NASA의 6대 AI 프로젝트가 우주 탐사를 주도하고 있습니다.

NASA는 지구를 연구하고 광대한 우주를 탐험하기 위해 최근 인공 지능(AI)의 발전을 활용합니다. 제트 추진 연구소 AI 그룹은 과학 분석, 심층 우주 네트워크 운영, 우주선 지휘 및 우주 운송 시스템에 적용하여 인공 지능 계획 및 일정 수립 분야의 기초 연구를 수행합니다.

오늘은 JPL이 현재 진행하고 있는 주요 프로젝트 중 일부를 자세히 살펴보겠습니다. 대부분은 계획 기술, 우주선 자율성, 로버 자율성과 관련이 있습니다.

6. 아스펜

아스펜 GUI

JPL의 AI 그룹은 ASPEN(Automated Scheduling and Planning Environment)이라는 시스템을 개발해 왔습니다. 다양한 유형의 계획 및 일정 관리 애플리케이션을 지원할 수 있는 재구성 가능한 모듈식 프레임워크입니다.

프레임워크에는 시간 추론 시스템, 자원 관리 시스템, 표현 모델링 언어 및 그래픽 인터페이스와 같은 복잡한 계획 또는 일정 시스템에서 주로 발견되는 요소를 구현하는 다양한 구성 요소가 포함됩니다. 구체적으로 임무 설계 계획, 우주선 운영, 지표면 로버 계획, 조정된 다중 로버 계획 및 다중 로버 계획에 사용됩니다.

지상 기반 시스템인 ASPEN은 내부 우주선 모델과 다양한 높은 수준의 목표를 활용하여 우주선에서 실행할 특정 명령을 제공합니다. 비행 기반 시스템으로서 로버 상태에 대한 업데이트를 지속적으로 수신하고 주변 변화를 반영하여 계획을 업데이트합니다. 안테나 스케줄링 시스템으로 DSN 기지국을 자율적으로 제어하는데 사용됩니다.

AI 기술은 휴리스틱 검색, 반복 복구, 시간적 추론을 기반으로 합니다. 프레임워크에는 다양한 전파 알고리즘과 검색 엔진 중에서 쉽게 선택하여 계획 프로세스를 효과적으로 만들 수 있는 일반 아키텍처가 있습니다. 또한 사용자는 빠르고 효율적으로 일정과 상호 작용하고 재계획을 세울 수 있습니다.

현재 외부 라이선싱이 가능하지만 내보낼 수는 없습니다. 앞으로 ASPEN은 수리 계획과 실행을 통합하는 데 사용될 것입니다.

참조: ai.jpl.nasa.gov 

5. 미스

MISUS(Multi-Rover Integrated Science Understanding System)는 행성 탐사용 로버를 제어하는 기술을 개발합니다. NASA가 개발한 MISUS 아키텍처는 세 가지 주요 구성 요소로 구성됩니다. 

데이터 분석: 탐사선이 관찰한 암석 유형 분포를 모델링하기 위해 비지도 클러스터링을 수행하는 분산 기계 학습 시스템입니다. 이는 로버의 감지에 지시하여 행성 장면의 콘텐츠를 지속적으로 개선할 수 있습니다.

계획: 입력 로버 과학 목표를 달성하기 위한 운영 계획을 생성하는 분산 계획 시스템입니다. 로버 간에 과학 목표를 분할하는 중앙 플래너와 개별 로버의 각 작업과 관련된 분산 플래너 세트가 있습니다.

환경 시뮬레이터:  여러 지질 주변 및 로버 과학 작업을 모델링하는 다중 로버 시뮬레이터입니다. 주변의 모든 과학 데이터를 다루고, 작동을 추적하며, 로버 과학 장비의 관찰을 반영합니다.

전체 시스템은 데이터 분석 시스템이 탐사 프로세스를 주도하는 과학자로 볼 수 있는 폐쇄 루프 방식으로 작동합니다. 먼저, 데이터는 수집된 모든 데이터를 업데이트된 글로벌 모델로 통합하고 새 모델을 분산 클러스터러에 다시 브로드캐스팅하는 로버 클러스터링 알고리즘으로 전송됩니다.

클러스터링 출력은 우선순위 지정 알고리즘에 의해 새로운 관찰 목표 세트를 생성하는 데 사용되며, 이는 모델의 정확도를 더욱 향상시킵니다. 그런 다음 목표는 요청을 가장 효율적으로 처리하는 방식으로 개별 로버를 목표에 할당하는 중앙 계획자에게 전송됩니다.

