نخستین ماهواره با کنترل مبتنی بر هوش مصنوعی به مدار زمین رسید

تیمی از پژوهشگران دانشگاه آلمانی یولیوس–ماکسیمیلیان وورتسبورگ برای نخستین‌بار در جهان توانستند یک ماهواره را به‌طور کامل با سامانه کنترل وضعیت مبتنی بر هوش مصنوعی در مدار هدایت کنند. این آزمایش بر روی ماهواره کوچک اینوکیوب انجام شد و مسیر تازه‌ای به‌سوی توسعه سامانه‌های کاملا خودران فضایی گشود.

تیمی از پژوهشگران دانشگاه آلمانی یولیوس–ماکسیمیلیان وورتسبورگ (JMU) موفق شدند برای نخستین‌بار یک سامانه کنترل وضعیت مبتنی بر هوش مصنوعی را مستقیما در مدار زمین مورد آزمون قرار دهند. این آزمون با موفقیت بر روی ماهواره نانویی 3U اینوکیوب (InnoCube) انجام شد.

در گذر مداری این ماهواره بین ساعت ۱۱:۴۰ تا ۱۱:۴۹ پیش از ظهر به وقت اروپای مرکزی در تاریخ ۳۰اکتبر۲۰۲۵، عامل هوش مصنوعی توسعه‌یافته در دانشگاه آلمانی یولیوس–ماکسیمیلیان وورتسبورگ یک مانور کامل تغییر وضعیت را به‌طور مستقل اجرا کرد. این سامانه با استفاده از چرخ‌های عکس‌العملی، ماهواره را از حالت اولیه به موقعیتی از پیش تعیین‌شده هدایت کرد. در آزمایش‌های بعدی نیز این عامل هوش مصنوعی چندین بار وضعیت ماهواره را با دقت و ایمنی بالا به موقعیت موردنظر رساند. تیم تحقیقاتی لِلار (LeLaR) با این اقدام یک گام مهم در حوزه فناوری‌های فضایی برداشت.

پروژه «نمایشگر مداری برای کنترل یادگیرنده وضعیت» یا للار با هدف توسعه نسل آینده سامانه‌های کنترل وضعیت خودکار طراحی شده است. تمرکز این پروژه بر طراحی، آموزش و آزمایش در مدار یک کنترل‌کننده وضعیت مبتنی بر هوش مصنوعی در ماهواره اینوکیوب قرار داشت. سامانه‌های کنترل وضعیت وظیفه دارند ماهواره‌ها را در مدار پایدار نگه دارند، از چرخش یا واژگونی آن‌ها جلوگیری کنند و جهت‌گیری فضاپیما را برای انجام ماموریت‌های مختلف مانند تنظیم موقعیت دوربین‌ها، حسگرها یا آنتن‌ها کنترل نمایند.

وجه تمایز کار تیم وورتسبورگ، استفاده از روش یادگیری تقویتی عمیق (Deep Reinforcement Learning به اختصار DRL) به‌جای الگوریتم‌های سنتی است. در این روش، شبکه عصبی در یک محیط شبیه‌سازی‌شده، راهبرد کنترل بهینه را به‌صورت خودکار فرا می‌گیرد. مزیت اصلی روش DRL سرعت و انعطاف‌پذیری آن در مقایسه با کنترل‌کننده‌های کلاسیک است. سامانه‌های سنتی معمولا نیازمند تنظیمات دستی فراوان توسط مهندسان هستند که این فرایند ممکن است ماه‌ها یا حتی سال‌ها زمان ببرد. در مقابل، روش یادگیری تقویتی عمیق این روند را به‌صورت خودکار انجام می‌دهد و امکان انطباق آنی با فاصله میان شرایط واقعی و پیش‌بینی‌شده را بدون نیاز به کالیبراسیون دستی فراهم می‌کند.

پیش از پرتاب، کنترل‌کننده هوش مصنوعی روی زمین در یک شبیه‌ساز دقیق آموزش داده شد و سپس به مدل پروازی ماهواره منتقل گردید. یکی از چالش‌های اصلی این پروژه، غلبه بر فاصله میان محیط شبیه‌سازی‌شده و شرایط واقعی فضا، یا همان شکاف «Sim2Real»، بود.

با موفقیت این آزمایش، تیم دانشگاه آلمانی یولیوس–ماکسیمیلیان وورتسبورگ نشان داد که هوش مصنوعی می‌تواند در ماموریت‌های حساس و نیازمند ایمنی بالا در فضا نیز عملکرد قابل اتکایی داشته باشد. افزایش اعتماد به چنین فناوری‌هایی گامی مهم در مسیر ماموریت‌های خودکار آینده است؛ به‌ویژه در ماموریت‌های سیاره‌ای یا اعماق فضا که دخالت انسان به‌دلیل فاصله زیاد یا تاخیر ارتباطی امکان‌پذیر نیست. در این ماموریت‌ها، سامانه‌های هوش مصنوعی می‌توانند برای حفظ عملکرد فضاپیما ضروری باشند. این موفقیت همچنین نشان می‌دهد که پروژه للار به یکی از اهداف اصلی خود دست یافته است.

آزمایش روی ماهواره اینوکیوب که در همکاری با دانشگاه آلمانی فنی برلین (TU Berlin) ساخته شده، انجام گرفت. این ماهواره بستری برای آزمایش فناوری‌های نوین فضایی است و امکان بررسی مستقیم مفاهیم جدید در مدار را فراهم می‌کند. یکی از نوآوری‌های مهم این ماموریت، فناوری اسکیت (SKITH به اختصار Skip The Harness) است که با حذف سیم‌کشی سنتی، داده‌ها را به‌صورت بی‌سیم منتقل می‌کند. این فناوری علاوه بر کاهش وزن فضاپیما، احتمال بروز خطا در کابل‌ها را نیز کاهش می‌دهد.