NASA's top 6 AI-projecten die ruimteverkenning stimuleren

Om de aarde te bestuderen en de uitgestrekte ruimte te verkennen, maakt NASA gebruik van de recente ontwikkelingen op het gebied van kunstmatige intelligentie (AI). De Jet Propulsion Laboratory AI Group voert fundamenteel onderzoek uit op het gebied van kunstmatige intelligentieplanning en planning, met toepassingen op wetenschappelijke analyse, deep space-netwerkoperaties, commandovoering van ruimtevaartuigen en ruimtetransportsystemen.

Vandaag gaan we enkele van de grote projecten uitwerken waar JPL momenteel aan werkt. De meeste daarvan houden verband met planningstechnologie, de autonomie van ruimtevaartuigen en de autonomie van rovers.

6. ASPEN

ASPEN-GUI

De AI Group bij JPL heeft gewerkt aan een systeem dat bekend staat als ASPEN (staat voor Automated Scheduling and Planning Environment). Het is een modulair, herconfigureerbaar raamwerk dat talloze soorten plannings- en planningsapplicaties kan ondersteunen.

Het raamwerk omvat een verscheidenheid aan componenten die de elementen implementeren, die vooral voorkomen in complexe plannings- of planningssystemen, zoals een temporeel redeneersysteem, een resourcemanagementsysteem, een expressieve modelleringstaal en een grafische interface. Het wordt met name gebruikt bij de planning van missieontwerp, ruimtevaartuigoperaties, planning van oppervlakterovers, gecoördineerde planning van meerdere rovers en planning van meerdere rovers.

Als een op de grond gebaseerd systeem maakt ASPEN gebruik van een intern ruimtevaartuigmodel en verschillende doelstellingen op hoog niveau om specifieke opdrachten te geven die door het ruimtevaartuig moeten worden uitgevoerd. Als vluchtgebaseerd systeem ontvangt het voortdurend updates over de status van de rover en werkt het het plan bij om omringende veranderingen weer te geven. Als antenneplanningssysteem wordt het gebruikt om een DSN-station autonoom te besturen.

De AI-technologie is gebaseerd op heuristisch zoeken, iteratief herstel en temporeel redeneren. Het raamwerk heeft een generieke architectuur die het eenvoudig maakt om te kiezen uit verschillende propagatie-algoritmen en zoekmachines om het planningsproces effectief te maken. Bovendien kunnen gebruikers de planning gebruiken en snel en efficiënt opnieuw plannen.

Het is momenteel beschikbaar voor externe licenties, maar niet voor export. In de toekomst zal ASPEN worden gebruikt om reparatieplanning en -uitvoering te integreren.

Referentie: ai.jpl.nasa.gov 

5. MISUS

Multi-Rover Integrated Science Understanding System (MISUS) ontwikkelt technologieën om rovers te besturen voor planetaire verkenning. De door NASA ontwikkelde MISUS-architectuur bestaat uit drie hoofdcomponenten: 

Gegevensanalyse: Een gedistribueerd machine learning-systeem dat clustering zonder toezicht uitvoert voor het modelleren van de door rovers waargenomen verspreiding van gesteentesoorten. Het kan de detectie van de rover sturen om de inhoud van het planetaire tafereel voortdurend te verbeteren.

Planning: Een gedistribueerd planningssysteem dat operationele plannen genereert om de wetenschappelijke doelstellingen van de input rover te bereiken. Er is een centrale planner die wetenschappelijke doelen verdeelt over rovers, en een gedistribueerde plannerset die is gekoppeld aan elke operatie op een individuele rover.

Omgevingssimulator:  Een simulator met meerdere rovers, die verschillende geologische omgevings- en roverwetenschappelijke operaties modelleert. Het verwerkt wetenschappelijke gegevens van de hele omgeving, houdt de activiteiten bij en weerspiegelt observaties van rover-wetenschappelijke apparatuur.

Het totale systeem werkt op een gesloten lus, waarbij het data-analysesysteem kan worden gezien als wetenschappers die het verkenningsproces aansturen. Eerst worden de gegevens verzonden naar rover-clusteralgoritmen, die alle verzamelde gegevens integreren in een bijgewerkt mondiaal model en het nieuwe model terugzenden naar de gedistribueerde clusterers.

De clusteringuitvoer wordt gebruikt door een prioriteringsalgoritme om een nieuwe reeks observatiedoelen te produceren, die de nauwkeurigheid van het model verder zullen verbeteren. De doelen worden vervolgens verzonden naar een centrale planner die individuele rovers aan doelen toewijst op een manier die de verzoeken het meest efficiënt verwerkt.

