انقلاب هوش مصنوعی در مدار و رباتیک فضایی

نخستین استفاده‌های عملی و پیشگامانه از هوش مصنوعی (AI) در ایستگاه فضایی بین‌المللی (ISS)، آغازگر عصری جدید برای فعالیت‌های انسان در فضای ماورای جو و گامی محوری به سوی خودمختاری رباتیک کامل است. پیش از این، ربات‌ها و سیستم‌های مداری عمدتاً به دستورات مستقیم و زمان‌بندی شده از زمین یا نظارت لحظه‌ای فضانوردان وابسته بودند. اما با تعبیه سیستم‌های هوش مصنوعی و یادگیری ماشینی (ML) در ربات‌های پرنده مانند «استروبی» (Astrobee)، هدف به سمت توانمندسازی ماشین‌ها برای تصمیم‌گیری‌های سریع و ناوبری مستقل در محیط پیچیده ایستگاه فضایی سوق پیدا کرده است.

 

این فناوری نه تنها کارایی و ایمنی را برای فضانوردان افزایش می‌دهد، بلکه برای برنامه‌های بلندمدت فضایی ضروری است. با برنامه‌ریزی مأموریت‌هایی فراتر از مدار پایین زمین، مانند سفر به ماه و مریخ، جایی که تأخیر ارتباطی (Communication Delay) بین زمین و فضا بسیار زیاد است، استقلال ربات‌ها و سامانه‌های پشتیبانی حیاتی می‌شود. هوش مصنوعی امکان تعمیر، نگهداری و انجام آزمایش‌ها را بدون نیاز به دخالت مداوم انسانی یا انتظار طولانی برای دستورات از زمین فراهم می‌آورد. این توانایی‌ها به زودی بخش لاینفک هر مأموریت فضایی عمقی خواهند بود.

 

به طور خلاصه، ادغام هوش مصنوعی در ISS فراتر از یک آزمایش علمی صرف است؛ این یک گواهی بر نیاز مبرم به سیستم‌هایی است که بتوانند در محیط‌های غیرقابل پیش‌بینی فضا، با منابع محاسباتی محدود، به سرعت و ایمنی عمل کنند. این فناوری‌ها در حال زمینه‌سازی برای مأموریت‌های سرنشین‌دار و بدون سرنشین آینده هستند که در آن‌ها ربات‌ها، دستیاران هوشمند و خودمختار فضانوردان خواهند بود و به طور مؤثر ریسک‌های عملیاتی را در مأموریت‌های طولانی مدت کاهش می‌دهند.

 

در یک دستاورد بزرگ برای حوزه رباتیک مداری، محققان دانشگاه استنفورد برای نخستین بار یک سیستم کنترل مبتنی بر یادگیری ماشینی (ML) را با موفقیت در ایستگاه فضایی بین‌المللی (ISS) عملیاتی کردند. این موفقیت که با همکاری ناسا به دست آمده، گامی تعیین‌کننده به سمت ناوبری فضایی کاملاً خودمختار (Autonomous) و کاهش وابستگی به نظارت و کنترل مستقیم فضانوردان است. هدف، توانمندسازی ربات‌های مداری برای حرکت هوشمندانه در محیط شلوغ و متراکم ISS است؛ محیطی که مملو از سیم‌ها، قفسه‌های ذخیره‌سازی و سخت‌افزارهای آزمایشگاهی است و برنامه‌ریزی حرکت در آن بسیار دشوار است.

 

چالش اصلی در ISS، همان‌طور که توسط سامریتا بانرجی (Somrita Banerjee)، محقق ارشد پروژه در استنفورد، مطرح شده، محدودیت‌های شدید منابع محاسباتی در کامپیوترهای پروازی ربات‌ها است. الگوریتم‌های برنامه‌ریزی حرکت سنتی، که در زمین استفاده می‌شوند، منابع زیادی مصرف می‌کنند و برای اجرا در سخت‌افزارهای فضایی کُند هستند. برای حل این مشکل، تیم استنفورد سیستمی بهینه‌سازی ساخت که با استفاده از برنامه‌نویسی متوالی (Sequential Programming)، مسیرهای ایمن را محاسبه می‌کند. با این حال، کلید موفقیت، استفاده از هوش مصنوعی بود:

 

شروع گرم (Warm Start) توسط AI: تیم، یک مدل یادگیری ماشینی را با استفاده از هزاران راه‌حل و مسیر قبلی آموزش داد. این مدل AI به عنوان یک «شروع گرم» عمل کرد و پیش از آغاز فرآیند بهینه‌سازی مسیر، یک حدس اولیه آگاهانه و نزدیک به بهینه ارائه داد.

 

افزایش سرعت چشمگیر: این روش جدید به طرز شگفت‌آوری کارآمد بود. در آزمایش‌های انجام شده بر روی ۱۸ مسیر مختلف، سیستم با استفاده از هوش مصنوعی، به ویژه در فضاهای تنگ و مانورهای پیچیده، ۵۰ تا ۶۰ درصد سریع‌تر از روش‌های سنتی به راه‌حل می‌رسید. این سرعت حیاتی است، زیرا محدودیت‌های ایمنی سخت‌گیرانه فضا باید در کمترین زمان لحاظ شوند.

 

ناسا با تأیید عملکرد این سیستم در محیط عملیاتی واقعی، سطح آمادگی فناوری (Technology Readiness Level - TRL) آن را به سطح ۵ ارتقا داده است. این تأییدیه، ریسک استفاده از این فناوری در مأموریت‌ها و آزمایش‌های آینده را به شدت کاهش می‌دهد. همان‌طور که نویسنده ارشد، مارکو پاوون (Marco Pavone)، تأکید می‌کند، با گسترش دامنه اکتشافات فضایی و دور شدن ربات‌ها از زمین، جایی که کنترل از راه دور غیرممکن می‌شود، خودمختاری رباتیک نه یک گزینه، بلکه یک ضرورت مطلق خواهد بود. این تیم اکنون در نظر دارد تا با به‌کارگیری مدل‌های AI قوی‌تر، مشابه آنچه پشت ابزارهای زبان مدرن و سیستم‌های خودران زمینی است، این فناوری را بیشتر توسعه دهد تا ربات‌های فضایی قادر به تصمیم‌گیری‌های پیچیده‌تری در مأموریت‌های طولانی‌مدت به مریخ و فراتر از آن باشند.