יישומי בינה מלאכותית בתעשיית החלל
16 מרץ, 2022
תעשיית החלל בוחנת אלגוריתמים מפתיעים המתארים את ההתנהגות של מערכת החיסון, של להקות תרנגולים ושל נחילי דבורים וחגבים, כדי לייעל ולהוזיל את הפיתוח והניהול של לוויינים ושל מערכות רובוטיות
בתמונה למעלה: הרובוט דמוי-אדם הנסיוני Valkyrie שתוכנן על-ידי נאס"א. מקור: NASA
הכתבה בחסות Avnet Silica Israel
העניין הגובר בטכנולוגיות בינה מלאכותית ביישומי חלל נובע מהאפשרות שהן משפרות את האמינות והשרידות של המערכות ומקטינות את העלויות. פיתוח וניהול לוויינים דורשים התמודדות עם כמויות מידע עצומות המגיע ממערכות הטלמטריה ומהמטעדים המצויים בלוויין. מכיוון שהלוויינים פועלים תחת אילוצי משקל, גודל, רוחב פס וצריכת הספק חמורים מאד, אחת ממטרות התכנון היא לצמצם את כמות המידע שהם צריכים לשלוח אל תחנת הבקרה.
מכאן שאחת מהחלטות התכנון הראשונות שצריך לקבל היא איזה מידע לנתח על-גבי הלוויין ואיזה מידע לשלוח לעיבוד בתחנת הקרקע. ההחלטה צריכה להתחשב בגורמים כמו זמינות רוחב הפס, האנרגיה הדרושה לשידור המידע, ופשרה בין תשתיות עיבוד חזקות בפלטפורמה לבין זמני ההשהייה (Latency) הסבירים. טכניקות כמו לימוד מכונה (ML) מסייעות להפחית את נפח המידע שהלוויין משדר ולהאיץ את תהליך פיענוח המידע.
עיבוד נתוני טלמטריה
נתוני הטלמטריה מתארים את מצב "בריאות" הלוויין ותת המערכות שלו, וכרוכים בדרך-כלל בשידור מידע המגיע מאלפי חיישנים המצויים בלוויין, המגיע בפורמטים שונים ובמספרים המתארים יחידות טכניות שונות. המורכבות של המידע הזה מקשה על בניית נוסחה פשוטה המתארת את מצב הלוויין. בעבר, אחת מהדרכים להתמודד עם הבעיה היתה באמצעות הגדרת נקודות גבול עליונות ותחתיות למידע המגיע מכל חיישן, ושידור התראה כאשר הנתונים חורגים מהמעטפת.
אולם בלוויינים המודרניים המורכבים, הגישה הזאת היא בלתי מעשית. הצעד הבא היה הגדרת מעטפת גמישה בסיוע אלגוריתם לומד אשר העריך את גבולות המעטפת הדרושות לכל חיישן. גישה שלישית התבססה על שימוש במודלים סטטיסטיים וטכניקות סיווג כדי לחזות את הטווח התקין של כל אחד ממהמשתנים. הגישה הזו נבדקה על-ידי סוכנות החלל היפנית (Japanese Aerospace Exploration Agency), אשר הראתה שהיא מאתרת בהצלחה רבה תקלות שונות המתגלות במאיצים הרקטיים (Thrusters) שלה.
מתי אפשר לוותר על חיישן מיותר
דרך אחרת להתמודד עם הבעיה היא באמצעות מערכות מומחה המשלבות חוקים וידע אנושי. לפתרון הזה יש הצלחה מסויימת, אולם נכשל בהתמודדות עם תופעות לא מוכרות. גישה אחרת מבוססת על תאום דיגיטלי: מייצרים מודל ממוחשב של הלוויין, ומשווים בין המידע המגיע מהלוויין האמיתי לבין המידע המיוצר בהדמייה של הלוויין. הקושי בגישה הזאת טמון ביכולת לבנות סימולציה מספיק מפורטת ומדוייקת של הלוויין.
נעשו ניסויים בתוכנות לימוד מכונה (ML) לצורך איתור תקלות וחיזוי נתוני טלמטריה על-סמך מצבו הכללי של הלוויין, אולם ההצלחה לא היתה חד-משמעית. נבדקו גם טכניקות לימוד עומק באמצעות רשתות נוירונים. הגישה כאן היתה שונה: לרשתות הוזן מידע רב והן התבקשו לזהות תבניות. החוקרים מקווים שהשימוש במערכות לימוד מכונה ובינה מלאכותית יפחית את מספר החיישנים המותקנים בלוויין – שכן אם המערכת יודעת לעבד נתונים ולחלץ מידע גם ללא החיישן – סימן שניתן לוותר עליו.
ניתוח מידע גיאוגרפי המגיע מהלוויין
לאחרונה נעשה שימוש גובר במערכות לימוד מכונה ובינה מלאכותית לניתוח המידע המגיע ממערכות הניטור של הלוויין, דוגמת מצלמות, מכ"ם, מערכות מדידת קרינה וכדומה. בשנת 2019 הופעל אלגוריתם לומד לאיתור שכונות עוני מתמונות ברזולוציה גבוהה שהופקו על-ידי לוויין QuickBird. לאחר מכן נעשה במערכת הזאת שימוש לניתוח תמונות ברזולוציה נמוכה שהופקו בלוויין Sentinel-2, והיא הצליחה לאתר ולמפות את שכונות העוני גם בתמונות באיכות הירודה. הדוגמה הזאת מראה שמערכות ML יכולות להפחית את עלויות הלוויין – על-ידי שימוש במידע המגיע מלוויין יקר לצורך אימון רשת נוירונית הנמצאת בלוויין זול.