Elke roverplanner genereert vervolgens een aantal specifieke acties waarmee zoveel mogelijk van de toegewezen doelen worden bereikt. De actiereeksen worden vervolgens naar de simulator gestuurd waar ze worden geïmplementeerd en alle verzamelde informatie wordt teruggestuurd naar de roverclusterers. De hele cyclus gaat door totdat er voldoende informatie is verzameld om afzonderlijke clusters te genereren voor elk waargenomen gesteentetype.

Referentie:ntrs.nasa.gov

4. Gedistribueerd ruimtevaartuig

Het project maakt gebruik van de nieuwste technologieën om constellaties van ruimtevaartuigen met missiedoelen te besturen in plaats van commandoreeksen voor elk individueel ruimtevaartuig.

Dit onderzoek bevordert de modellerings- en simulatiemogelijkheden om zeer nauwkeurige, realtime simulatie van ruimtevaartuigformaties en clusters mogelijk te maken via gedistribueerde technologieën.

NASA ontwikkelt een nieuwe simulatiearchitectuur om gebruik te maken van de gedistribueerde aard van de formatie en de simulatie te splitsen over meerdere processors in een cluster. HYDRA (Hierarchical Distributed Reconfigurable Architecture) is bijvoorbeeld ontwikkeld om gesimuleerde modules en technologieën naadloos te implementeren in gemengde en multi-platformomgevingen.

HYDRA automatiseert het communicatieproces tussen simulatiemodules. Het is met succes toegevoegd aan FAST (Formation Algorithms and Simulation Testbed) als onderdeel van het Terrestrial Planet Finder-programma.

Lees:NASA gaat kunstmatige intelligentie gebruiken voor ruimtecommunicatienetwerken

Het algemene doel is het bouwen van robuuste en snelle globale optimalisatie-algoritmen die problemen met formatievliegbegeleiding, schatting, controle en besluitvorming kunnen oplossen. Dit omvat snel gedistribueerde schatters voor het vliegen in formaties, gedistribueerde toewijzing van middelen aan ruimtevaartuigen, robuuste formatie die de controle behoudt, optimale herconfiguratiepadplanning voor formatiebrandstoffen en moduscommando's.

Bron:dst.jpl.nasa.gov

3. CASPER

CASPER (staat voor Continuous Activity Scheduling Planning Execution and Replanning) maakt gebruik van iteratieve reparaties om voortdurende wijzigingen of aanpassingen aan ruimtevaartuigen te ondersteunen.

De conventionele batchgeoriënteerde planningsmodellen hebben verschillende tekortkomingen. Het vanaf het begin opbouwen van een plan vereist een uitgebreide hoeveelheid rekenwerk, en de computerbronnen aan boord zijn doorgaans beperkt.

Het doel is om de planner effectiever te maken en beter te kunnen reageren op onverwachte veranderingen. De planner die de afhankelijkheid van voorspellende modellen, zoals onvermijdelijke modelleringsfouten, kan verminderen.

Om dit te bereiken maakt JPL gebruik van een continue planningstechniek die bekend staat als CASPER.  De planner heeft een actueel doel, een status en een model van de verwachte uitkomst. Een incrementele update van de huidige status kan op elk moment worden toegepast. Deze update kan van alles zijn, van eenvoudige, tijdrovende aanpassingen tot onverwachte gebeurtenissen.

De planner onderhoudt verder een consistent plan met de nieuwste beschikbare gegevens. Meestal gaan de zaken echter niet zoals verwacht. Dat is waar de planner in actie komt:hij staat klaar om het plan voortdurend aan te passen aan het scenario.

Multi-Rover uitvoeringsarchitectuur

De huidige iteratieve reparatieplanningsaanpak maakt stapsgewijze wijzigingen in de oorspronkelijke staat mogelijk, evenals objectieve en stapsgewijze oplossing van conflicten. Na elke iteratie wordt het effect ervan doorgegeven aan de ontdekte conflicten en wordt het plan bijgewerkt (er worden bijvoorbeeld algoritmen voor planreparatie aangeroepen).

Deze technologie wordt gebruikt bij Planetary Rover Operations, New Millennium Earth Orbiting 1, Citizen Explorer, zeer herbruikbare ruimtetranspiratie, Distributed Rovers, Modified Antarctic Mapping Mission en meer.

