Глубоководные исследования представляют уникальные проблемы для навигации из-за огромных расстояний и ограниченной связи с Землей. Разработка автономных навигационных алгоритмов имеет важное значение для обеспечения успеха глубоководных зондов, поскольку они отправляются дальше в космос. Без бортовой автономии космические аппараты будут в значительной степени полагаться на наземное отслеживание, метод, который становится все более непрактичным, поскольку задержки растягиваются от минут до часов. Автономная навигация позволяет зондам определять свое положение, скорость и ориентацию в реальном времени, корректировать траектории, не дожидаясь команд, и реагировать на неожиданные опасности. В этой статье исследуются основные концепции, позволяющие технологии, алгоритмические подходы и будущие направления автономных навигационных систем для миссий в глубоком космосе.

Вызовы связи в глубоком космосе

По мере того, как зонд движется за пределы Луны, время света в оба конца (RTLT) для радиосигналов быстро растет. Для Марса задержка составляет от 4 до 24 минут; для Юпитера около 1,3 часа; для внешних планет она может превышать несколько часов. На межзвездных расстояниях задержка длится несколько дней или недель. Традиционная навигация полагается на сеть Deep Space Network (DSN) для измерения доплеровских сдвигов и сигналов дальности, но длительная задержка делает невозможным управление в реальном времени. Кроме того, пропускная способность сильно ограничена - скорости передачи данных за пределами Сатурна часто измеряются в килобитах в секунду. Автономные навигационные алгоритмы поэтому необходимы для снижения зависимости от вмешательства на Земле, повышения надежности миссии и обеспечения операций во время критических событий, таких как пролеты, посадки и сбор образцов.

Основные принципы автономной навигации

Автономная навигация для зонда глубокого космоса включает в себя три фундаментальные задачи: определение состояния космического корабля (положение, скорость и отношение), прогнозирование его будущей траектории под гравитационными влияниями и планирование маневров для достижения целей миссии. Эти задачи связаны между собой непрерывным циклом зондирования, оценки и управления. В оценке состояния обычно используется рекурсивный байесовский фильтр — растянутый фильтр Калмана (EKF) или непрокачанный фильтр Калмана (UKF) — который объединяет измерения от различных датчиков с динамической моделью движения космического корабля. Модель динамики учитывает гравитационные силы от Солнца, планет, лун и астероидов, а также негравитационные эффекты, такие как давление солнечного излучения и стрельба двигателя.

Оценка состояния

Вектор состояния обычно включает декартово положение и скорость, плюс отношение кватернион и угловые скорости. Шаг предсказания распространяется состояние вперед во времени с помощью численной интеграции уравнений движения. Шаг обновления включает в себя новые измерения датчиков для коррекции предсказанного состояния. Выбор фильтра зависит от вычислительных ресурсов и нелинейности. В то время как EKF широко используется из-за его простоты, UKF лучше работает для высоконелинейных систем, не требуя якобианских вычислений. Для зондов глубокого космоса фильтр должен быть устойчивым к редким измерениям и случайным выбросам.

Определение отношения

Точные знания о положении обязательны для наведения антенн, приборов и двигателей. Звездные трекеры являются основным датчиком: они захватывают изображение звездного поля, сопоставляют наблюдаемые звездные паттерны с бортовым каталогом и вычисляют ориентацию. Каталог обычно содержит положения и величины в несколько тысяч звезд. Для миссий в глубоком космосе звездоискатель должен быть радиационно закаленным и способным работать в условиях низкой освещенности. Инерциальные единицы измерения (ИМУ) обеспечивают высокоскоростную угловую скорость и данные ускорения, которые сливаются с обновлениями звездоискателя для поддержания отношения между событиями идентификации звезд.

