכולים להשוות נתונים נכנסים נגד סף מוגדר מראש ולחקור באופן ידני של אירועים, בעוד שיטה זו תמכה בהצלחה בחלל של חקר, יותר מתקופות של מערכות ההפעלה של מאדים, כך שעדיין לא יכולות להגיב על פני ארבע שניות מאי-מונים, למגבלות תקשורת מתקדמות, לא יכולות להפחתתן, לא יכולות להגיע לעצימות מודרניות.

משימות חלל הופכות מורכבות יותר ויותר ויותר.מספרים של מאות או אלפי לווינים קטנים דורשים ניהול בריאותי אוטומטי מכיוון שאין מספיק מפעילי אנוש לפקח על כל כלי רכב בנפרד.ד-מרחב, בינתיים, לפעול עם אוטונומיה מוגברת ככל שהם מיזמים רחוק יותר מכדור הארץ.הכישלון של מערכת קריטית - כמו גלגל תגובה, דחף או רגולטורי כוח - יכול להפוך משימה רב מיליארד דולר למשימות חלליות, ולכן יש צורך בזיהוי מהירות, כלומר, כלומר, לא רק יכולת הפעלה של יכולת הפעלה של AI, היא רק של יכולת, היא רק עם יכולת מדידה, כלומר, היא יעילה, כלומר, כלומר, היא רק יכולת מדידה, כלומר, היא רק יכולת מדידה של יכולת מדידה של AI.

טכניקות למידה מכונות עבור Spacecraft Anomaly Detection

למידת מכונה מציעה חבילה של טכניקות שניתן להתאים למגבלות הייחודיות של מערכות חלליות.בחירה של אלגוריתם תלויה בטבע הנתונים (סדרה של זמן, תמונות, טלמטרי), הזמינות של נתוני הכשרה מתוייגים, ואת המשאבים חישוביים על הסיפון. להלן הם שיטות ה-ML הנפוצות ביותר בזיהוי חלליות.

למידה מבוססת: סיווג ותוקפנות

כאשר טלמטורי היסטורי מכיל דוגמאות מתוייגות של התנהגות נומינאלית ואטומית, מודלים למידה מבוקרת ניתן לאמן כדי לסווג נקודות נתונים חדשות. אלגוריתמים נפוצים כוללים מכונות תמיכה, יערות אקראיים ורשתות עצביות עמוקות.לדוגמה, רשת עצבית יכולה להיות מאומנת על אלפי שעות של תגובה גלגל הטלמטארי הנוכחי לדגל שואבת כי precede נושאת כישלונות.

למידה בלתי מבוקרת: קלוסטרינג ו- Autoencoders

רוב חלליות זיהוי אנומלי מבוסס על למידה לא מבוססת, אשר אינו דורש דוגמאות מתוייגות. אלגוריתמים כגון k-means או DBSCAN קבוצה דומה נקודות טלמטריות; נקודות חדשות שנופלות מכל אשכול משוטות כמו anomalies. יותר חזק הם משאבים עצביים אוטומטיים - סוג של מודל למידה עמוק ללא פיקוח.

למידה חלקית ומדהים

בתרחישים רבים בעולם האמיתי, מהנדסים יש שפע נתונים מפעילות נומינאלית, אך מעטים או לא מתויגים אלגוריתמים סיווג אחד, כגון One-Class SVM או Isolation Forest, נועדו בדיוק למצב זה.הם לומדים גבול סביב הנתונים הלא-מיניים וסווגו כל דבר מחוץ לגבול הזה כנורמה.

מודלים ספציפיים ל-Time-Series Specific Models

טלמטורי חלל הוא מטבעו של רשת עצבית חוזרת (RNNN), זיכרון לטווח קצר ארוך (LSTM) רשתות, מודלים המבוססים על שינוי נועדו ללכוד תלות זמנית. LSTM יכול לחזות את הערך הצפוי הבא של מערכת תחזוקה המבוססת על היסטוריה עדכנית; אם הקריאה בפועל מעבר לסף, הוא הכריז על נאס"א תחזיות של מערכת זיהוי מוטורי, לעומת הסתברות של מערכות אבטחה הסתברותיות מבוססות מנועים, אשר הוכיחו גם על בסיס הסתברות של נתונים מופעלות ישירות.

