Les 6 principaux projets d'IA de la NASA qui propulsent l'exploration spatiale

Pour étudier la Terre et explorer les vastes étendues de l'espace, la NASA exploite les récentes avancées de l'intelligence artificielle (IA). Le groupe IA du Jet Propulsion Laboratory mène des recherches fondamentales dans les domaines de la planification et de l'ordonnancement par IA, avec des applications à l'analyse scientifique, aux opérations du réseau spatial profond, au commandement des engins spatiaux et aux systèmes de transport spatial.

Aujourd'hui, nous allons détailler certains des principaux projets sur lesquels le JPL travaille actuellement. La plupart sont liés à la technologie de planification, à l'autonomie des engins spatiaux et à l'autonomie des rovers.

6. ASPEN

Interface graphique ASPEN

Le groupe IA du JPL travaille sur un système appelé ASPEN (Automated Scheduling and Planning Environment). C'est un cadre modulaire et reconfigurable qui peut prendre en charge de nombreux types d'applications de planification et d'ordonnancement.

Le cadre comprend une variété de composants qui implémentent les éléments que l'on trouve généralement dans les systèmes complexes de planification ou d'ordonnancement, tels qu'un système de raisonnement temporel, un système de gestion des ressources, un langage de modélisation expressif et une interface graphique. Plus précisément, il est utilisé dans la planification de conception de mission, les opérations d'engins spatiaux, la planification de rovers de surface, la planification coordonnée de plusieurs rovers et la planification de plusieurs rovers.

En tant que système au sol, ASPEN utilise un modèle interne de l'engin spatial et différents objectifs de haut niveau pour fournir des commandes spécifiques à exécuter par l'engin spatial. En tant que système embarqué, il reçoit en continu des mises à jour sur l'état du rover et met à jour le plan pour refléter les changements environnants. En tant que système de planification d'antennes, il est utilisé pour contrôler de manière autonome une station DSN.

La technologie IA repose sur la recherche heuristique, la réparation itérative et le raisonnement temporel. Le cadre possède une architecture générique qui facilite le choix parmi différents algorithmes de propagation et moteurs de recherche pour rendre le processus de planification efficace. De plus, les utilisateurs peuvent interagir avec l'emploi du temps et re-planifier rapidement et efficacement.

Il est actuellement disponible pour licence externe mais pas pour l'exportation. À l'avenir, ASPEN sera utilisé pour intégrer la planification de réparation avec l'exécution.

Référence : ai.jpl.nasa.gov

5. MISUS

Le système multi-rover de compréhension scientifique intégrée (MISUS) développe des technologies pour contrôler des rovers pour l'exploration planétaire. L'architecture MISUS développée par la NASA se compose de trois composants principaux :

Analyse de données : Un système d'apprentissage automatique distribué, effectuant un clustering non supervisé pour modéliser la distribution des types de roches observés par les rovers. Il peut diriger la détection du rover pour améliorer continuellement le contenu de la scène planétaire.

Planification : Un système de planification distribué, générant des plans d'opération pour atteindre les objectifs scientifiques des rovers. Il y a un planificateur central qui répartit les objectifs scientifiques entre les rovers, et un planificateur distribué associé à chaque opération sur un rover individuel.

Simulateur d'environnement : Un simulateur multi-rover, modélisant plusieurs environnements géologiques et opérations scientifiques des rovers. Il gère les données scientifiques de tous les environnements, suit les opérations et reflète les observations par l'équipement scientifique du rover.

Le système global fonctionne en boucle fermée où le système d'analyse de données peut être vu comme des scientifiques pilotant le processus d'exploration. D'abord, les données sont transmises aux algorithmes de clustering des rovers, qui intègrent toutes les données collectées dans un modèle global mis à jour et renvoient le nouveau modèle aux clusterers distribués.

La sortie du clustering est utilisée par un algorithme de priorisation pour produire un nouvel ensemble d'objectifs d'observation, qui amélioreront davantage la précision du modèle. Les objectifs sont ensuite transmis à un planificateur central qui attribue des rovers individuels aux objectifs de manière à traiter les demandes le plus efficacement possible.

