Souhrn
Výzkumníci ze Stanfordské univerzity vyvinuli systém založený na strojovém učení, který umožňuje autonomní navigaci robota Astrobee na Mezinárodní vesmírné stanici (ISS). Jedná se o první úspěšnou demonstraci takového řízení v reálném vesmírném prostředí, prezentovanou na konferenci International Conference on Space Robotics (iSpaRo) 2025. Tento pokrok přináší robotům větší flexibilitu při manipulaci s nákladem nebo inspekcích bez zásahu astronautů.
Klíčové body
- První nasazení machine-learning-based control na ISS pro robota Astrobee.
- Astrobee je kostkový robot s ventilátorovým pohonem určený k autonomní navigaci v modulech stanice.
- Tradiční plánovací algoritmy selhávají v komplexním prostředí ISS kvůli omezenému výkonu palubních počítačů.
- Systém zvládá propojené moduly plné počítačů, úložišť, kabeláže a experimentálního vybavení.
- Výzkum vede Somrita Banerjee z Stanfordu, publikováno v roce 2025.
Podrobnosti
Mezinárodní vesmírná stanice představuje extrémně náročné prostředí pro autonomní roboty: tvoří ji propojené moduly s hustou sítí zařízení, kde se musí robot vyhýbat překážkám v reálném čase bez lidského zásahu. Robot Astrobee, vyvinutý NASA, je kompaktní zařízení velikosti toustovače s ventilátory pro pohyb v beztížném stavu. Slouží k přesouvání nákladu, kontrole úniků nebo monitoringu zařízení.
Tradiční autonomní plánovací metody, úspěšné na Zemi, selhávají na ISS kvůli nízkému výkonu letových počítačů, které nedokážou zpracovávat složité 3D mapy a dynamické změny v reálném čase. Stanfordský tým pod vedením Somrity Banerjee, doktorky v oboru robotiky, navrhl řídicí systém založený na strojovém učení. Tento přístup trénuje model na simulacích ISS prostředí, aby generoval bezpečné trajektorie přímo na palubě, bez potřeby detailního mapování.
Systém byl testován v reálných podmínkách ISS, kde Astrobee úspěšně navigoval úzkými koridory, vyhýbal se kabelům a zařízením. Na rozdíl od klasických algoritmů jako A* nebo RRT, které vyžadují vysoký výpočetní výkon, machine learning model běží efektivně na omezeném hardwaru díky neuronovým sítím optimalizovaným pro edge computing. Banerjee zdůrazňuje, že tento přístup není pouze o navigaci, ale o adaptabilitě na nečekané změny, jako jsou dočasně umístěné překážky.
Výzkum byl publikován a prezentován na iSpaRo 2025, což je klíčová konference pro vesmírnou robotiku. NASA již Astrobee nasadila pro rutinní úkoly, ale dosud závisela na teleoperaci nebo jednoduchých skriptech. Nový systém přináší plnou autonomii, což znamená méně manuálního zásahu od astronautů.
Proč je to důležité
Tento pokrok posouvá hranice robotické autonomie v extrémních podmínkách, kde selhávají konvenční metody. Pro vesmírný průmysl znamená úsporu času astronautů – místo řízení robotů mohou se věnovat vědeckým experimentům nebo údržbě. V širším kontextu AI a robotiky demonstruje, jak machine learning zvládá reálný svět lepši než rigidní algoritmy, což má aplikace i na Zemi v továrnách nebo nemocnicích.
Dlouhodobě to otevírá cestu k robotickým misím na Měsíci nebo Marsu, kde komunikace s Zemí trvá minuty. Kriticky lze poznamenat, že systém stále závisí na kvalitních senzorech Astrobee (kamery, LIDAR) a vyžaduje validaci v dlouhodobém nasazení, aby se prokázala robustnost proti poruchám. Nicméně jako první krok k AI-řízeným flotilám robotů na ISS je to významný milník, s potenciálem ovlivnit budoucí mise jako Artemis nebo Mars Sample Return.
Zdroj: 📰 Space Daily