אסטרטגיות תגובה המופעלות על ידי AI

קביעת אנומליה היא רק חצי הקרב.הערך האמיתי של AI בפעולות חלליות הוא ביכולתו לעורר תגובה מהירה, מתאימה.אסטרטגיות תגובה יכולות להיות מסווגות לשלוש רמות של אוטונומיה: ייעוץ, חצי-אוטומטי ואוטונומית לחלוטין.

תגובות

במצב מייעצת, מערכת הבינה המלאכותית מזהירה את בקרים הקרקעיים עם רשימה קודמת של בעיות פוטנציאליות ופעולות מומלצות.זה מפחית עומס קוגניטיבי על מפעילי אנוש ומסייעת להם להתמקד באנומליות הקריטיות ביותר.ההחלטה לפעול נותרה עם צוות הקרקע.מודל זה נפוץ על לווייני כניסה לכדור הארץ שבו תקשורת דלת-קרקע אפשרית.

תגובה חלקית-Autonomous

עבור מצבים קריטיים בזמן המתנה לאישור הקרקע יהיה אסון, מערכות יכולות להיות מאושרות לנקוט פעולות מראש אוטונומיות תוך מתן שליטה הקרקעית.דוגמאות כוללות מעבר חיישן גיבוי, התאמת פרמטרים בקרת גישה, או כוח למטה מטען לא הכרחי כדי לשמר אנרגיה.

תגובה אוטונומית מלאה

בתרחישים עמוקים או בסיכון גבוה, אוטונומיה מלאה עשויה להיות האפשרות המעשית היחידה.החללית מעריכה את המדינה ולבצע פעולות היערכות ללא מעורבות אנושית כלשהי, רמת האוטונומיה הזו דורשת תוכנה בלתי-סובלנות חזקה, ספריות תגובה סמויה מקיפים, ואת היכולת להסתגל לנסיבות בלתי צפויות.

Reinforcement Learning for Dynamic Response

מחקר מתפתח חוקר את מדיניות ההחלמה הטובה ביותר (RL) עבור תגובה אממטית.במקום כללים קודרים קשים, סוכן RL לומד מדיניות התאוששות אופטימלית באמצעות סימולציה.לדוגמה, אם חללית מאבדת גלגל תגובה, הסוכן עשוי ללמוד להפיץ מחדש סמכות לשלוט על גלגלים שנותרו גלגלים ודחפורים בדרך היעילה ביותר. RL מציעה את הפוטנציאל להתמודד עם תרחישים מורכבים, רב-פוזה יהיה כמעט בלתי אפשרי לתסריט מראש.

מחקר: AI על מאדים Perseverance Rover

נאס"א של רנסנס, נחתה ב-Jaz Zero Crater בפברואר 2021, משמש דוגמא עיקרית של AI עבור זיהוי אנומלי ותגובה אוטונומית.FLT של rover:0AutoNavFLT ( 1 2) מערכת ההפעלה משתמש חזון מחשב ומכונה כדי לתכנן נתיבים נהיגה בטוחים על פני השטח מאתגר תוך הימנעות סלעים, מדרונות, ומלכודות חול.

(ב) זיהוי אנומליות, מערכת ניטור הבריאות והפעילות (HAMS)FLT:1 מנף מכונה למידה לנתח מאות פרמטרים של טלמטריה: אם אנומיד מזוהה - כגון עלייה בלתי צפויה של טמפרטורה ברכב או במגירה נוכחית לא נורמלית - המערכת יכולה לעצור פעולות, להיכנס למצב בטוח, ולהעביר סיכום לכדור הארץ.

