NASA 우주 탐사를 이끄는 6대 AI 프로젝트

지구를 연구하고 광활한 우주를 탐사하기 위해 NASA는 인공지능(AI) 분야의 최신 발전을 활용합니다. JPL(제트추진연구소) AI 그룹은 인공지능 계획 및 스케줄링 분야에서 기초 연구를 수행하며, 과학 분석, 심우주 네트워크 운영, 우주선 명령, 우주 운송 시스템에 적용합니다.

오늘은 JPL이 현재 진행 중인 주요 프로젝트들을 자세히 살펴보겠습니다. 대부분 계획 기술, 우주선 자율성, 로버 자율성과 관련되어 있습니다.

6. ASPEN

ASPEN GUI

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

프레임워크에는 복잡한 계획 또는 스케줄링 시스템에서 주로 발견되는 요소들을 구현하는 다양한 구성요소가 포함됩니다. 예를 들어 시간 추론 시스템, 자원 관리 시스템, 표현력 있는 모델링 언어, 그래픽 인터페이스 등이 있습니다. 구체적으로 임무 설계 계획, 우주선 운영, 표면 로버 계획, 다중 로버 협력 계획, 다중 로버 계획에 사용됩니다.

지상 기반 시스템으로서 ASPEN은 내부 우주선 모델과 다양한 고수준 목표를 활용해 우주선이 실행할 구체적인 명령을 제공합니다. 비행 기반 시스템으로는 로버 상태에 대한 업데이트를 지속적으로 받아 주변 변화에 맞춰 계획을 업데이트합니다. 안테나 스케줄링 시스템으로는 DSN(심우주 네트워크) 기지를 자율적으로 제어하는 데 사용됩니다.

AI 기술은 휴리스틱 탐색, 반복적 수리, 시간 추론에 기반합니다. 프레임워크는 일반적인 아키텍처를 가져 다양한 전파 알고리즘과 탐색 엔진을 선택해 계획 과정을 효과적으로 만들 수 있습니다. 또한 사용자는 스케줄과 상호작용하며 빠르고 효율적으로 재계획할 수 있습니다.

현재 외부 라이선스로 제공되지만 수출은 제한됩니다. 향후 ASPEN은 수리 계획과 실행을 통합하는 데 사용될 예정입니다.

참고: ai.jpl.nasa.gov

5. MISUS

다중 로버 통합 과학 이해 시스템(MISUS)은 행성 탐사를 위한 로버 제어 기술을 개발합니다. NASA가 개발한 MISUS 아키텍처는 세 가지 주요 구성요소로 이루어집니다.

데이터 분석: 비지도 클러스터링을 수행해 로버가 관측한 암석 유형 분포를 모델링하는 분산 머신러닝 시스템입니다. 로버의 센싱을 지속적으로 유도해 행성 장면의 내용물을 개선할 수 있습니다.

계획: 입력된 로버 과학 목표를 달성하기 위한 운영 계획을 생성하는 분산 계획 시스템입니다. 중앙 플래너가 과학 목표를 로버들 사이에 분배하고, 각 로버와 연관된 분산 플래너 세트가 개별 로버의 작업을 수행합니다.

환경 시뮬레이터: 여러 지질 환경과 로버 과학 작업을 모델링하는 다중 로버 시뮬레이터입니다. 모든 주변 환경의 과학 데이터를 다루고, 작업을 추적하며, 로버 과학 장비의 관측을 반영합니다.

전체 시스템은 데이터 분석 시스템이 탐사 과정을 주도하는 과학자 역할을 하는 폐루프 방식으로 작동합니다. 먼저 데이터가 로버 클러스터링 알고리즘으로 전송되어 모든 수집 데이터가 업데이트된 전역 모델로 통합되고, 새로운 모델이 분산 클러스터러로 브로드캐스트됩니다.

클러스터링 출력은 우선순위 알고리즘에 의해 모델 정확도를 더욱 개선할 새로운 관측 목표 세트를 생성하는 데 사용됩니다. 목표는 중앙 플래너로 전송되어 요청을 가장 효율적으로 처리할 수 있도록 개별 로버에 할당됩니다.

