Los satélites Low Earth Orbit (Órbita Terrestre Baja, LEO)
27 julio, 2022
SES y AXESS Networks habilitarán Minería Inteligente con O3b mPOWER
27 julio, 2022
Los satélites Low Earth Orbit (Órbita Terrestre Baja, LEO)
27 julio, 2022
SES y AXESS Networks habilitarán Minería Inteligente con O3b mPOWER
27 julio, 2022
Mostrar todo / Show all

La inteligencia artificial (IA) en los satélites

Los avances en IA nos han permitido progresar en todo tipo de disciplinas y no solamente con aplicaciones limitadas a la Tierra, sino que también han hecho posible que nos aventuremos más en el espacio, a partir del diseño de misiones, los asistentes virtuales para astronautas, el procesamiento de datos, la optimización de sistemas de navegación y hasta la limpieza de basura de la órbita terrestre.

En este sentido, si bien la comunicación por satélite ofrece continuidad del servicio en diversidad de entornos, ubicuidad y escalabilidad del servicio, es posible que con la IA se puedan optimizar estos beneficios, ya que la gestión de recursos, el control y la seguridad de la red, la gestión del espectro y el uso de energía de las redes satelitales son más desafiantes que en las redes terrestres.

Mientras tanto, la IA —que incluye el aprendizaje automático, el aprendizaje profundo y el aprendizaje por refuerzo— ha crecido constantemente como un campo de investigación y ha mostrado resultados exitosos en diversas aplicaciones, incluida la comunicación inalámbrica.

En particular, la aplicación de IA a una amplia variedad de aspectos de la comunicación por satélite ha demostrado un excelente potencial, incluido el salto de haces, la prevención de interferencias, la previsión del tráfico de red, el modelado de canales, la minería de telemetría, la detección de centelleo ionosférico, la gestión de interferencias, la detección remota, el modelado de comportamiento, la integración espacio-aire-tierra y la gestión de energía.


Cuando pensamos en robots, tendemos a personificarlos y les atribuimos características similares a las humanas. Pero, a pesar de que se ha investigado mucho para desarrollar estas máquinas humanoides, todavía estamos muy lejos de un mundo en el que puedan tomar el control o incluso imitar a la perfección las acciones de una persona.

Los robots son máquinas que tienen IA incorporada. Se utilizan en todo tipo de situaciones, especialmente cuando pueden aliviar tareas extenuantes o completar misiones que son demasiado peligrosas para que las realice un ser humano.

El concepto de IA comprende todas las técnicas que permiten a las computadoras imitar la inteligencia, por ejemplo, las computadoras que analizan datos o los sistemas integrados en un vehículo autónomo. Por lo general, los humanos enseñan los sistemas de inteligencia artificial; un proceso que implica escribir un código informático complejo y extenso.

Sin embargo, la IA también se puede lograr a través del aprendizaje automático o machine learning (ML), el cual enseña a las máquinas a aprender por sí mismas. ML es una forma de entrenar un algoritmo relativamente simple para que se vuelva más complejo.

Así, se introducen enormes cantidades de datos en el algoritmo, el cual se ajusta y mejora con el tiempo. En ML, las máquinas procesan la información de manera similar a los humanos mediante el desarrollo de redes neuronales artificiales.

Por su parte, el aprendizaje profundo o deep learning (DL) es una técnica especializada dentro de ML, mediante la cual la máquina utiliza redes neuronales artificiales de varias capas para entrenarse en tareas complejas, como el reconocimiento de imágenes —uno de los campos de aplicación en los que más se ha avanzado en la tecnología satelital—.

Esto puede suceder a través del aprendizaje supervisado, como, por ejemplo, alimentar el sistema con imágenes de la Luna y la Tierra hasta que pueda identificar ambos tipos con éxito o el aprendizaje no supervisado, en el que la red encuentra la estructura por sí misma.