⁇ נושא גם את כלי ה-FLT:0MOXIEigFLT:1, אשר מייצר חמצן מ פחמן דו-חמצני מאדים.המבצעים שלה הם פיקוח על ידי מודלים של למידת מכונה שחיזוי של הפחתת ביצועים והתאמה אוטונומית של פרמטרים תפעוליים כדי לשמור על יעילות. דוגמאות אלה ממחישות כיצד AI ו- ML כבר אינם תוספת ניסיונית, אלא הם חלק בלתי נפרד לאדריכלות המשימה.

אתגרים של מינוף AI על Spacecraft

למרות היתרונות ברורים, שילוב בינה מלאכותית ו-ML לחלליות מציג אתגרים הנדסיים ומבצעיים משמעותיים.הדוחקים ביותר הם מגבלות חישוביות, איכות נתונים, אימות מודל ואפקטי קרינה.

מגבלות קשות

(המעבדים המוערכים בחלל עומדים הרחק מאחורי עמיתים מסחריים בביצועים.הרדיו-רדד RAD750, בשימוש במשימות נאס"א רבות, פועלים רק כמה מאות מגה-הרץ - שווה למחשב שולחני מתחילת שנות ה-2000.הפעלת מודלים למידה עמוקים על חומרה כזו דורשת אופטימיזציה זהירה: רשתות מכוורות, דיוק מופחת ואדריכלות מיוחדות כמו LT0: Google TPUreaves 3Fir או דגם AIFin2x2:

איכות נתונים והדרכה

מודלים זיהוי אנומלי הם רק טוב כמו הנתונים שהם מאומן על.Spacecraft טלמטרי לעתים קרובות מכיל רעש, טיפות שגיאות, ו שגיאות כי יכול להיות מטעה מודלים.יתר על כן, הפצת נתונים במהלך אימון לא יכול להתאים את ההפצה נתקלה בטיסה עקב רכיבים ההזדקנות, מצבי הפעלה חדשים, או סביבות בלתי צפויות.מודלים חייבים להיות חזקים כדי לשנות את השינוי ואת הרעיון באינטרנט.

אימות והסמכת

משימות חלל דורשות אמינות גבוהה מאוד.הוכיחו כי מודל בינה מלאכותית לא יניב שלילי שקרי קטסטרופלי או חיובי כוזב קשה, במיוחד עבור רשתות עצביות עמוקות חסרות ערבויות רשמיות, כגון נאס"א:0 Software Engineering DivisionFLT:1 ו- ESA's FLT:2AI for SpaceFLT 3 התוכנית מפתחת אימותים הכוללים שיטות פורמליות, בדיקות סימולציה, פונקציות פשוטות, וסימולציות (עדיין) לחיקוי פשוטות, ואפקטריות).

השפעות קרינה וגמישות

רק חרדות חד-משמעיות (SEUs) שנגרמו על ידי קרני קוסמיות וחלקיקים סולאריים יכולים להשחית זיכרון, לצריף ביטים במשקלי מודל, או לגרום למעבדים לבצע הוראות לא נכונות. אלגוריתמים של בינה מלאכותית חייבים להיות נועדו לעמוד בפגמים כאלה, לעתים קרובות באמצעות שלבים אדומים (שלבים בינוניים מצביעים), מחסומים, או מנגנונים עצמיים.

צוק ו- Onboard Processing

(ב) מגמה מרכזית בחללית AI היא המעבר לכיוון מחשוב קצה: עיבוד נתונים שבהם הוא נאסף ולא שולח אותו לענן (או לתחנות קרקעיות) עבור לווייני תצפית כדור הארץ, זה אומר הפעלת מודלים של ML על הסיפון לסינון, דחיסה או אפילו לנתח תמונות בזמן אמת, לשדר רק את התוצאות הרלוונטיות ביותר של AIFLT:0\uA0 (PiLT) SatelliteFibd 1:1 על ידי סוכנות החלל האירופית, אשר זיהתה רק את מטרות רוחב הפס של AIFD2SC.

