6 Proyek AI Teratas NASA yang Mendorong Eksplorasi Luar Angkasa

Untuk mempelajari Bumi dan menjelajahi ruang angkasa yang luas, NASA memanfaatkan kemajuan terkini dalam Kecerdasan Buatan (AI). Grup AI Laboratorium Propulsi Jet melakukan penelitian mendasar di bidang Perencanaan dan Penjadwalan Kecerdasan Buatan, dengan penerapan pada analisis sains, operasi jaringan luar angkasa, komando pesawat ruang angkasa, dan sistem transportasi luar angkasa.

Hari ini, kami akan menguraikan beberapa proyek besar yang sedang dikerjakan JPL. Sebagian besar terkait dengan teknologi perencanaan, otonomi pesawat ruang angkasa, dan otonomi penjelajah.

6. ASPEN

GUI ASPEN

Grup AI di JPL telah mengerjakan sistem yang dikenal sebagai ASPEN (singkatan dari Automated Scheduling and Planning Environment). Ini adalah kerangka kerja modular dan dapat dikonfigurasi ulang yang dapat mendukung berbagai jenis aplikasi perencanaan dan penjadwalan.

Kerangka kerja ini mencakup berbagai komponen yang mengimplementasikan elemen, sebagian besar ditemukan dalam sistem perencanaan atau penjadwalan yang kompleks, seperti sistem penalaran temporal, sistem manajemen sumber daya, bahasa pemodelan ekspresif, dan antarmuka grafis. Secara khusus, ini digunakan dalam perencanaan desain misi, operasi pesawat ruang angkasa, perencanaan penjelajah permukaan, perencanaan penjelajahan ganda yang terkoordinasi, dan perencanaan penjelajahan ganda.

Sebagai sistem berbasis darat, ASPEN menggunakan model pesawat ruang angkasa internal dan berbagai tujuan tingkat tinggi untuk memberikan perintah khusus yang akan dijalankan oleh pesawat ruang angkasa. Sebagai sistem berbasis penerbangan, sistem ini terus menerima pembaruan status penjelajah dan memperbarui rencana untuk mencerminkan perubahan di sekitarnya. Sebagai sistem penjadwalan antena, ini digunakan untuk mengontrol stasiun DSN secara mandiri.

Teknologi AI didasarkan pada pencarian heuristik, perbaikan berulang, dan penalaran temporal. Kerangka kerja ini memiliki arsitektur umum yang memudahkan pemilihan algoritma propagasi dan mesin pencari yang berbeda untuk membuat proses perencanaan menjadi efektif. Selain itu, pengguna dapat berinteraksi dengan jadwal dan merencanakan ulang dengan cepat dan efisien.

Saat ini tersedia untuk lisensi eksternal tetapi tidak untuk ekspor. Kedepannya, ASPEN akan digunakan untuk mengintegrasikan perencanaan perbaikan dengan pelaksanaan.

Referensi: ai.jpl.nasa.gov

5. SALAH

Sistem Pemahaman Sains Terintegrasi Multi-Rover (MISUS) mengembangkan teknologi untuk mengendalikan penjelajah untuk eksplorasi planet. Arsitektur MISUS yang dikembangkan oleh NASA terdiri dari tiga komponen utama – 

Analisis Data: Sistem pembelajaran mesin terdistribusi, melakukan pengelompokan tanpa pengawasan untuk memodelkan distribusi jenis batuan yang diamati oleh penjelajah. Hal ini dapat mengarahkan penginderaan penjelajah untuk terus meningkatkan konten pemandangan planet.

Perencanaan: Sistem perencanaan terdistribusi, menghasilkan rencana operasi untuk mencapai tujuan sains penjelajah masukan. Terdapat perencana pusat yang membagi tujuan sains di antara penjelajah, dan kumpulan perencana terdistribusi yang terkait dengan setiap operasi pada penjelajah individu.

Simulator Lingkungan: Simulator penjelajah ganda, yang memodelkan beberapa lingkungan geologi dan operasi sains penjelajah. Teknologi ini menangani data sains di lingkungan sekitar, melacak operasi, dan mencerminkan pengamatan peralatan sains penjelajah.

Sistem keseluruhan beroperasi secara loop tertutup di mana sistem analisis data dapat dipandang sebagai ilmuwan yang menggerakkan proses eksplorasi. Pertama, data dikirimkan ke algoritme pengelompokan rover, yang mengintegrasikan semua data yang dikumpulkan ke dalam model global yang diperbarui dan menyiarkan model baru tersebut kembali ke pengelompokan terdistribusi.