Определение орбиты

Определение орбиты традиционно опирается на наземное радиометрическое отслеживание. Для автономной навигации зонд использует оптические измерения известных небесных тел. Камера изображает планету, Луну или астероид на фоне звезды. Кажущееся положение тела относительно звезд используется для вывода вектора линии зрения. Путем объединения нескольких таких наблюдений с течением времени фильтр оценивает орбиту космического корабля. Этот метод, известный как оптическая навигация (OpNav) , использовался во многих миссиях, включая Глубокое пространство 1 и Новые горизонты . Более продвинутые методы используют профили конечностей планет или естественных спутников для получения дальности и подшипника.

Сенсорные технологии для автономности

Автономная навигация опирается на набор датчиков, которые обеспечивают дополнительные данные. Наиболее распространенными являются:

  • Звездные трекеры: Обеспечить абсолютное отношение с точностью до угловой секунды Современные звездные трекеры могут идентифицировать звезды в присутствии рассеянного света и высокого излучения.
  • Инерциальные единицы измерения (IMU): Обеспечивает угловые скорости и линейные ускорения на высокой частоте; накапливает дрейф с течением времени и требует периодической коррекции.
  • Солнечные датчики: Грубая референция отношения, обнаруживая направление Солнца; используется для первоначального приобретения и безопасного режима.
  • Навигационные камеры: Обычно панхроматические или мультиспектральные снимки, которые захватывают изображения целей для OpNav. Некоторые миссии несут специальные оптические навигационные камеры.
  • Лазерные альтиметры (LiDAR): Диапазон измерений до поверхности планеты с высокой точностью. Используется для навигации по местности во время посадки или близких облетов.

Будущие зонды дальнего космоса могут также включать в себя квантовые датчики (например, атомные акселерометры), которые обеспечивают измерения ускорения без дрейфа, потенциально улучшая долгосрочную точность навигации.

Алгоритмические рамки и оптическая навигация

Ядро автономной навигации лежит в алгоритмах, которые обрабатывают данные датчиков и вычисляют оценки состояния. Стандартной структурой является фильтр Калмана, но существует множество практических вариантов. Например, проект Европейского космического агентства (ESA) Автономная оптическая навигация разработал фильтр, который обрабатывает изображения планетарных тел для оценки орбиты без наземного вмешательства.

Оптическая навигация в глубоком космосе

Оптическая навигация может быть разделена на две категории: относительная и абсолютная. Относительная OpNav использует изображения известного тела-мишени (например, астероида) для вычисления положения космического корабля относительно этого тела. Абсолютная OpNav использует изображения планет или лун с хорошо известными эфемеридами для определения инерционного положения космического корабля. Алгоритм сначала извлекает центроиды тела-мишени и фоновые звезды. Затем решает задачу наименьших квадратов для поиска направления направления камеры и координат центра-мишени. Над несколькими изображениями фильтр триангулирует положение космического корабля.

Одна из проблем заключается в том, что тело-мишень может выглядеть всего лишь несколькими пикселями издалека. Передовые методы центроидирования, такие как использование модели функции с разбросом точек Гаусса, могут достигать точности субпикселей. Для пролетов и фаз подхода подгонка конечностей (подгонка эллипса к освещенной конечности) обеспечивает информацию о диапазоне, когда радиус тела известен из эфемеридов.

Навигация по суше

Для посадочных аппаратов и миссий по возвращению образцов навигация по местности (TRN) соответствует изображениям в реальном времени на сохраненную карту для определения положения с точностью до метра. Примеры включают систему видения Lander Vision марсохода Mars 2020 Perseverance и коллекцию образцов OSIRIS-REx от Bennu. TRN использует камеру, направленную вниз, а алгоритм соотносит функции (например, кратеры, камни) с предварительно загруженной моделью высоты. Это требует значительной бортовой обработки, но значительно увеличивает точность посадки.

Машинное обучение и искусственный интеллект

Последние достижения в области машинного обучения (ML) начинают влиять на автономную навигацию. Свёрточные нейронные сети (CNN) могут выполнять надежную идентификацию звезд и сопоставление образов, даже когда изображения звезд ухудшаются размытием движения или излучением. CNN также используются для обнаружения кратеров во время TRN, обеспечивая лучшую надежность, чем традиционное сопоставление признаков. Для планирования траектории агенты обучения подкреплению (RL) могут изучать оптимальные последовательности маневров в моделируемой среде, уменьшая вычислительное бремя исчерпывающего поиска.