Chaque planificateur de rover génère ensuite des actions spécifiques qui permettront d'atteindre le plus grand nombre possible de ses objectifs assignés. Les séquences d'actions sont ensuite envoyées au simulateur où elles sont mises en œuvre et toute information collectée est renvoyée aux clusterers des rovers. Le cycle se poursuit jusqu'à ce qu'assez d'informations soient collectées pour générer des clusters distincts pour tous les types de roches observés.

Référence : ntrs.nasa.gov

4. Vaisseaux spatiaux distribués

Le projet utilise les dernières technologies pour contrôler des constellations de vaisseaux spatiaux avec des objectifs de mission plutôt que des séquences de commandes pour chaque vaisseau individuel.

Cette recherche fait progresser les capacités de modélisation et de simulation pour permettre la simulation haute précision, en temps réel, de formations et de grappes de vaisseaux spatiaux grâce à des technologies distribuées.

La NASA développe une nouvelle architecture de simulation pour utiliser la nature distribuée de la formation et diviser la simulation entre plusieurs processeurs dans un cluster. HYDRA (Hierarchical Distributed Reconfigurable Architecture), par exemple, est développé pour déployer de manière transparente des modules et technologies simulés à travers des environnements mixtes et multi-plateformes.

HYDRA automatise le processus de communication entre les modules de simulation. Il a été intégré avec succès dans FAST (Formation Algorithms and Simulation Testbed) dans le cadre du programme Terrestrial Planet Finder.

L'objectif global est de construire des algorithmes d'optimisation globale robustes et rapides qui peuvent résoudre les problèmes de guidage, d'estimation, de contrôle et de prise de décision en vol en formation. Cela inclut des estimateurs distribués rapides pour le vol en formation, l'allocation distribuée de ressources entre vaisseaux spatiaux, le contrôle robuste de maintien de formation, la planification de trajectoire de reconfiguration optimale en carburant, et le commandement de mode.

Source : dst.jpl.nasa.gov

3. CASPER

CASPER (Continuous Activity Scheduling Planning Execution and Replanning) utilise la réparation itérative pour prendre en charge la modification continue des engins spatiaux.

Les modèles de planification conventionnels orientés par lots présentent plusieurs lacunes. Construire un plan à partir de zéro demande une quantité importante de calcul, et les ressources de calcul embarquées sont généralement limitées.

L'objectif est de rendre le planificateur plus efficace et réactif aux changements inattendus. Le planificateur qui peut réduire la dépendance aux modèles prédictifs, comme les erreurs de modélisation inévitables.

Pour y parvenir, le JPL utilise une technique de planification continue connue sous le nom de CASPER. Le planificateur dispose d'un ensemble d'objectifs actuels, d'un état et d'un modèle du résultat attendu. Une mise à jour incrémentale de l'état actuel peut être appliquée à tout moment. Cette mise à jour peut être n'importe quoi, depuis de simples ajustements de progression temporelle jusqu'à des événements inattendus.

Le planificateur maintient ensuite un plan cohérent avec les dernières données disponibles. Cependant, la plupart du temps, les choses ne se passent pas comme prévu. C'est là que le planificateur entre en action – il est prêt à modifier continuellement le plan selon le scénario.

Architecture d'exécution multi-rover

L'approche actuelle de planification par réparation itérative permet des modifications incrémentales de l'état initial ainsi que de l'objectif, puis résout les conflits étape par étape. Après chaque itération, son effet sera propagé aux conflits découverts et le plan mis à jour (par exemple, algorithmes de réparation de plan invoqués).

Cette technologie est utilisée dans les opérations de rovers planétaires, New Millennium Earth Orbiting 1, Citizen Explorer, transport spatial hautement réutilisable, rovers distribués, mission de cartographie antarctique modifiée, et plus encore.