Keluaran pengelompokan digunakan oleh algoritme penentuan prioritas untuk menghasilkan serangkaian sasaran observasi baru, yang selanjutnya akan meningkatkan akurasi model. Sasaran tersebut kemudian diteruskan ke perencana pusat yang menugaskan penjelajah individu ke sasaran dengan cara yang paling efisien dalam memproses permintaan.

Setiap perencana penjelajah kemudian menghasilkan beberapa tindakan spesifik yang akan mencapai sebanyak mungkin tujuan yang ditetapkan. Urutan tindakan tersebut kemudian dikirim ke simulator tempat tindakan tersebut diterapkan dan informasi apa pun yang dikumpulkan dikirim kembali ke cluster rover. Seluruh siklus berlanjut hingga informasi yang cukup dikumpulkan untuk menghasilkan kelompok yang berbeda untuk setiap jenis batuan yang diamati.

Referensi:ntrs.nasa.gov

4. Pesawat Luar Angkasa Terdistribusi

Proyek ini menggunakan teknologi terbaru untuk mengendalikan konstelasi pesawat ruang angkasa dengan tujuan misi, bukan urutan perintah untuk setiap pesawat ruang angkasa.

Penelitian ini meningkatkan kemampuan pemodelan dan simulasi untuk memungkinkan simulasi formasi dan cluster pesawat ruang angkasa dengan presisi tinggi dan real-time melalui teknologi terdistribusi.

NASA sedang mengembangkan arsitektur simulasi baru untuk memanfaatkan sifat terdistribusi dari formasi dan membagi simulasi di antara beberapa prosesor dalam satu cluster. HYDRA (Hierarchical Distributed Reconfigurable Architecture), misalnya, dikembangkan untuk menerapkan modul dan teknologi simulasi dengan lancar di lingkungan campuran dan multi platform.

HYDRA mengotomatiskan proses komunikasi antar modul simulasi. Teknologi ini telah berhasil dimasukkan ke dalam FAST (Formation Algorithms and Simulasi Testbed) sebagai bagian dari program Terrestrial Planet Finder.

Baca:NASA Akan Menggunakan Kecerdasan Buatan Untuk Jaringan Komunikasi Luar Angkasa

Tujuan keseluruhannya adalah untuk membangun algoritme pengoptimalan global yang kuat dan cepat yang dapat memecahkan masalah panduan terbang, estimasi, pengendalian, dan pengambilan keputusan formasi. Hal ini mencakup penduga terdistribusi cepat untuk penerbangan formasi, alokasi sumber daya terdistribusi di antara pesawat ruang angkasa, kontrol pemeliharaan formasi yang kuat, perencanaan jalur konfigurasi ulang bahan bakar formasi yang optimal, dan perintah mode.

Sumber: dst.jpl.nasa.gov

3. CASPER

CASPER (singkatan dari Eksekusi dan Perencanaan Ulang Perencanaan Aktivitas Berkelanjutan) memanfaatkan perbaikan berulang untuk mendukung perubahan atau modifikasi pesawat ruang angkasa secara berkelanjutan.

Model perencanaan berorientasi batch konvensional memiliki beberapa kekurangan. Membuat rencana dari awal memerlukan banyak komputasi, dan sumber daya komputasi internal biasanya terbatas.

Tujuannya adalah membuat perencana lebih efektif dan responsif terhadap perubahan yang tidak terduga. Perencana yang dapat mengurangi ketergantungan pada model prediktif, seperti kesalahan pemodelan yang tidak dapat dihindari.

Untuk mencapai hal ini, JPL menggunakan teknik perencanaan berkelanjutan yang disebut CASPER.  Perencana memiliki serangkaian tujuan saat ini, statusnya, dan model hasil yang diharapkan. Pembaruan bertahap pada status saat ini dapat diterapkan kapan saja. Pembaruan ini dapat berupa apa saja, mulai dari perubahan sederhana yang berlangsung hingga kejadian tak terduga.

Perencana selanjutnya memelihara rencana yang konsisten dengan data terkini yang tersedia. Namun, sering kali, segala sesuatunya tidak berjalan sesuai harapan. Di sinilah perencana mengambil tindakan – ia siap untuk terus mengubah rencana sesuai skenario.

Arsitektur Eksekusi Multi-Rover

Pendekatan perencanaan perbaikan berulang saat ini memungkinkan perubahan bertahap pada keadaan awal serta tujuan dan kemudian menyelesaikan konflik secara bertahap. Setelah setiap iterasi, efeknya akan disebarkan ke konflik yang ditemukan dan rencana diperbarui (misalnya algoritma perbaikan rencana dipanggil).

Teknologi ini digunakan dalam Operasi Penjelajah Planet, Pengorbitan Bumi Milenium Baru 1, Penjelajah Warga Negara, transpirasi ruang angkasa yang sangat dapat digunakan kembali, Penjelajah Terdistribusi, Misi Pemetaan Antartika yang Dimodifikasi, dan banyak lagi.