Одним из примечательных примеров является эксперимент NASA Autonomous Sciencecraft на Земле Observing-1, который использовал бортовой ИИ для обнаружения интересных событий и повторного запуска космического корабля. Хотя это и не миссия в глубоком космосе, она продемонстрировала потенциал для когнитивной автономии. Для глубокого космоса модели ML должны быть квантованы и сжаты, чтобы соответствовать закаленным излучением FPGA или ограниченным процессорам. Проверка алгоритмов ML остается проблемой, потому что они могут вести себя непредсказуемо вне их тренировочного распределения.

Еще одна перспективная область - обнаружение аномалий с использованием автокодеров. Изучая номинальное поведение датчиков и исполнительных механизмов космических аппаратов, система ИИ может отмечать отклонения, которые могут указывать на сбой оборудования или неожиданную среду. Автономная навигация может затем регулировать закон управления или переключиться в безопасный режим.

Бортовые вычислительные ограничения

К примеру, процессор RAD750, используемый во многих миссиях в дальний космос, работает на частоте около 200 МГц и предлагает ~0,5 ГФЛОПС. Это сильно ограничивает сложность алгоритмов, которые могут работать в режиме реального времени. Разработчики должны оптимизировать каждую строку кода, экономно использовать арифметику с фиксированной точкой и часто реализовывать критически важные функции в аппаратном обеспечении (FPGA, ASIC). Память также ограничена: типичные компьютеры космических аппаратов имеют несколько сотен мегабайт оперативной памяти.

Тем не менее, достижения в области радиационно-толерантных FPGA (например, Microchip RTG4, Xilinx Virtex-5QV) позволяют реализовать высокопараллельные алгоритмы, такие как сопоставление звездных паттернов или свертка изображения. Программа НАСА High Performance Spaceflight Computing (HPSC) направлена на предоставление нового процессорного чипа (чипа «Sid») с улучшением в 100 раз по сравнению с RAD750, открывая дверь для бортового ИИ.

Проверка и валидация автономных алгоритмов

Учитывая высокую стоимость и риск дальних космических миссий, автономное навигационное программное обеспечение должно быть тщательно проверено и подтверждено (V & V). Это включает в себя как моделирование, так и тестирование аппаратного обеспечения в цикле (HIL). Высокоточные симуляции моделируют динамику космического корабля, шум датчика, производительность привода и экологические нарушения (например, давление солнечного излучения, гравитация третьего тела). Навигационный фильтр тестируется на тысячах трасс Монте-Карло со случайными начальными ошибками и сбоями датчиков.

Тестирование HIL использует фактическое летное оборудование (процессор, камеры, звездные трекеры) с имитируемыми стимулами - например, звездное поле, отображаемое на прецизионном мониторе или IMU, стимулируемом на столе движения. Это улавливает проблемы с временем, утечки памяти и ошибки интеграции аппаратного обеспечения, которые может пропустить чистое моделирование. Поскольку автономные системы могут столкнуться с ситуациями, не запрограммированными явно, надежное поведение часто достигается за счет избыточности: несколько алгоритмов работают параллельно, и сторожевой наблюдатель контролирует их выходы для согласованности.

Критической частью V&V является оценка производительности фильтра в девиантных условиях: потеря звездного замка, высокий радиационный шум, пропущенные измерения или аномалии двигателя. Алгоритм должен изящно ухудшаться, а не падать. Например, если звездный трекер теряет блокировку, фильтр может отступать на распространение ИДУ и датчики солнца до тех пор, пока не будет восстановлена идентификация звезды.