Référence : casper.jpl.nasa.gov

2. Volcano Sensorweb

Le projet utilise un réseau de capteurs reliés par Internet et logiciels à une capacité de réponse d'observation satellite autonome. Il est développé avec une architecture modulaire et flexible pour faciliter l'extension des capteurs, la personnalisation des scénarios de déclenchement et des réponses.

À ce jour, il a été utilisé pour mettre en œuvre un projet de surveillance mondiale afin d'examiner les volcans. De plus, la NASA effectue des tests de sensorweb pour étudier les événements cryosphériques, les inondations et les phénomènes atmosphériques.

Architecture de détection et de réponse Sensorweb

Plusieurs satellites opérationnels mettent leurs données à disposition gratuitement, comme les données du MODIS (Moderate Resolution Imaging Spectrometer) disponibles presque en temps réel via Direct Broadcast. Ces données offrent une couverture mondiale et régionale avec des capacités de détection impressionnantes.

Cependant, ces équipements ne fournissent pas de données en haute résolution adaptées à de nombreuses applications scientifiques. En fait, la plupart sont des ressources à forte demande et fortement contraintes.

Dans Volcano Sensorweb, des capteurs à large couverture et basse résolution sont utilisés pour déclencher des observations par des dispositifs à haute résolution. Il existe également de nombreuses autres raisons de mettre en réseau des capteurs dans un sensorweb. Par exemple, une réponse automatisée pourrait rendre possible l'observation via des dispositifs complexes comme le radar imageur. Ou ils pourraient être utilisés pour augmenter la fréquence d'observation afin d'améliorer la résolution temporelle.

À lire : Les 10 règles de codage de la NASA pour écrire des programmes critiques pour la sécurité

Pour l'instant, il est utilisé pour surveiller les 50 volcans les plus actifs de la Terre. En outre, la NASA mène également des expériences pour surveiller les incendies de forêt, les inondations et les événements cryosphériques.

Référence : ai.jpl.nasa.gov

1. ASE

Les engins spatiaux utilisés dans les missions précédentes de la NASA (avant 2000) n'avaient pas la capacité de prendre des décisions autonomes basées sur les données qu'ils collectent dans l'espace. Cependant, ASE (Autonomous Sciencecraft Experiment) qui fonctionne à bord de la mission Earth Observing-1 depuis 2003, utilise la planification continue, la reconnaissance de motifs embarquée et l'apprentissage automatique pour augmenter l'efficacité.

Le logiciel ASE démontre la capacité d'utiliser la prise de décision embarquée pour identifier, examiner et répondre aux événements et ne transmettre que les données contenant la plus haute valeur.

Cette technologie IA comprend de nombreux modules utiles tels que :

• Algorithme scientifique embarqué pour analyser les données d'image afin de détecter les conditions de déclenchement
• Logiciel de gestion d'exécution robuste pour permettre le traitement piloté par événements et l'autonomie de bas niveau.
• Logiciel CASPER pour re-planifier des activités cruciales comme la transmission de données.

ASE ouvre une large gamme de nouvelles opportunités en sciences de la Terre, physique spatiale et sciences planétaires. La technologie réduit les temps d'arrêt dus aux anomalies, réduit le temps de configuration de l'équipement en utilisant un logiciel d'autonomie, et augmente considérablement la science par liaison descendante fixe.

À lire : 13 des plus grandes futures missions de la NASA

Initialement, ASE contient des cibles scientifiques pour surveiller des objectifs de haut niveau. CASPER est utilisé pour générer un plan de surveillance périodique des cibles (en utilisant l'instrument Hyperion). Les algorithmes scientifiques embarqués examinent les images et les images sont transmises en fonction de leur détection. S'il n'y a pas d'événement approprié, le logiciel scientifique commande au planificateur d'acquérir la prochaine cible de priorité la plus élevée.

Ensuite, le logiciel SCL met en œuvre les plans générés par CASPER en conjonction avec différents éléments d'autonomie et ce cycle se répète lors des observations subséquentes.

Référence : ieeexplore.ieee.org