Quand nous pensons aux robots, nous avons tendance à personnifier ces aides non humaines et à leur donner des caractéristiques humaines. Mais même si beaucoup de recherches ont été consacrées au développement de ces machines humanoïdes, nous sommes encore loin d’un monde où elles pourraient prendre le dessus, ou même imiter les actions d’une personne.
Le terme «intelligence artificielle (IA)» comprend toutes les techniques qui permettent aux ordinateurs d’imiter l’intelligence, par exemple, les ordinateurs qui analysent les données ou les systèmes intégrés dans un véhicule autonome. Habituellement, les systèmes artificiels intelligents sont enseignés par les humains – un processus qui implique l’écriture d’un tas de code informatique complexe.
Mais l’intelligence artificielle peut aussi être atteinte par l’apprentissage automatique (ML), qui enseigne aux machines à apprendre par elles-mêmes. ML est un moyen de « former » un algorithme relativement simple pour devenir plus complexe. D’énormes quantités de données sont introduites dans l’algorithme, qui s’ajuste et s’améliore au fil du temps. En ML, les machines traitent l’information de la même manière que les humains en développant des réseaux neuronaux artificiels. Ce type d’intelligence artificielle a fait de grands progrès depuis l’aube de l’Internet.
L’apprentissage profond (DL) est une technique spécialisée au sein de ML, où la machine utilise des réseaux de neurones artificiels multicouches pour s’entraîner à des tâches complexes comme la reconnaissance d’image. Cela peut se faire via un apprentissage supervisé (par exemple, alimenter les images Lune et Terre du système jusqu’à ce qu’il puisse identifier les deux types avec succès) ou un apprentissage non supervisé, où le réseau trouve la structure par lui-même. De bons exemples d’apprentissage en profondeur sont les services de traduction en ligne, les bibliothèques d’images et les systèmes de navigation pour voitures autonomes ou vaisseaux spatiaux.
AI / ML dans l’espace [Vous devez être inscrit et connecté pour voir cette image]
Les implémentations AI les plus réussies basées sur DL sont rarement utilisées dans l’industrie spatiale aujourd’hui, car les modèles (statistiques) développés dans le réseau neuronal ne sont pas lisibles par l’homme et ont été impossibles à reproduire jusqu’à présent.
L’IA, et en particulier le ML, a encore un long chemin à parcourir avant d’être largement utilisé pour les applications spatiales, mais nous commençons déjà à le voir mis en œuvre dans de nouvelles technologies. Un domaine dans lequel les applications potentielles de l’IA font l’objet d’investigations approfondies concerne les opérations satellitaires, en particulier pour soutenir le côté opérationnel des grandes constellations de satellites, ce qui inclut le positionnement relatif, la communication, la gestion de fin de vie, etc.
Les systèmes ML sont également couramment utilisés dans les applications spatiales pour approcher des représentations complexes du monde réel. Par exemple, lors de l’analyse de quantités massives de données d’observation de la Terre ou de données de télémesure provenant d’engins spatiaux, la LM joue un rôle important.
Les applications potentielles de l’IA font également l’objet d’investigations approfondies dans les opérations satellitaires, en particulier pour soutenir l’exploitation de grandes constellations de satellites, y compris le positionnement relatif, la communication et la gestion de fin de vie.
En outre, il est de plus en plus courant de trouver des systèmes ML analysant l’énorme quantité de données provenant de chaque mission spatiale. Les données de certains rovers martiens sont transmises en utilisant l’IA, et ces rovers ont même appris à naviguer par eux-mêmes.
Son développement a parcouru un long chemin au cours des deux dernières décennies, mais les modèles compliqués et les structures nécessaires pour le BC devront être améliorés avant de pouvoir être très utiles. AI manque actuellement de la fiabilité et de l’adaptabilité requises dans les nouveaux logiciels; ces qualités devront être améliorées avant de prendre le relais de l’industrie spatiale.
Activités de découverte et de préparation [Vous devez être inscrit et connecté pour voir cette image]
Dans le cadre des activités de base de l’ESA, un certain nombre d’études ont porté sur l’utilisation de l’intelligence artificielle pour les applications spatiales et les opérations spatiales. Actuellement, les vaisseaux spatiaux doivent communiquer avec la Terre pour faire leur travail, mais le développement de vaisseaux spatiaux autonomes utilisant l’intelligence artificielle pour se prendre en charge serait très utile pour explorer de nouvelles parties du système solaire et réduire les coûts de mission. Une étude plus ancienne sur les exigences d’autonomie pour les futures constellations d’engins spatiaux a identifié la technologie nécessaire pour améliorer l’automatisation, y compris la navigation autonome, l’analyse télémétrique automatisée et l’évolutivité des logiciels.
Une activité actuelle se concentre sur la gestion de constellations complexes pour lesquelles de nouvelles procédures automatisées sont étudiées afin de réduire la charge de travail active des opérateurs au sol. L’automatisation des segments sol et espace réduira le besoin d’intervention humaine – en particulier pour les grandes constellations, les manœuvres automatisées d’évitement des collisions pourraient être d’une aide précieuse.
La technologie spatiale et les applications spatiales produisent une énorme quantité de données, y compris des données de télémétrie et des données sur les produits – les données scientifiques utiles que recueille un engin spatial, par exemple des informations sur la Terre provenant d’un satellite d’observation de la Terre. Une autre application de ML comprend l’analyse de toutes ces données. Une étude réalisée dans le cadre des activités de base de l’ESA a introduit des données de missions historiques dans des algorithmes de ML pour rechercher de nouvelles fonctionnalités utiles pour les futurs contrôles de télémétrie, de vérification de commande et d’écriture de procédures.