각 로버 플래너는 할당된 목표를 최대한 많이 달성하기 위한 구체적인 행동들을 생성합니다. 행동 시퀀스는 시뮬레이터로 전송되어 구현되고, 수집된 정보는 로버 클러스터러로 다시 전송됩니다. 관찰된 암석 유형에 대해 뚜렷한 클러스터가 생성될 만큼 충분한 정보가 수집될 때까지 전체 사이클이 계속됩니다.

참고: ntrs.nasa.gov

4. 분산 우주선(Distributed Spacecraft)

이 프로젝트는 개별 우주선에 대한 명령 시퀀스 대신 임무 목표를 기반으로 우주선 편대를 제어하는 최신 기술을 사용합니다.

이 연구는 분산 기술을 통해 우주선 편대와 클러스터의 고정밀 실시간 시뮬레이션을 가능하게 하는 모델링 및 시뮬레이션 역량을 발전시킵니다.

NASA는 편대의 분산된 본성을 활용해 시뮬레이션을 클러스터의 여러 프로세서에 분할하는 새로운 시뮬레이션 아키텍처를 개발 중입니다. 예를 들어 HYDRA(Hierarchical Distributed Reconfigurable Architecture)는 시뮬레이션 모듈과 기술을 혼합 및 다중 플랫폼 환경에 원활하게 배포하기 위해 개발되었습니다.

HYDRA는 시뮬레이션 모듈 간 통신 과정을 자동화합니다. 지상 행성 탐색 프로그램의 일환으로 FAST(Formation Algorithms and Simulation Testbed)에 성공적으로 주입되었습니다.

전반적인 목표는 편대 비행 유도, 추정, 제어, 의사결정 문제를 해결할 수 있는 견고하고 빠른 전역 최적화 알고리즘을 구축하는 것입니다. 여기에는 편대 비행을 위한 빠른 분산 추정기, 우주선 간 분산 자원 할당, 견고한 편대 유지 제어, 편대 연료 최적 재구성 경로 계획, 모드 명령 등이 포함됩니다.

출처: dst.jpl.nasa.gov

3. CASPER

CASPER(Continuous Activity Scheduling Planning Execution and Replanning)는 반복적 수리를 활용해 우주선의 지속적인 변경 또는 수정을 지원합니다.

기존 배치 지향 계획 모델에는 여러 단점이 있습니다. 계획을 처음부터 수립하려면 막대한 계산량이 필요하며, 탑재 컴퓨팅 자원은 일반적으로 제한적입니다.

목표는 플래너를 더 효과적이고 예상치 못한 변화에 민감하게 만드는 것입니다. 필연적인 모델링 오류 같은 예측 모델에 대한 의존도를 낮추는 플래너를 만드는 것입니다.

이를 위해 JPL은 CASPER로 알려진 지속적 계획 기법을 활용합니다. 플래너는 현재 목표 세트, 상태, 예상 결과 모델을 가집니다. 현재 상태에 대한 증분 업데이트는 언제든 적용 가능합니다. 이 업데이트는 단순한 시간 진행 조정부터 예기치 않은 사건까지 무엇이든 될 수 있습니다.

플래너는 최신 데이터와 일관된 계획을 유지합니다. 하지만 대부분 상황은 예상대로 흘러가지 않습니다. 그때 플래너가 개입해 시나리오에 따라 계획을 지속적으로 변경합니다.

다중 로버 실행 아키텍처

현재 반복적 수리 계획 접근법은 초기 상태와 목표에 대한 증분 변경을 가능하게 하고, 단계별로 충돌을 해결합니다. 각 반복 후 그 효과가 발견된 충돌에 전파되고 계획이 업데이트됩니다(예: 계획 수리 알고리즘 호출).

이 기술은 행성 로버 운영, 뉴 밀레니엄 지구 궤도 1호, 시티즌 익스플로러, 고도로 재사용 가능한 우주 운송, 분산 로버, 수정된 남극 매핑 임무 등에 사용됩니다.