Тематические исследования: Автономная навигация в действии

Deep Space 1 (1998—2001)

Глубокий космос 1 НАСА был первой миссией, которая продемонстрировала автономную навигацию в качестве основной технологии. Он нес систему AutoNav, которая использовала оптические изображения астероидов для навигации без вмешательства земли. AutoNav вычислил положение зонда относительно тел-мишеней, спланировал маневры ионных двигателей и выполнил их. Система позволила пролететь астероиду 9969 Брайля и комете Боррелли. Глубокий космос 1 подтвердил, что автономная оптическая навигация может удовлетворить требованиям точности для сближения в глубоком космосе.

Новые горизонты (2006–2015)

Миссия New Horizons к Плутону использовала оптическую навигацию во время своего подхода в 2015 году. Пока основная навигация была наземной, космический корабль нес на себе разведывательный измеритель дальнего действия (LORRI), который обеспечивал изображения для относительного OpNav. Эти изображения были обработаны на земле для уточнения траектории, но методы продемонстрировали возможность автономного наведения и визуализации неизвестных целей. Успех New Horizons проложил путь для еще более автономных подходов, таких как запланированные для миссии Europa Clipper.

OSIRIS-REx (2016–2023)

Миссия НАСА OSIRIS-REx к астероиду Бенну использовала набор автономных навигационных методов. Во время сбора образцов Touch-and-Go (TAG) космический корабль использовал естественное отслеживание признаков (NFT) на основе обработки изображений на борту. Система соотносила изображения поверхности астероида в реальном времени с предварительно загруженной картой местности, чтобы направить космический корабль на точную площадку посадки. Алгоритм NFT работал на главном компьютере полета и достиг точности на уровне метра, демонстрируя, что сложная автономная навигация практична для операций близости астероида.

Будущие направления: межзвездная и квантовая навигация

Поскольку агентства планируют миссии в межзвездное пространство (например, Breakthrough Starshot, межзвездные зонды), автономная навигация становится не только полезной, но и обязательной. На расстояниях за 100 а.е. задержка связи в оба конца превышает один день, а отслеживание DSN становится слишком слабым для точного определения орбиты. Межзвездным зондам необходимо будет ориентироваться с использованием только бортовых датчиков - вероятно, комбинация звездных трекеров, оптических наблюдений внешних планет Солнечной системы и потенциально пульсарной навигации.

Пульсарная навигация использует точно рассчитанные по времени излучения миллисекундных пульсаров в качестве естественного GPS. Измеряя время прибытия рентгеновских импульсов от нескольких пульсаров, космический аппарат может с точностью определять своё положение порядка десятков километров. Эта технология пока экспериментальна, но была испытана на МКС (SEXTANT experiment). Для глубокого космоса понадобился бы небольшой рентгеновский телескоп, но преимущество в том, что пульсары видны на любом расстоянии от Солнца.

Квантовые датчики, такие как атомные часы и интерферометры холодного атома, обещают улучшение порядка величины в акселерометре и точности гироскопа. Атомный часовой ансамбль ESA (FLT:0) и космический атомный часовой механизм НАСА (DSAC) (FLT:2) являются предшественниками. Будущие навигационные фильтры могут включать квантовые измерения для уменьшения дрейфа и повышения долгосрочной точности без частых обновлений звездоискателей.

Наконец, автономность, управляемая ИИ, вероятно, достигнет точки, когда космические аппараты смогут планировать и выполнять сложные многоцелевые облеты, оптимизировать использование топлива и даже избегать ранее неизвестных обломков или радиационных поясов без участия человека.

Заключение

Автономные навигационные алгоритмы являются основополагающей технологией для следующего поколения исследований в глубоком космосе. Уменьшая зависимость от отслеживания на Земле, эти алгоритмы позволяют миссиям достигать более дальних мест назначения, работать более эффективно и реагировать на непредвиденные события. Достижения в оптической навигации, МО, квантовом зондировании и бортовой обработке быстро раздвигают границы того, что возможно. По мере того, как миссии на Марс, внешние планеты и за его пределами становятся более амбициозными, автономная навигация станет важным инструментом для обеспечения того, чтобы зонды могли перемещаться по обширным, пустым пространствам Солнечной системы - и в конечном итоге межзвездной пустоты - с точностью и уверенностью.