Исследователи из Стэнфорда первыми продемонстрировали, что управление с помощью машинного обучения может безопасно управлять роботом на МКС, закладывая основу для более автономных космических миссий.
Представьте себе робота размером с тостер, который плавает по узким коридорам Международной космической станции, бесшумно перемещая грузы или проверяя наличие утечек — и всё это без участия астронавта у пульта управления. Такая технология могла бы освободить ценное время астронавтов и открыть новые возможности для исследований с помощью роботов.
Именно к этому приближаются учёные из Стэнфорда, впервые продемонстрировав, что управление на основе машинного обучения может работать на МКС.
Новое исследование, представленное на Международной конференции по космической робототехнике (iSpaRo) в 2025 году, знакомит с системой, предназначенной для того, чтобы помочь роботу Astrobee автономно перемещаться по Международной космической станции. Статья также опубликована на сервере препринтов arXiv.
МКС — это сложная среда, состоящая из взаимосвязанных модулей, заполненных компьютерами, хранилищами, проводкой и экспериментальным оборудованием. Планирование безопасного движения для Astrobee далеко не тривиально, — говорит Сомрита Банерджи, ведущий исследователь, проводившая эту работу в рамках своей докторской диссертации в Стэнфорде.
Традиционные подходы к автономному планированию, которые получили распространение на Земле, в значительной степени нецелесообразны для космического оборудования. «Бортовые компьютеры для запуска этих алгоритмов часто имеют более ограниченные ресурсы, чем у наземных роботов. Кроме того, в космической среде неопределённость, помехи и требования к безопасности часто более высоки, чем в земных приложениях», — сказал старший автор Марко Павоне, доцент кафедры аэронавтики и астронавтики в Школе инженерии и директор Лаборатории автономных систем Стэнфорда.
Несмотря на эти трудности, команда продвинула отрасль вперёд, добившись заметных успехов в космических исследованиях. «Впервые искусственный интеллект был использован для управления роботом на МКС», — сказала Банерджи. «Это показывает, что роботы могут двигаться быстрее и эффективнее, не жертвуя безопасностью, что важно для будущих миссий, где люди не всегда смогут ими управлять».
Банерджи сравнивает задачу оптимизации маршрутов Astrobee на МКС с планированием дорожной поездки из Сан-Франциско в Лос-Анджелес: вам нужен самый быстрый, наиболее энергоэффективный и, прежде всего, безопасный путь.
Для решения этой задачи в компактной среде МКС система планирования маршрута команды опирается на традиционно используемый метод оптимизации, называемый последовательным выпуклым программированием, который разбивает сложную задачу планирования на ряд более мелких и простых шагов.
Этот процесс предназначен для создания окончательной траектории, которая является безопасной и осуществимой. Однако решение каждого шага с нуля может быть сложным для бортового компьютера Astrobee и может замедлить процесс — одно из ключевых ограничений традиционных методов.
Чтобы ускорить процесс, команда усовершенствовала свою систему с помощью модели на основе машинного обучения, которую они обучили на тысячах прошлых решений маршрутов. Модель может выявлять закономерности, например, где всегда существует коридор и где обычно бывают препятствия.
Предоставление роботу базовых знаний перед дальнейшими уточнениями известно как «тёплый старт». Оптимизационная методика по-прежнему обеспечивает соблюдение всех ограничений безопасности; модель машинного обучения просто помогает достичь ответа гораздо быстрее.
«Использование тёплого старта похоже на планирование дорожной поездки, начиная с маршрута, по которому уже ездили реальные люди, а не проводя прямую линию по карте», — сказала Банерджи. «Вы начинаете с чего-то, основанного на опыте, а затем оптимизируете».
Перед отправкой своего ИИ в космос команда применила систему к специальному тестовому стенду в Исследовательском центре Эймса НАСА. Там модель ИИ управляла роботом, похожим на Astrobee, который плавал прямо над поверхностью гранитного стола, поддерживаемый сжатым воздухом, имитирующим частичную микрогравитацию. «Это похоже на шайбу на столе для аэрохоккея», — сказала Банерджи.
Когда наступил день реальных испытаний, команда из Стэнфорда присоединилась по видеосвязи, в то время как астронавты на МКС выполнили то, что НАСА называет настройкой с минимальным участием экипажа. Астронавты занимались только подготовкой и уборкой, а затем отошли в сторону.
В течение следующих четырёх часов Банерджи отправляла инструкции наземным операторам в Космическом центре Джонсона НАСА в Хьюстоне. Затем команда НАСА передавала команды Astrobee, указывая его начальную точку и пункт назначения, имитируя препятствия, которых следует избегать, и опробовав как тёплый, так и холодный старт.
Множество мер безопасности обеспечивало безопасность эксперимента, включая замену физических препятствий виртуальными для устранения риска столкновений, поддержание резервного робота и предоставление операторам возможности прервать запуск, если это необходимо.
Команда протестировала 18 траекторий, каждая из которых длилась более минуты. Каждая была запущена дважды: сначала с холодным стартом, используя стандартный метод планирования, а затем с тёплым стартом, когда ИИ предоставил первый проект маршрута, который система могла быстро скорректировать.
Тесты показали, что предоставление Astrobee тёплого старта значительно ускоряет планирование движения. «Мы показали, что это на 50–60% быстрее, особенно в более сложных ситуациях», — сказала Банерджи. К таким сложным случаям относятся загромождённые участки, узкие коридоры и манёвры, требующие вращения вместо прямого пути.
Наблюдение за Astrobee на орбите стало для Банерджи глубоко личным опытом. «Самое крутое было то, что мимо эксперимента проплывали астронавты», — сказала она. «Один из них был одним из моих детских героев, Сунита Уильямс. Видеть, как годы работы действительно выполняются в космосе, и наблюдать за ней, пока робот двигался, было невероятно».
После эксперимента на МКС система тёплого старта команды достигла 5 уровня технологической готовности, что является обозначением НАСА, указывающим на успешное тестирование в реальных условиях эксплуатации. Обновление показывает, что эта технология имеет низкий риск, что важно для предложения новых экспериментов или будущих миссий.
Заглядывая в будущее, Банерджи сказала, что такой тип математически обоснованного ИИ, ориентированного на безопасность, будет иметь решающее значение, поскольку роботы будут выполнять больше задач независимо, а НАСА будет отправлять пилотируемые миссии на Луну и Марс. «Поскольку роботы будут путешествовать дальше от Земли, а миссии станут более частыми и дешёвыми, мы не всегда сможем управлять ими с Земли», — сказала она.
Такие технологии позволят астронавтам сосредоточиться на более приоритетных задачах и более эффективно использовать своё время. «Автономность со встроенными гарантиями не просто полезна; она необходима для будущего космической робототехники», — сказала она.
Павоне подчеркнул, что его лаборатория продолжит исследовать и совершенствовать методы тёплого старта. «В рамках Центра аэрокосмических автономных исследований (CAESAR) мы сотрудничаем с Лабораторией космических встреч Стэнфорда, чтобы изучить более мощные модели искусственного интеллекта — такие же, как используются в современных языковых инструментах и системах беспилотного вождения. Модели с более широкими возможностями обобщения позволят роботам ориентироваться даже в более сложных ситуациях в будущих космических миссиях».