Новая разработка: как искусственный интеллект «мечтает» при стыковке с МКС

Стыковка с Международной космической станцией — это не просто «припарковаться» на орбите. На скорости около 28 000 км/ч любое неверное включение двигателя уводит аппарат совсем не туда, куда ожидал пилот. А удар о станцию, где находятся люди, грозит катастрофой с гигантским облаком обломков, которое может повредить десятки спутников. Именно поэтому инженеры десятилетиями полагались на строгие уравнения физики и ручное управление. Но теперь исследователи из Стэнфорда предложили иной путь: они учат космический аппарат «представлять» себе будущее, прежде чем совершить манёвр. Разберёмся, как работает эта технология и почему она может изменить правила игры в космонавтике.

Почему обычные алгоритмы сдают позиции

Классическая навигация вблизи станции строится на работе так называемых алгоритмов управления и навигации — GNC. Они получают данные с GPS-приёмников и звёздных датчиков, а затем превращают их в команды для двигателей. Помогает им в этом математический инструмент под названием фильтр Калмана, который хорошо умеет сглаживать шумы и ошибки измерений. Однако у такого подхода есть серьёзное ограничение: он плохо обрабатывает потоковое видео высокой чёткости. А ведь визуальная информация критична на финальном этапе сближения.

Инженеры пробовали применять классическое компьютерное зрение, но космос — слишком изменчивая среда. Блик света на солнечной панели, внезапная тень, скользящая по корпусу станции, — и алгоритм начинает ошибаться в определении положения цели. Ситуация как раз из тех, где могли бы помочь нейросети, однако обычные модели, обученные на правилах игры в шахматы или Dota, плохо справляются с изменением условий. Стоит перенести стыковочный порт в другое место станции — и модель перестаёт понимать, что делать.

Идея «мировых моделей» в действии

Решение, предложенное в Стэнфорде, основано на концепции мировой модели — это тип искусственного интеллекта, который не заучивает жёсткие правила, а учится понимать физику среды через опыт. Представьте бейсболиста, который ловит летящий мяч. Он не решает в уме дифференциальные уравнения, а интуитивно предугадывает траекторию на основе прошлых визуальных наблюдений. Примерно так же работает новая система под названием Out-of-this-World-Model, сокращённо OWM.

Модель «прокручивает» в своей памяти десятки возможных сценариев будущего, оценивает вероятность каждого исхода и выбирает такое управление двигателями, которое приближает желаемый результат. Ключевая особенность — она не просто угадывает, а оценивает уверенность в каждом прогнозе. Это позволяет реагировать на неожиданности: если что-то пошло не так, как предсказывалось, система корректирует свои действия.

Как обучить нейросеть космическим манёврам

Главная проблема заключалась в том, что для обучения такой модели нужно огромное количество симуляций. На обычном центральном процессоре процесс занял бы недели. Поэтому исследователи разработали собственную библиотеку AstroJAX, которая работает на графических процессорах — тех самых чипах, что изначально создавались для видеоигр, а теперь используются в обучении искусственного интеллекта. Это ускорило вычисления на порядки.

Результаты обучения впечатляют:

• OWM потребовалось всего 500 000 итераций для освоения стыковки;
• традиционная система обучения с подкреплением — 25 000 000 итераций;
• новая модель увереннее справлялась с незнакомыми стыковочными портами;
• OWM лучше реагировала на внештатные ситуации, например когда нужный порт уже занят другим кораблём.

При этом сравнивать нужно не только скорость обучения, но и итоговую успешность. В симуляции на всех стыковочных портах станции OWM добилась успеха примерно в 53% случаев. Для сравнения: классический алгоритм обучения с подкреплением — лишь в 29%. Показатель не идеальный, но он демонстрирует огромный потенциал подхода.

Сложности на финальном участке

Исследователи честно признают: впереди ещё много работы. Наиболее трудным для модели оказался этап непосредственного контакта с портом, когда корабль уже вплотную приблизился к станции. Вероятно, это связано с тем, что в обучении жёстко наказывались любые сценарии, приближающиеся к столкновению. В будущих версиях авторы планируют скорректировать эту настройку.

Но даже в текущем виде технология выглядит многообещающе для автоматических миссий. Речь пока не идёт о том, что ИИ возьмёт на себя управление кораблём, на борту которого находится экипаж. Однако для беспилотных аппаратов, которым нужно обслуживать спутники или сводить их с орбиты, такая система может стать незаменимой. Число таких миссий будет только расти.

Уже сейчас понятно: автоматическая стыковка на основе «мечтаний» — не просто лабораторный курьёз, а рабочий инструмент, который способен превзойти классические алгоритмы в гибкости.

Полная версия исследования опубликована на сервере препринтов arXiv, а короткий обзор представлен в материале на сайте Phys.org.

Что это значит для будущего космонавтики

Пока рано говорить, что человек полностью исчезнет из процесса стыковки. Авторы подчёркивают: до полностью автономного сближения с наличием людей на борту ещё далеко. Но технология уже сейчас открывает интересные перспективы для растущей индустрии орбитального сервиса. Спутники, которые нужно дозаправить, устаревшие аппараты, требующие сведения с орбиты, — всё это потенциальные клиенты для умных дронов с «воображением».

1. снижение зависимости от точных наземных расчётов;
2. адаптация к нестандартным ситуациям в реальном времени;
3. возможность обучения на симуляциях без риска для людей;
4. более высокая устойчивость к плохому освещению и неожиданным препятствиям.

Теперь перед инженерами стоит новый вопрос: достаточно ли доверять нейросети, чтобы поручить ей стыковку с многомиллиардной лабораторией? В конце концов, 53% успеха — это ещё не абсолютная надёжность. Но, возможно, именно сочетание «мечтательной» модели и проверенных временем алгоритмов даст нужный баланс между осторожностью и адаптивностью. А они всё равно придут к тому, чтобы робот взял на себя управление. Или, в данном случае, управление двигателями.