Исследователи из Стэнфорда первыми продемонстрировали, что управление с помощью машинного обучения может безопасно управлять роботом на борту МКС, заложив основу для более автономных космических миссий.

Представьте себе робота размером с тостер, парящего по узким коридорам Международной космической станции, бесшумно перемещающего грузы или проверяющего герметичность — и всё это без участия астронавта. Такая технология могла бы освободить драгоценное время астронавтов и открыть новые возможности для робототехнических исследований.

Эта научно-фантастическая мечта становится все более реальной теперь, когда исследователи из Стэнфорда первыми продемонстрировали, что управление на основе машинного обучения может работать на борту МКС.

Новое исследование, представленное на Международной конференции по космической робототехнике (iSpaRo) 2025 года, представляет собой систему, предназначенную для автономной навигации по Международной космической станции робота Astrobee кубической формы, работающего от вентилятора. Статья также опубликована на сервере препринтов arXiv .

МКС — это сложная система, состоящая из взаимосвязанных модулей, оснащенных компьютерами, системами хранения данных, проводами и экспериментальным оборудованием. По словам Сомриты Банерджи, ведущего исследователя, проводившего эту работу в рамках своей докторской диссертации в Стэнфорде, это делает планирование безопасного движения Astrobee далеко не тривиальной задачей.

Традиционные подходы к автономному планированию, получившие распространение на Земле, во многом нецелесообразны для космического оборудования.

«Бортовые компьютеры, на которых работают эти алгоритмы, зачастую более ограничены в ресурсах, чем компьютеры наземных роботов. Кроме того, в космической среде неопределённость, помехи и требования безопасности зачастую более строгие, чем в наземных приложениях», — сказал старший автор Марко Павоне, доцент кафедры аэронавтики и астронавтики Инженерного факультета и директор Лаборатории автономных систем Стэнфордского университета.

Несмотря на эти трудности, команда продвинула эту область вперёд, добившись выдающегося достижения в области космических исследований. «Это первый случай использования ИИ для управления роботом на МКС», — сказал Баннерджи. «Это показывает, что роботы могут двигаться быстрее и эффективнее, не жертвуя безопасностью, что крайне важно для будущих миссий, где люди не всегда смогут ими управлять».

Обучение ИИ для космоса

Баннерджи сравнивает задачу оптимизации маршрутов Astrobee через МКС с планированием поездки на автомобиле из Сан-Франциско в Лос-Анджелес: вам нужен самый быстрый путь, самый энергоэффективный и, прежде всего, безопасный.

Чтобы справиться с этой задачей в компактной среде МКС, система планирования маршрута команды опирается на традиционно используемый метод оптимизации, называемый последовательным выпуклым программированием , который разбивает сложную задачу планирования на ряд более мелких и простых шагов.

Этот процесс предназначен для создания безопасной и осуществимой окончательной траектории. Однако решение каждого этапа с нуля может потребовать больших затрат ресурсов бортового компьютера Astrobee и замедлить процесс, что является одним из ключевых ограничений традиционных методов.

Чтобы ускорить процесс, команда усовершенствовала свою систему, используя модель машинного обучения, которую они обучили на тысячах прошлых решений. Модель может выявлять закономерности, например, где всегда существует коридор и где чаще всего возникают препятствия.

Предоставление роботу базовых знаний перед дальнейшими усовершенствованиями называется «тёплым стартом». Метод оптимизации по-прежнему обеспечивает соблюдение всех ограничений безопасности; модель машинного обучения просто помогает ему гораздо быстрее находить ответ.

«Использование тёплого старта похоже на планирование поездки, начинающееся с маршрута, по которому уже ездили реальные люди, а не с прямой линии на карте», — сказал Баннерджи. «Вы начинаете с чего-то, основанного на опыте, а затем оптимизируете его, исходя из этого».

Важная веха для ИИ в космосе

Перед отправкой своего ИИ в космос команда испытала систему на специальном испытательном стенде в Исследовательском центре Эймса НАСА . Там модель ИИ управляла роботом, похожим на Astrobee, который парил над поверхностью гранитного стола, поддерживаемый сжатым воздухом, имитирующим частичную микрогравитацию. «Это как шайба на столе для аэрохоккея», — сказал Баннерджи.

Когда наступил день настоящих испытаний, команда Стэнфорда присоединилась к ним по видеосвязи, пока астронавты на МКС завершали то, что НАСА называет «минимальным экипажем». Астронавты занимались только подготовкой и уборкой, а затем отошли в сторону.

В течение следующих четырёх часов Банерджи передавал инструкции операторам наземного управления в Космическом центре имени Джонсона в Хьюстоне. Затем команда NASA передала команды Astrobee, указав точку старта и пункт назначения, смоделировав препятствия, которые необходимо избегать, и опробовав как тёплый, так и холодный старт.

Безопасность эксперимента обеспечивалась за счет многочисленных мер безопасности, включая замену физических препятствий виртуальными для исключения риска столкновений, наличие резервного робота и предоставление операторам возможности прерывать запуск в случае необходимости.

Команда протестировала 18 траекторий, каждая продолжительностью более минуты. Каждая траектория запускалась дважды: сначала с холодным стартом с использованием стандартного метода планирования, а затем с тёплым стартом, когда ИИ предоставлял первый вариант траектории, который система могла быстро скорректировать.

Испытания показали, что горячий старт Astrobee значительно ускоряет планирование движения. «Мы показали, что он работает на 50–60% быстрее, особенно в более сложных ситуациях», — сказал Баннерджи. К таким сложным случаям относятся загромождённые пространства, узкие коридоры и манёвры, требующие поворота вместо движения по прямой.

Наблюдение за Astrobee на орбите стало для Баннерджи глубоко личным опытом. «Самым захватывающим было наблюдать, как астронавты пролетают мимо во время эксперимента», — сказала она.

«Одним из них была одна из моих любимых героинь детства, Сунита Уильямс. Увидеть, как годы работы воплощаются в жизнь в космосе, и наблюдать за ней, пока робот движется, было невероятно».

Будущее роботов на орбите

После эксперимента на МКС система тёплого старта, разработанная командой, достигла уровня технологической готовности 5, что соответствует уровню готовности НАСА и означает успешное тестирование в реальных условиях эксплуатации. Это повышение означает, что данная технология характеризуется низким уровнем риска, что важно для проведения новых экспериментов или будущих миссий.

Заглядывая в будущее, Баннерджи заявил, что этот тип математически обоснованного и ориентированного на безопасность искусственного интеллекта будет иметь решающее значение, поскольку роботы будут выполнять все больше задач самостоятельно, а NASA будет отправлять пилотируемые миссии на Луну и Марс.

«Поскольку роботы удаляются от Земли, а миссии становятся более частыми и менее затратными, мы не всегда сможем дистанционно управлять ими с Земли», — сказала она.

Такие технологии позволят астронавтам сосредоточиться на более приоритетных задачах и эффективнее использовать своё время. «Автономность со встроенными гарантиями не просто полезна, она необходима для будущего космической робототехники», — сказала она.

Павоне подчеркнул, что его лаборатория продолжит исследования и совершенствование методов теплого запуска.

В рамках Центра исследований аэрокосмической автономии (CAESAR) мы сотрудничаем со Стэнфордской лабораторией космических исследований (Stanford Space Rendezvous Lab) для изучения более мощных моделей искусственного интеллекта — тех же, что используются в современных языковых инструментах и ​​системах автономного управления. Благодаря более высоким возможностям обобщения эти модели позволят роботам преодолевать ещё более сложные ситуации в будущих космических миссиях.