Referentie:casper.jpl.nasa.gov

2. Vulkaan Sensorweb

Het project maakt gebruik van een netwerk van sensoren die via internet en software zijn gekoppeld aan een autonome responsmogelijkheid voor satellietobservatie. Het is ontwikkeld met een modulaire, flexibele architectuur om uitbreiding van sensoren en aanpassing van triggerscenario's en reacties mogelijk te maken.

Tot op heden is het gebruikt om een wereldwijd surveillanceproject uit te voeren om vulkanen te onderzoeken. Bovendien voert NASA sensorwebtests uit om gebeurtenissen in de cryosfeer, overstromingen en atmosferische verschijnselen te bestuderen.

Sensorweb-detectie- en responsarchitectuur

Verschillende operationele satellieten stellen hun gegevens gratis beschikbaar, zo zijn gegevens van de MODIS (Moderate Resolution Imaging Spectrometer) vrijwel realtime beschikbaar via Direct Broadcast. Deze gegevens bieden mondiale en regionale dekking met indrukwekkende detectiemogelijkheden.

Deze apparatuur levert echter geen gegevens in hoge resolutie die geschikt zijn voor veel wetenschappelijke toepassingen. In feite zijn de meeste ervan zeer gewilde activa en zeer beperkt.

In Volcano Sensorweb worden sensoren met hoge dekking en lage resolutie gebruikt om observaties door apparaten met hoge resolutie te activeren. Er zijn ook tal van andere redenen voor een netwerk van sensoren tot een sensorweb. Geautomatiseerde respons zou bijvoorbeeld observatie mogelijk kunnen maken via complexe apparaten zoals beeldradar. Of ze kunnen worden gebruikt om de observatiefrequentie te verhogen om de temporele resolutie te verbeteren.

Lees:NASA's 10 codeerregels voor het schrijven van een veiligheidskritisch programma

Voorlopig wordt het gebruikt om de 50 meest actieve vulkanen op aarde te monitoren. Daarnaast voert NASA ook experimenten uit om bosbranden, overstromingen en cryosferische gebeurtenissen te monitoren.

Referentie: ai.jpl.nasa.gov

1. ASE

Het ruimtevaartuig dat bij de vorige NASA-missies (vóór 2000) werd gebruikt, was niet in staat zelf autonome beslissingen te nemen op basis van de gegevens die ze in de ruimte verzamelen. ASE (Autonomous Sciencecraft Experiment (ASE), dat sinds 2003 aan boord van de Earth Observing-1-missie wordt uitgevoerd, maakt echter gebruik van continue planning, ingebouwde patroonherkenning en machinaal leren om de efficiëntie te vergroten.

De ASE-software demonstreert het vermogen om besluitvorming aan boord te gebruiken om gebeurtenissen te identificeren, te onderzoeken en erop te reageren, en alleen de gegevens te downlinken die de hoogste waarde bevatten.

Deze AI-technologie omvat tal van nuttige modules zoals

• Ingebouwd wetenschappelijk algoritme om afbeeldingsgegevens te analyseren om triggercondities te detecteren
• Robuuste software voor uitvoeringsbeheer die gebeurtenisgestuurde verwerking en autonomie op laag niveau mogelijk maakt.
• CASPER-software om cruciale activiteiten zoals downlink opnieuw te plannen.

ASE opent een breed scala aan nieuwe mogelijkheden op het gebied van aardwetenschappen, ruimtefysica en planetaire wetenschap. De technologie vermindert de downtime die verloren gaat door afwijkingen, verkort de installatietijd van apparatuur door gebruik te maken van autonomiesoftware en vergroot de wetenschap per vaste downlink dramatisch.

Lees:13 van de grootste toekomstige missies van NASA

Aanvankelijk bevat ASE wetenschappelijke doelstellingen om doelstellingen op hoog niveau te monitoren. CASPER wordt gebruikt om een plan te genereren voor het periodiek monitoren van doelen (met behulp van het Hyperion-instrument). De ingebouwde wetenschappelijke algoritmen onderzoeken de afbeeldingen en de afbeeldingen worden gedownlinkt op basis van de detectie ervan. Als er geen geschikte gebeurtenis is, geeft de wetenschappelijke software de planner de opdracht om het volgende doel met de hoogste prioriteit te verwerven.

Vervolgens implementeert de SCL-software de door CASPER gegenereerde plannen in combinatie met verschillende autonomie-elementen en deze cyclus wordt herhaald bij volgende observaties.

Referentie: ieeexplore.ieee.org