그런 다음 각 로버 계획자는 할당된 목표를 최대한 많이 달성할 수 있는 몇 가지 특정 작업을 생성합니다. 그런 다음 일련의 작업이 구현되는 시뮬레이터로 전송되고 수집된 모든 정보는 로버 클러스터러로 다시 전송됩니다. 관찰된 암석 유형에 대해 뚜렷한 클러스터를 생성하기에 충분한 정보가 수집될 때까지 전체 주기가 계속됩니다.

참조:ntrs.nasa.gov

4. 분산 우주선

이 프로젝트는 최신 기술을 사용하여 모든 개별 우주선에 대한 명령 순서가 아닌 임무 목표에 따라 우주선의 집합체를 제어합니다.

이 연구는 분산 기술을 통해 우주선 형성 및 클러스터에 대한 고정밀 실시간 시뮬레이션을 가능하게 하는 모델링 및 시뮬레이션 기능을 발전시킵니다.

NASA는 형성의 분산 특성을 활용하고 클러스터의 여러 프로세서 간에 시뮬레이션을 분할하는 새로운 시뮬레이션 아키텍처를 개발하고 있습니다. 예를 들어 HYDRA(Hierarchical Distributed Reconfigurable Architecture)는 혼합 및 다중 플랫폼 환경 전반에 걸쳐 시뮬레이션된 모듈과 기술을 원활하게 배포하기 위해 개발되었습니다.

HYDRA는 시뮬레이션 모듈 간의 통신 프로세스를 자동화합니다. 이는 Terrestrial Planet Finder 프로그램의 일환으로 FAST(Formation Algorithms and Simulation Testbed)에 성공적으로 주입되었습니다.

읽기:NASA, 우주 통신 네트워크에 인공 지능 사용

전반적인 목표는 대형 비행 안내, 추정, 제어 및 의사 결정 문제를 해결할 수 있는 강력하고 빠른 전역 최적화 알고리즘을 구축하는 것입니다. 여기에는 대형 비행을 위한 빠른 분산 추정기, 우주선 간의 분산 자원 할당, 강력한 대형 유지 제어, 대형 연료 최적 재구성 경로 계획 및 모드 명령이 포함됩니다.

출처: dst.jpl.nasa.gov

3. 캐스퍼

CASPER(Continuous Activity Scheduling Planning Execution and Replanning의 약어)는 반복 수리를 활용하여 우주선의 지속적인 변경 또는 수정을 지원합니다.

기존의 배치 중심 계획 모델에는 몇 가지 단점이 있습니다. 처음부터 계획을 세우려면 엄청난 양의 계산이 필요하며 일반적으로 온보드 계산 리소스는 제한되어 있습니다.

목표는 계획자가 예상치 못한 변화에 더욱 효과적이고 대응하도록 만드는 것입니다. 불가피한 모델링 오류와 같은 예측 모델에 대한 의존도를 줄일 수 있는 플래너입니다.

이를 달성하기 위해 JPL은 CASPER라고 알려진 지속적인 계획 기술을 활용합니다.  계획자는 현재 목표 세트, 상태 및 예상 결과 모델을 가지고 있습니다. 현재 상태에 대한 증분 업데이트는 언제든지 적용될 수 있습니다. 이번 업데이트는 간단한 진행 조정부터 예상치 못한 이벤트까지 무엇이든 될 수 있습니다.

플래너는 사용 가능한 최신 데이터를 사용하여 일관된 계획을 유지합니다. 그러나 대부분의 경우 일은 기대대로 흘러가지 않습니다. 이것이 바로 플래너가 작동하는 곳입니다. 시나리오에 따라 계획을 지속적으로 변경할 준비가 되어 있습니다.

멀티 로버 실행 아키텍처

현재의 반복적 수리 계획 접근 방식을 사용하면 초기 상태와 목표를 점진적으로 변경한 다음 단계별로 충돌을 해결할 수 있습니다. 각 반복 후에 그 효과는 발견된 충돌과 업데이트된 계획에 전파됩니다(예:계획 복구 알고리즘 호출).

이 기술은 행성 로버 작전, 새천년 지구 궤도 1, 시민 탐험가, 재사용 가능성이 높은 우주 증발, 분산 로버, 수정된 남극 매핑 임무 등에 사용됩니다.