Algunos ejemplos buenos de DL son los servicios de traducción en línea, las bibliotecas de imágenes y los sistemas de navegación para vehículos autónomos o naves espaciales. también se usan comúnmente en aplicaciones espaciales para aproximar representaciones complejas del mundo real. Por ejemplo, cuando se analizan cantidades masivas de datos de observación de la Tierra o datos de telemetría de naves espaciales, el ML juega un papel importante.

Las posibles aplicaciones de la IA también se están investigando a fondo en las operaciones de satélites, en particular para respaldar el funcionamiento de grandes constelaciones de satélites, incluido el posicionamiento relativo, la comunicación y la gestión del final de su vida útil.

Además, cada vez es más habitual encontrar sistemas de ML analizando la enorme cantidad de datos que provienen de cada misión espacial. Los datos de algunos rovers de Marte se transmiten mediante IA y, a estos rovers, incluso se les ha enseñado a navegar por sí mismos.

De esta manera, el desarrollo de ML ha recorrido un largo camino en las últimas dos décadas, pero los complicados modelos y las estructuras necesarias deberán mejorarse antes de que pueda ser ampliamente útil. Adicionalmente, la IA también carece actualmente de la confiabilidad y la adaptabilidad requeridas en el nuevo software; estas cualidades deberán ser mejoradas antes de que se haga cargo de la industria espacial.


Gestión de satélites de observación y comunicación

Se están diseñado sistemas para extender la vida útil de los satélites desplegados en órbita. Impulsados por tecnologías de IA, Big Data, Deep Learning y Machine Learning, los sistemas detectan anomalías y tendencias de degradación en las operaciones del satélite.

Los satélites generan flujos de datos de telemetría que contienen miles de parámetros e información y, a medida que se producen más satélites y crece su complejidad y los enormes datos generados por las constelaciones y mega constelaciones de satélites, el monitoreo y el análisis de esos datos se convierte en una tarea tremendamente desafiante para la humanidad.

La información de telemetría recibida de los satélites le permite al sistema analizar tendencias e identificar irregularidades y cambios que ocurren en el satélite, para abordarlos y prevenir futuros daños.


Procesamiento de datos satelitales

Las enormes cantidades de datos generadas por los satélites de observación de la Tierra son recibidas por las estaciones terrestres. Si bien ha habido algunos proyectos de crowdsourcing para realizar análisis básicos de imágenes satelitales a muy pequeña escala, la inteligencia artificial puede aportar en el análisis detallado de datos satelitales.

Para el gran volumen de datos recibidos, la IA ha sido muy eficaz para procesarlos de manera inteligente. Se ha utilizado para estimar el almacenamiento de calor en áreas urbanas y para combinar datos meteorológicos con imágenes satelitales para estimar la velocidad del viento. Así mismo, también ha ayudado con la estimación de la radiación solar utilizando datos de satélites geoestacionarios, entre muchas otras aplicaciones.

En el procesamiento de datos, la IA también se puede utilizar para los propios satélites. En una investigación reciente, los científicos probaron varias técnicas de inteligencia artificial para un sistema de monitoreo de salud satelital remoto. Este es capaz de analizar los datos recibidos de los satélites para detectar cualquier problema, predecir el rendimiento del estado del satélite y presentar una visualización para la toma de decisiones informadas.


Sistemas de navegación

Si bien en la Tierra, estamos acostumbrados a herramientas como Google Maps, que utilizan GPS u otros sistemas de navegación, no existe tal sistema para otros cuerpos extraterrestres, por ahora.

No tenemos satélites de navegación alrededor de la Luna o Marte, pero podríamos usar las imágenes que tenemos de satélites de observación, como el Lunar Reconnaissance Orbiter (LRO). Por ejemplo, en 2018, un equipo de investigadores de la NASA, en colaboración con Intel, desarrolló un sistema de navegación inteligente utilizando IA para explorar los planetas; de esta manera, entrenaron al modelo con millones de fotografías disponibles de varias misiones y crearon un mapa lunar virtual.