עיבוד על הסיפון מקטין את הסבלנות מ דקות עד שניות, המאפשר תגובה בזמן אמת אנומלית.זה גם מאפשר מושגים חדשים של שליחות, כגון חטיפות של לווינים קטנים שמשתפים לפקח על כדור הארץ או כוכבי לכת אחרים.כל לוויין פועל AI מקומי כדי לזהות omalies ויכול לחלוק ממצאים עם שכנים, ויצר רשת חכמה זו, שינוי מבסיסי חלליות ועד לפעילות חללית יהיה חיוני עבור חקר עמוק, שבו ניתן יהיה עיכובים תקשורת שעה.

אפשרויות לעתיד: בינה מלאכותית בחלל עמוק וניהול קונספירציה

במבט קדימה, AI ו-ML יהפכו עוד יותר מוטמעים במערכות חלל.

פעילות אוטונומית ו-Rendezvous

בתוך שטח הייצור, הסרת פסולת, ודלק מקיף ידרוש חלליות להתקרב ולרציף עם אובייקטים אחרים באופן אוטונומי.מערכות ראיית AI יזהו ויעקוב אחר מטרות, בעוד אלגוריתמים תכנון נתיבים ללא התנגשויות מותאמת.ה-FLT:0 [נאס"א]-RExveFLT:1 המשימה המשמשת על גבי AI לנווט כדי לנווט את האסטרואידים ואת ה- Bennu, המוכיחים יכולות כאלה כבר נקראות.

מודלים ליצירתיים עבור Anomaly Simulation

אחד מצוואר הבקבוקים העיקריים לזיהוי אנטומי מבוקר הוא חוסר נתונים כישלונות.רשתות סטיות יוצרות (גנים) ו autoencoders וריאציות (VAEs) יכול לסנתז תרחישים ריאליים עבור אימון.מהנדסים יכולים להשתמש בפגמים סינתטיים אלה כדי לבחון אלגוריתמי תגובה ומערכות קשיחות נגד תנאים נדירים אך מסוכנים.

שילוב עם תאומים דיגיטליים

תאומים דיגיטליים – העתקים וירטואליים של חלליות פיזיות המתעדות ללא הרף עם טלמטרי – הם צוברים מתחנן. AI יכול להשוות את ההתנהגות החזויה של התאום הדיגיטלי עם קוראי חיישן בעולם האמיתי כדי לזהות פערים המציינים את האנומליות.הסוכנות החלל האירופית של הסוכנות החלל:0Digital Twin EarthFLT:1 יוזמה היא חקרה זו עבור ניטור כדור הארץ, אך אותם עקרונות החלים על ניהול בריאותי.

מודלים שפה גדולים למשימות

מודלים שפה גדולים (LLMs) כמו GPT-4 נחקרים עבור מפעילי סיוע.הם יכולים לסכם את טלמטרי, ליצור דוחות אממטיים, ואפילו להציע הליכי שיקום המבוססים על תיעוד היסטורי. בעוד LLM לא לטוס על הסיפון בשל גודל, הם יכולים לשמש כעוזרים אינטליגנטיים במרכזי בקרה המשימה, שיפור המהירות והדיוק של קבלת החלטות אנושיות.

המונחים: own Autonomous Constellations

עבור מגה-קונסטלציות כמו Starlink או רשתות תצפית עתידיות של כדור הארץ, AI ינהל אלפי לווינים בו-זמנית. Anomaly זיהוי ברמת הכוכבים - שילוב כל לוויין נגד עמיתיו - יכול לזהות דפוסים של השפלה עדינה לפני שהם הופכים קריטיים.

מסקנה

בינה מלאכותית ולמידה של מכונות עברו מחידושים ניסיוניים לכלים חיוניים עבור חלליות זיהוי ותגובה. הם מאפשרים זיהוי מהיר ומדויק יותר של כישלונות, להקל על פעולות התאוששות אוטונומיות, ומאפשרים למשימות לפעול בסביבות שבהן פיקוח אנושי הוא בלתי מעשי.מממממאשרי מאדים נווטים את השטח המתפתל רק ללוויינים שמנהלים את בריאותם, ההשפעה של טכנולוגיות אלה היא עמוקה.