참조: casper.jpl.nasa.gov

2. 화산 센서웹

이 프로젝트는 인터넷과 소프트웨어로 연결된 센서 네트워크를 자율 위성 관측 응답 기능에 사용합니다. 이는 센서 확장, 트리거 시나리오 및 대응의 사용자 정의를 용이하게 하기 위해 모듈식의 유연한 아키텍처로 개발되었습니다.

지금까지 화산을 조사하기 위한 글로벌 감시 프로젝트를 수행하는 데 사용되었습니다. 또한 NASA는 빙권 현상, 홍수 및 대기 현상을 연구하기 위해 센서웹 테스트를 실시합니다.

센서웹 감지 및 대응 아키텍처

MODIS(중해상도 이미징 분광계)의 데이터와 같은 몇몇 운영 위성은 직접 방송을 통해 거의 실시간으로 데이터를 사용할 수 있도록 데이터를 무료로 제공합니다. 이러한 데이터는 인상적인 감지 기능을 통해 전 세계 및 지역 범위를 제공합니다.

그러나 이러한 장비는 많은 과학 응용 분야에 적합한 고해상도 데이터를 제공하지 않습니다. 실제로 이들 자산의 대부분은 수요가 많고 제약이 심한 자산입니다.

Volcano Sensorweb에서는 높은 적용 범위와 저해상도 센서를 사용하여 고해상도 장치로 관찰을 실행합니다. 또한, 센서 네트워크를 센서 웹으로 연결하는 데에는 다른 수많은 이론적 근거가 있습니다. 예를 들어 자동화된 대응을 통해 이미징 레이더와 같은 복잡한 장치를 통해 관찰이 가능해질 수 있습니다. 또는 시간적 해상도를 높이기 위해 관찰 빈도를 높이는 데 사용할 수도 있습니다.

읽기:안전에 중요한 프로그램 작성을 위한 NASA의 10가지 코딩 규칙

현재는 지구상에서 가장 활발한 화산 50개를 모니터링하는 데 사용되고 있습니다. 또한 NASA에서는 산불, 홍수, 빙권 현상을 모니터링하기 위한 실험도 진행하고 있습니다.

참조: ai.jpl.nasa.gov

1. AS

이전 NASA 임무(2000년 이전)에 사용된 우주선은 우주에서 수집한 데이터를 기반으로 스스로 자율적인 결정을 내릴 수 있는 능력이 없었습니다. 그러나 2003년부터 지구 관측-1 임무에서 선상에서 운영되고 있는 ASE(자율 과학 기술 실험(ASE))에서는 지속적인 계획, 선상 패턴 인식 및 기계 학습을 사용하여 효율성을 높입니다.

ASE 소프트웨어는 온보드 의사 결정을 사용하여 이벤트를 식별, 검사 및 대응하고 가장 높은 가치가 포함된 데이터만 다운링크하는 기능을 보여줍니다.

이 AI 기술에는 다음과 같은 유용한 모듈이 많이 포함되어 있습니다.

• 트리거 조건을 감지하기 위해 이미지 데이터를 분석하는 온보드 과학 알고리즘
• 이벤트 기반 처리와 낮은 수준의 자율성을 지원하는 강력한 실행 관리 소프트웨어입니다.
• 다운링크와 같은 중요한 활동을 재계획하는 CASPER 소프트웨어

ASE는 지구과학, 우주물리학, 행성과학 분야에서 폭넓고 새로운 기회를 열어줍니다. 이 기술은 이상 현상으로 인해 손실되는 가동 중지 시간을 줄이고, 자율 소프트웨어를 사용하여 장비 설정 시간을 단축하며, 고정 다운링크당 과학성을 획기적으로 향상시킵니다.

읽기:NASA의 가장 큰 미래 임무 13가지

처음에 ASE에는 높은 수준의 목표를 모니터링하기 위한 과학 목표가 포함되어 있습니다. CASPER는 주기적으로 대상을 모니터링하기 위한 계획을 생성하는 데 사용됩니다(Hyperion 장비 사용). 온보드 과학 알고리즘은 이미지를 검사하고 이미지는 탐지에 따라 다운링크됩니다. 적합한 이벤트가 없으면 과학 소프트웨어는 계획자에게 다음으로 높은 우선순위의 목표를 획득하도록 명령합니다.

그런 다음 SCL 소프트웨어는 CASPER가 생성한 계획을 다양한 자율성 요소와 함께 구현하며 이 주기는 후속 관찰에서 반복됩니다.

참조: ieeexplore.ieee.org