Asistentes de astronautas

¿Recuerdas a Tars y Case, los robots asistentes de la película Interestelar? Si bien estos robots aún no existen para misiones espaciales reales, los investigadores están trabajando para lograr algo similar, creando asistentes inteligentes que ayuden a los astronautas. Estos asistentes basados ​​en IA, aunque no parezcan tan elegantes como los de las películas, podrían ser increíblemente útiles para la exploración espacial.

Un asistente virtual desarrollado recientemente puede detectar potencialmente cualquier peligro en misiones espaciales prolongadas, como cambios en la atmósfera de la nave espacial, como, por ejemplo, el aumento de dióxido de carbono o un mal funcionamiento del sensor que podría ser potencialmente dañino. Así, alertaría a la tripulación con sugerencias para la inspección.

De igual forma, un asistente de IA llamado Cimon fue trasladado a la estación espacial internacional (ISS) en diciembre de 2019, donde está siendo probado durante tres años. Eventualmente, Cimon se usará para reducir el estrés de los astronautas.

La NASA también está desarrollando un compañero para los astronautas a bordo de la ISS, llamado Robonaut, que trabajará junto a los astronautas o asumirá tareas que son demasiado arriesgadas para ellos.


Diseño y planificación de misiones

Planear una misión a Marte no es una tarea fácil, pero la inteligencia artificial puede facilitarlo. Las nuevas misiones espaciales se basan en el conocimiento recopilado por estudios anteriores. Sin embargo, esta información a menudo puede ser limitada o no estar completamente accesible.

Esto significa que el flujo de información técnica está limitado por quién puede acceder a ella y compartirla con otros ingenieros de diseño de misiones. Pero ¿qué pasaría si toda la información de las misiones espaciales anteriores estuviera disponible para cualquier persona con autoridad en solo unos pocos clics? Un día puede llegar a haber un sistema más inteligente, similar a Wikipedia, pero con inteligencia artificial que pueda responder consultas complejas con información confiable y relevante, para ayudar al diseño y la planificación de nuevas misiones espaciales.

Los investigadores están trabajando en la idea de un asistente de ingeniería de diseño para reducir el tiempo requerido al diseñar la misión inicial. Daphne es otro ejemplo de un asistente inteligente para diseñar sistemas de satélites de observación de la Tierra; es utilizado por ingenieros de sistemas en equipos de diseño de satélites. Facilita su trabajo al proporcionar acceso a información relevante, incluidos comentarios y respuestas a consultas específicas.


Basura espacial

Uno de los mayores desafíos espaciales del siglo XXI es cómo abordar los desechos espaciales. Según la ESA, hay cerca de 34.000 objetos de más de 10 cm que representan una seria amenaza para la infraestructura espacial existente. Hay algunos enfoques innovadores para hacer frente a la amenaza, como el diseño de satélites para volver a entrar en la atmósfera terrestre si se despliegan dentro de la región de la órbita terrestre baja, lo que hace que se desintegren por completo de forma controlada.

Otro enfoque es evitar posibles colisiones en el espacio. En un estudio reciente, los investigadores desarrollaron un método para diseñar maniobras con el fin de evitar colisiones utilizando técnicas de aprendizaje automático (ML).

Otro enfoque novedoso es usar la enorme potencia informática disponible en la Tierra para entrenar modelos ML, transmitirlos a la nave espacial que ya está en órbita o en camino, y usarlos a bordo para varias decisiones. Recientemente se ha propuesto una forma de garantizar la seguridad de los vuelos espaciales, utilizando redes ya entrenadas a bordo de la nave espacial. Esto permite una mayor flexibilidad en el diseño de satélites y mantiene al mínimo el peligro de colisión en órbita.

En AXESS Networks estamos siempre dispuestos a brindarle soluciones clave, a la medida de sus necesidades y de sus requerimientos individuales, sin importar ni el sector económico ni la industria a la cual pertenezca, ni la zona ni las condiciones de operación en las que debamos estar.