El proceso de desorbitación, descenso y aterrizaje de naves espaciales en la Luna requiere un control y monitoreo extremadamente preciso de la dinámica del vehículo. En este contexto, la detección de anomalías emerge como una herramienta esencial, permitiendo identificar estados críticos y comportamientos atípicos que podrían comprometer el buen funcionamiento de la nave. Estos hallazgos no solo son importantes para mitigar fallos en los sistemas, sino también para mejorar el diseño de futuras misiones.
Con la creciente frecuencia y complejidad de las misiones espaciales, ha aumentado exponencialmente el volumen de datos de telemetría que es necesario analizar. En respuesta a este desafío, Amazon Web Services (AWS) ha implementado potentes herramientas de inteligencia artificial y aprendizaje automático a través de Amazon SageMaker. Estas herramientas están diseñadas para escalar eficazmente, asegurando que ninguna desviación sutil pase desapercibida.
Recientemente, se empleó el algoritmo Random Cut Forest (RCF) para detectar anomalías en los datos recopilados durante una demostración de los sensores de Desorbitación, Descenso y Aterrizaje Lunar, desarrollada por NASA y Blue Origin. El proceso comienza con el preprocesamiento de datos, asegurando que la calidad de la entrada sea óptima para el análisis. Luego, con la ayuda de SageMaker AI, se entrena un modelo RCF específicamente diseñado para detectar anomalías en la compleja dinámica de las naves espaciales.
Una de las ventajas de este enfoque es la capacidad de manejar grandes volúmenes de datos de telemetría mediante procesamiento por lotes. Además, se ha desarrollado tecnología de visualización avanzada para presentar claramente las anomalías identificadas. Todas estas operaciones se gestionan de forma eficiente y económica mediante Amazon Simple Storage Service (S3).
La utilización de estos sistemas para la detección de anomalías ofrece un enfoque robusto para el análisis de datos de naves espaciales. La combinación de información sobre posición, velocidad y orientación cuaternión proporciona una visión integral del estado de la nave en fases críticas, información vital para la planificación de misiones y la evaluación de la seguridad y desempeño del sistema.
El algoritmo Random Cut Forest es una solución no supervisada, que detecta anomalías en datos multidimensionales segmentando el espacio de datos. Esto permite asignar puntajes a puntos de datos, donde puntuaciones elevadas indican una mayor probabilidad de anomalías. En este caso, el RCF se aplicó a vectores de 10 dimensiones, integrando información clave como posición y velocidad, resultando en la detección eficaz de desviaciones en la dinámica de la nave.