Referensi: casper.jpl.nasa.gov

2. Web Sensor Gunung Berapi

Proyek ini menggunakan jaringan sensor yang dihubungkan melalui internet dan perangkat lunak untuk kemampuan respons observasi satelit otonom. Ini dikembangkan dengan arsitektur modular dan fleksibel untuk memfasilitasi perluasan sensor, penyesuaian skenario pemicu, dan respons.

Hingga saat ini, alat tersebut telah digunakan untuk melaksanakan proyek pengawasan global untuk memeriksa gunung berapi. Selain itu, NASA menjalankan pengujian sensorweb untuk mempelajari peristiwa kriosfer, banjir, dan fenomena atmosfer.

Arsitektur Deteksi dan Respons Sensorweb

Beberapa satelit operasional menyediakan datanya secara gratis, seperti data dari MODIS (Moderate Resolusi Imaging Spectrometer) yang tersedia hampir secara real time melalui Siaran Langsung. Data ini memberikan cakupan global dan regional dengan kemampuan penginderaan yang mengesankan.

Namun, peralatan ini tidak menyediakan data dalam resolusi tinggi yang sesuai untuk banyak aplikasi sains. Faktanya, sebagian besar merupakan aset dengan permintaan tinggi dan sangat terbatas.

Di Volcano Sensorweb, sensor dengan cakupan tinggi dan resolusi rendah digunakan untuk memicu observasi oleh perangkat resolusi tinggi. Selain itu, ada banyak alasan lain untuk jaringan sensor menjadi jaringan sensor. Misalnya, respons otomatis dapat memungkinkan observasi melalui perangkat kompleks seperti radar pencitraan. Atau, mereka dapat digunakan untuk meningkatkan frekuensi observasi guna meningkatkan resolusi temporal.

Baca:10 Aturan Pengkodean NASA untuk Menulis Program Kritis Keselamatan

Untuk saat ini, alat ini digunakan untuk memantau 50 gunung berapi paling aktif di Bumi. Selain itu, NASA juga menjalankan eksperimen untuk memantau kebakaran hutan, banjir, dan peristiwa kriosfer.

Referensi: ai.jpl.nasa.gov

1. ASE

Pesawat luar angkasa yang digunakan dalam misi NASA sebelumnya (sebelum tahun 2000) tidak memiliki kemampuan untuk mengambil keputusan secara mandiri berdasarkan data yang mereka kumpulkan di luar angkasa. Namun, ASE (Autonomous Sciencecraft Experiment (ASE) yang dioperasikan dalam misi Earth Observing-1 sejak tahun 2003, menggunakan perencanaan berkelanjutan, pengenalan pola di dalam pesawat, dan pembelajaran mesin untuk meningkatkan efisiensi.

Perangkat lunak ASE menunjukkan kemampuan untuk menggunakan pengambilan keputusan di kapal untuk mengidentifikasi, memeriksa, dan merespons peristiwa dan hanya melakukan downlink pada data yang mengandung nilai tertinggi.

Teknologi AI ini mencakup banyak modul berguna seperti

• Mengintegrasikan algoritma sains untuk menganalisis data gambar guna mendeteksi kondisi pemicu
• Perangkat lunak manajemen eksekusi yang tangguh untuk memungkinkan pemrosesan berbasis peristiwa dan otonomi tingkat rendah.
• Perangkat lunak CASPER untuk merencanakan ulang aktivitas penting seperti downlink.

ASE membuka berbagai peluang baru dalam ilmu kebumian, fisika luar angkasa, dan ilmu keplanetan. Teknologi ini mengurangi waktu henti yang hilang karena anomali, mengurangi waktu penyiapan peralatan dengan menggunakan perangkat lunak otonom, dan secara signifikan meningkatkan ilmu pengetahuan per downlink tetap.

Baca:13 Misi Terbesar NASA di Masa Depan

Awalnya, ASE berisi target sains untuk memantau tujuan tingkat tinggi. CASPER digunakan untuk menghasilkan rencana pemantauan target secara berkala (menggunakan instrumen Hyperion). Algoritme sains onboard memeriksa gambar dan gambar tersebut di-downlink berdasarkan pendeteksiannya. Jika tidak ada peristiwa yang sesuai, perangkat lunak sains memerintahkan perencana untuk memperoleh target prioritas tertinggi berikutnya.

Kemudian, perangkat lunak SCL mengimplementasikan rencana yang dihasilkan oleh CASPER bersama dengan elemen otonomi yang berbeda dan siklus ini diulangi pada observasi berikutnya.

Referensi: ieeexplore.ieee.org