בוצעו גם ניסויים בהיקף גדול יותר. בשנת 2020 פיתחה סוכנות החלל האירופית (ESA) מערכת מבוססת ML שנועדה לסייע בהבנת השפעות וירוס הקורונה. המערכת שילבה מידע המגיע מלווייני התצפית האירופיים Copernicus Sentinel, ביחד עם עוד 30 מקורות מידע נוספים כדי לעקוב אחר ההשפעות הסביבתיות של הקורונה, כמו איכות מים, פעילות כלכלית ואנושית, בנייה, ספנות, תפוקה חקלאית וכדומה. התמונות למטה מציגות את השפעת המגיפה על רמות החנקן הדו-חמצני (NO2) ביבשת אירופה בשנים 2019-2020. (נ.ב. חנקן דו-חמצני הוא גז רעיל הנפלט בעיקר ממנועי בעירה פנימית).
מה כדאי ללמוד מדבורים, חגבים ותרנגולים
בינה מלאכותית המבוססת על מודלים ביולוגיים והתנהגות בעלי-חיים מסייעת להפעיל מערכות חלל. המגזין IEEE Access פירסם לאחרונה סקירה של מספר אלגורתימים מהסוג הזה, ושל היישומים שלהם בחקר החלל. למשל, "מערכת חיסון מלאכותית" המחקה מערכות חיסון ביולוגיות יכולה לסייע בניתוח תקלות, סיווג תופעות וניהוג רובוטי. אלגוריתמים המבוססים על חקר התנהגות הדבורים, כמו למשל Genetic Bee Colony, נבדקים היום כפתרון להתמודדות עם בעיות אופטימיזציה מורכבות ומיטוב רשת התקשורת.
אלגוריתם Chicken Swarm Optimization מתאר את התנהגות נחיל התרנגולים וההיררכיה הפנימית בנחיל. מתברר שהוא מסביר כיצד קבוצה גדולה של תרנגולים משיגה יעילות גבוהה בגישה אל מקורות המזון. כיום הוא נבדק לצורך שיפור תהליך ההחזרה לכדור הארץ של רכב חללי. אלגוריתם Grasshopper Optimisation הוא מודל התנהגות של נחילי חגבים באופן המאפשר להם לשמור על מרחק יעיל בין הפרטים כדי להבטיח גישה למזון, אולם גם להתקרב אחד אל השני כדי לשמור על מבנה של נחיל.
כיום הוא נבדק ככלי לאופטימיזציה של מערכות חלל. לאלגוריתמים מהסוג הזה עשויה להיות חשיבות רבה בפיתוח מערכות רובוטיות אשר צריכות לבצע משימות מורכבות בתנאים קשים. צריך לספק לרובוטים האלה יכולת תנועה, ניווט וקבלת החלטות אוטונומית, ולהבטיח שהיכולות האלה אמינות ויציבות, ומאפשרות לרובוט להתמודד עם מצבים בלתי צפויים – כולל תקלות ברובוט עצמו.
בחודש מרץ 2020 שיגרה נאס"א את סייר המאדים Perseverance ואת המסוק Ingenuity כדי ללמוד את פני השטח של הכוכב. במערכות הקודמות, הנחתת הגיע אל נקודת היעד באמצעות ניחוש מושכל אשר התבסס על נתונים שהגיעו ממערכת Deep Space Network. רמת הדיוק של המערכת הזאת היתה 2 ק"מ. במשימת Perseverance נבחר אתר הנחיתה בשיטה אחרת: מפה דיגיטלית של אזור הנחיתה הוזנה אל מחשב הנחתת. לאחר שנפתח מצנח הנחיתה, הרכב צילם את האזור אליו הגיע, הישווה את התמונות אל המפה הממוחשבת, והשתמש במידע כדי לבחור באתר הנחיתה הסופי המתאים, ברמת דיוק של 40 מטר.
המסע אל בינה מלאכותית בתעשיית החלל
תחומים רבים נוספים נעזרים כיום בבינה מלאכותית: אלגוריתמים של התנהגות נחילים נבדקים ככלי לניהול מערכי לוויינים, לייעול תהליך האיסוף של פסולת חלל, לפיתוח לוויינים, ונבדק השימוש בהם כדי להציע אופציות תכנון חדשות. צוות חוקרים מאוניברסיטת קורנל מפתח סייען תכנון בשם Daphne אשר אמור לעזור בתכנון הארכיטקטורה של לווייני תצפית.
למהנדסי אלקטרוניקה חשוב להבין שהשימוש בבינה מלאכותית עשוי לפתח טכניקות אופטימיזציה חדשות בתחומי מערכות המחשב, התקשורת, הספק וכדומה. אולי בעתיד יהיה צורך בסייען AI שיעזור למהנדסים לנווט בין הפתרונות החדשים האלה.
* כותב המאמר הוא Paul Leys, מנהל תחום תעופה וביטחון בחברת אבנט סיליקה
לפרטים נוספים:
איתמר קהלני, מנהל קו מוצרי Xilinx בחברת אבנט סיליקה, 054-5206287, [email protected]
פורסם בקטגוריות: בינה מלאכותית , חדשות , חלל , כתבות טכנולוגיות בחסות אבנט
פורסם בתגיות: AI , אבנט , בינה מלאכותית , חלל
כתבות נוספות העשויות לעניין אותך
