Martwy satelita to tykająca bomba. Ten system wyłapie go, zanim dojdzie do katastrofy

Satelita znajdujący się setki albo tysiące kilometrów nad nami często nie wygląda jak jakaś bardzo skomplikowana maszyna z antenami i panelami słonecznymi. Dla teleskopu może być po prostu pojedynczym jasnym punktem. Naukowcy pokazali jednak, że nawet z tak ubogiego obrazu sztuczna inteligencja potrafi wyciągnąć zaskakująco dużo informacji: zauważyć nietypowe zachowanie, odróżnić kontrolowany obrót od koziołkowania i ostrzec operatorów, że z obiektem może dziać się coś niepokojącego.

Teleskop obserwuje nierozdzielony obiekt, który na obrazie może zajmować zaledwie punkt, ale przez pewien czas mierzy zmiany ilości odbijanego przez niego światła. Z kolejnych pomiarów powstaje krzywa blasku.

Taki wykres zawiera przede wszystkim informacje o ruchu satelity. Gdy zmienia się jego orientacja, względem obserwatora obracają się panele słoneczne, anteny, korpus i inne powierzchnie. Jedne zaczynają odbijać więcej światła słonecznego w kierunku Ziemi, inne znikają z korzystnego kąta, a jasność całego punktu zaczyna zmieniać się w charakterystyczny sposób.

Regularnie pracujący satelita może utrzymywać określone ustawienie względem Słońca lub Ziemi. Obracający się obiekt będzie generował inny rytm zmian jasności, a satelita koziołkujący w sposób niekontrolowany jeszcze inny.

Człowiek potrafi analizować takie dane, ale wraz ze wzrostem liczby obiektów na orbicie robi się z tego gigantyczne zadanie. Nowy model ma wykonywać dużą część tej pracy automatycznie.

Model opracowany przez zespół związany m.in. z Alan Turing Institute i University of Strathclyde nie zaczynał od ręcznie opisanej listy awarii. Najpierw przeszedł trening samonadzorowany na około 227 tys. krzywych blasku zebranych przez obserwatorium MMT-9.

Ręczne przygotowanie setek tysięcy dokładnie opisanych przykładów byłoby niezwykle pracochłonne, a w przypadku nietypowych awarii czasami nawet niemożliwe, bo rzadkich zdarzeń po prostu jest niewiele. Model sam uczył się więc struktury danych, próbując odtwarzać pełne przebiegi także wtedy, gdy część informacji celowo przed nim ukrywano.

W ten sposób powstała reprezentacja tego, jak wyglądają typowe krzywe blasku obiektów orbitalnych. Gdy później system dostaje przebieg, który bardzo trudno mu poprawnie odtworzyć na podstawie poznanych wcześniej wzorców, może potraktować go jako potencjalną anomalię.

Po wstępnym treningu model został dodatkowo dostrojony na starannie przygotowanych danych symulacyjnych. Wykorzystano dwa niezależne symulatory krzywych blasku oraz modele różnych konstrukcji satelitarnych, w tym platform przypominających Sentinel-3, SMOS i Starlinki.

W testach system osiągnął około 88 proc. trafności w rozpoznawaniu nietypowych krzywych blasku. Osobny etap sprawdzał, czy z danych można wywnioskować sposób poruszania się satelity, a w tym zadaniu dokładność wyniosła około 82 proc.

Same procenty nie oznaczają jeszcze, że oprogramowanie można podłączyć do teleskopu i całkowicie zrezygnować z człowieka. Autorzy właśnie dlatego widzą system jako narzędzie automatycznie wyłapujące podejrzane przypadki, które później trafiają do specjalisty. Przy tysiącach obserwowanych obiektów to i tak ogromna oszczędność. Operator nie musi ręcznie przeglądać wszystkiego. Dostaje znacznie krótszą listę satelitów, którym warto przyjrzeć się natychmiast.

Najciekawsza funkcja modelu nie ogranicza się do stwierdzenia, że jasność jest dziwna. AI uczyła się również rozróżniać konkretne tryby ruchu, m.in. ustawienie względem Słońca, obrót wokół jednej osi oraz tumbling, czyli złożone koziołkowanie obiektu.

W przypadku normalnie działającego satelity orientacja przestrzenna jest kontrolowana przez komputer pokładowy, koła reakcyjne, magnetorquery albo niewielkie silniki. To od niej zależy, czy panele słoneczne są skierowane odpowiednio do Słońca, antena patrzy w stronę Ziemi, a instrument obserwacyjny w wymagany cel.

Jeśli system kontroli orientacji ulegnie awarii, satelita może zacząć obracać się w sposób, którego operator nie planował. W skrajnym przypadku przechodzi właśnie w tumbling i zaczyna koziołkować wokół kilku osi.

W lipcu opisywaliśmy dokładnie taki problem na przykładzie kosmicznego holownika LINK. Awaria dwóch kół reakcyjnych i problemy z układem silniczków orientacyjnych doprowadziły do utraty stabilizacji, a anteny tylko okresowo kierowały się w stronę Ziemi. Łączność się przez to przerwała. Nowe AI mogłoby w podobnym przypadku zauważyć zmianę zachowania także z zewnątrz, obserwując sposób, w jaki obiekt odbija światło.

Jeszcze na początku XXI w. problem można było próbować rozwiązywać głównie ludźmi i klasycznymi systemami śledzenia. Skala ruchu orbitalnego była jednak wtedy nieporównywalnie mniejsza. W 2000 r. na orbitę wyniesiono 159 nowych satelitów, natomiast w 2025 r. liczba ta przekroczyła 4 tys.

Jednocześnie wokół Ziemi znajdują się nie tylko sprawne statki. Sieci obserwacyjne śledzą dziesiątki tysięcy aktywnych satelitów, zużytych stopni rakiet i większych odłamków, a liczba mniejszych fragmentów idzie w setki tysięcy i miliony.

Przeczytaj także:

Na Spider's Web opisywaliśmy niedawno wyliczenia pokazujące, że część ogromnych planowanych konstelacji może przekroczyć próg, przy którym środowisko orbitalne zaczyna robić się niestabilne. Problem nie sprowadza się już do pytania, czy pojedynczy satelita został dobrze zaprojektowany. Trzeba śledzić zachowanie całych populacji liczących tysiące urządzeń. Jeśli jeden z nich traci kontrolę nad orientacją albo przestaje wykonywać zaplanowane manewry, może bardzo szybko zmienić się z działającego statku w trudny do przewidzenia obiekt.

*Źródło grafiki wprowadzającej: Alexas_Fotos, pixabay / Canva Pro