참고: casper.jpl.nasa.gov

2. 화산 센서웹(Volcano Sensorweb)

이 프로젝트는 인터넷과 소프트웨어로 연결된 센서 네트워크를 자율 위성 관측 대응 능력과 연계합니다. 센서 확장, 트리거 시나리오 및 대응 커스터마이징을 용이하게 하는 모듈식, 유연한 아키텍처로 개발되었습니다.

현재까지 전 세계 화산을 조사하는 글로벌 감시 프로젝트를 구현하는 데 사용되었습니다. 또한 NASA는 센서웹 테스트를 통해 빙권 현상, 홍수, 대기 현상을 연구합니다.

센서웹 탐지 및 대응 아키텍처

여러 운영 위성이 데이터를 무료로 제공합니다. 예를 들어 MODIS(중해상도 영상 분광계) 데이터는 다이렉트 브로드캐스트를 통해 거의 실시간으로 이용 가능합니다. 이 데이터는 인상적인 감지 능력으로 전 지구적, 지역적 커버리지를 제공합니다.

그러나 이러한 장비들은 많은 과학 응용에 적합한 고해상도 데이터를 제공하지 않습니다. 사실 대부분 고수요 자산이며 제약이 심합니다.

화산 센서웹에서는 고커버리지 저해상도 센서를 사용해 고해상도 장치의 관측을 트리거합니다. 센서 네트워크를 센서웹으로 통합하는 다른 이유도 많습니다. 예를 들어 자동 대응으로 영상 레이더 같은 복잡한 장치를 통한 관측이 가능해지거나, 관측 빈도를 높여 시간 해상도를 향상시킬 수 있습니다.

참고 읽기: NASA의 안전 크리티컬 프로그램을 위한 10가지 코딩 규칙

현재 지구상에서 가장 활발한 화산 50곳을 모니터링하는 데 사용되고 있습니다. 또한 NASA는 산불, 홍수, 빙권 현상 모니터링 실험도 수행합니다.

참고: ai.jpl.nasa.gov

1. ASE(Autonomous Sciencecraft Experiment)

이전 NASA 임무(2000년 이전)에 사용된 우주선은 우주에서 수집한 데이터를 기반으로 자율적 결정을 내릴 능력이 없었습니다. 그러나 2003년부터 지구 관측-1 임무에 탑재되어 운영 중인 ASE(Autonomous Sciencecraft Experiment)는 지속적 계획, 탑재 패턴 인식, 머신러닝을 사용해 효율성을 높입니다.

ASE 소프트웨어는 탑재 의사결정을 사용해 이벤트를 식별, 조사, 대응하고 가장 높은 가치를 지닌 데이터만 다운링크하는 능력을 보여줍니다.

이 AI 기술에는 다음과 같은 유용한 모듈이 포함됩니다.

• 이미지 데이터를 분석해 트리거 조건을 탐지하는 탑재 과학 알고리즘
• 이벤트 기반 처리와 저수준 자율성을 가능하게 하는 강력한 실행 관리 소프트웨어
• 다운링크 같은 중요한 활동을 재계획하는 CASPER 소프트웨어

ASE는 지구 과학, 우주 물리학, 행성 과학에서 광범위한 새로운 기회를 엽니다. 이 기술은 이상 현상으로 인한 다운타임을 줄이고, 자율 소프트웨어를 활용해 장비 설정 시간을 단축하며, 고정된 다운링크 대비 과학 성과를 극적으로 증가시킵니다.

참고 읽기: NASA의 미래 최대 임무 13가지

초기에 ASE는 고수준 목표를 모니터링할 과학 목표를 포함합니다. CASPER는 주기적으로 목표를 모니터링하기 위한 계획(하이페리온 기기 사용)을 생성합니다. 탑재 과학 알고리즘이 이미지를 검사하고 탐지 결과에 따라 이미지를 다운링크합니다. 적절한 이벤트가 없으면 과학 소프트웨어가 플래너에 다음 우선순위 목표 획득을 명령합니다.

그 후 SCL 소프트웨어가 CASPER가 생성한 계획을 다양한 자율 요소와 함께 구현하고, 이 사이클이 후속 관측에서 반복됩니다.

참고: ieeexplore.ieee.org