[Vous devez être inscrit et connecté pour voir cette image] Astro drone
Les systèmes d’apprentissage en profondeur apprennent grâce à une alimentation de données non supervisée ou à un apprentissage renforcé. Il existe de nombreuses applications possibles de DL, y compris l’atterrissage automatique, la prise de décision intelligente et les systèmes entièrement automatisés. L’équipe Advanced Concepts Team (ACT) de l’ESA est très active dans ce domaine.
En particulier, l’ACT a récemment étudié le calcul évolutif, qui consiste à écrire du code informatique de manière à ce que toutes les évolutions soient prises en compte. Les meilleurs résultats sont conservés, et les plus mauvais sont rejetés – tout comme dans l’évolution biologique. Une application de ceci a été de calculer les trajectoires des planètes.
L’ACT a également étudié l’utilisation du ML dans le domaine de l’orientation, de la navigation et du contrôle. En particulier, ils se sont penchés sur l’utilisation de gros essaims de petits robots qui partagent leurs informations en réseau: si un robot apprend de l’expérience qu’une certaine manœuvre est bénéfique, tout l’essaim apprend cela. C’est ce qu’on appelle l’apprentissage de la ruche.
D’autres exemples d’activités d’IA soutenues par l’ACT comprennent l’étude d’une application de téléphone mobile de science communautaire qui améliorera les capacités autonomes des sondes spatiales et optimisera les systèmes de suivi des étoiles.
Applications à l’échelle de l’ESA d’AI / ML [Vous devez être inscrit et connecté pour voir cette image]
Passer de ces activités de base à des applications spatiales réelles peut sembler un grand pas mais l’ESA commence déjà à utiliser beaucoup d’IA et de ML dans ses missions spatiales. Par exemple, les rôdeurs peuvent contourner les obstacles en se frayant un chemin de façon autonome dans des champs «inconnus». L’intelligence artificielle aide également les astronautes à bord de la Station spatiale internationale.
Un logiciel intelligent de transmission de données à bord des robots rovers de Mars élimine les erreurs d’ordonnancement humaines qui peuvent autrement entraîner la perte de données précieuses. Cela augmente les données utiles qui proviennent de notre voisin planétaire. La même technologie pourrait également être utilisée dans des missions à long terme qui exploreront le système solaire, ce qui signifie qu’ils nécessiteront une surveillance minimale de la part des contrôleurs humains sur Terre.
En outre, l’ESA a acquis une grande expérience en utilisant l’IA pour parcourir d’énormes quantités de données afin d’extraire des informations significatives. Cette technique a déjà été mise en œuvre dans des applications plus «terrestres», notamment en surveillant le nombre de voitures dans un centre commercial, en prédisant les performances financières des détaillants et en soutenant les forces de police dans leurs efforts pour attraper les coupables.
Que font les autres agences spatiales dans ce domaine ? [Vous devez être inscrit et connecté pour voir cette image]
Le Centre aérospatial allemand a récemment lancé un assistant IA pour soutenir ses astronautes dans leurs tâches quotidiennes à bord de la Station spatiale internationale. Le CIMON (Crew Interactive MObile companioN) entièrement commandé par la voix est capable de voir, de parler, d’entendre, de comprendre et même de voler!
La NASA étudie comment rendre les réseaux de communication plus efficaces et plus fiables en utilisant la radio cognitive, qui détecte les zones de «bruit blanc» dans les bandes de communication et les utilise pour transmettre des données. Cela maximise l’utilisation des bandes de télécommunication limitées disponibles et minimise les temps de retard. En ce qui concerne l’exploration de l’espace lointain, la NASA a également envisagé de concevoir des engins spatiaux et des atterrisseurs plus autonomes, afin que les décisions puissent être prises sur place, éliminant le retard résultant des temps de relais de communication. La NASA a également coopéré avec Google pour former ses algorithmes d’IA étendus afin de passer au crible les données de la mission Kepler pour rechercher les signaux d’une exoplanète traversant devant son étoile parente. Cette collaboration réussie a conduit à la découverte de deux nouvelles exoplanètes précédemment manquées par des scientifiques humains. Après son succès initial, le projet va maintenant parcourir les données d’autres missions pour continuer sa recherche.
Des algorithmes d’apprentissage automatique peuvent être utilisés pour identifier et regrouper rapidement les débris que les comètes laissent dans leur sillage, par exemple pour que les décisions sur les manœuvres d’évitement de collision puissent être anticipées.
Utilisant la richesse des données de l’ESA et de la NASA dans tout notre système solaire, le projet AIDA (Artificial Intelligence Data Analysis), financé par le cadre européen Horizons 2020, développe un système intelligent qui lira et traitera les données spatiales, afin d’apporter à propos de nouvelles découvertes, révéler des anomalies et reconnaître les structures.
[Vous devez être inscrit et connecté pour voir cette image] JAXA Int-Ball
L’Agence Spatiale Japonaise a développé un système intelligent qui est actuellement à bord de la Station Spatiale Internationale en prenant des photos d’expériences dans le module japonais, KIBO. Int-Ball de JAXA fonctionne de manière autonome et peut prendre des photos et des vidéos. Il a été développé pour favoriser l’autonomie des expériences extra et intra-véhiculaires, tout en cherchant à acquérir la technologie robotique nécessaire aux futures missions d’exploration.
Source : https://jack35.wordpress.com & ESA
_________________ [Vous devez être inscrit et connecté pour voir cette image] le.cricket vous salue bien !