© SpaceX, disponible sous CC BY-NC 2.0 via Flickr.
SpaceX fusée Falcon 9 et Dragon décolle de la rampe de lancement 39A pour le CRS-10 (photo de 2017).
Cet article est une traduction d'un communiqué de presse légèrement adapté de l'Université du Luxembourg, publié sur le site internet de Research Luxembourg.
Le 12 juin, le Interdisciplinary Centre for Security, Reliability and Trust (SnT) de l'Université du Luxembourg a lancé AI4Space, sa première expérience spatiale. Hébergé sur un satellite Skykraft, le système du SnT a quitté la base spatiale de Vandenberg à bord d'une fusée SpaceX. Le satellite hôte est actuellement en route vers sa destination finale en orbite terrestre basse, où il sera déployé et testé avant de donner le coup d'envoi de l'expérience SnT.
Détecter les anomalies des satellites grâce à l'apprentissage automatique
L'expérience testera des algorithmes d'apprentissage automatique pour détecter les anomalies de température dans les systèmes satellitaires d'une manière plus avancée que ce qui se fait actuellement.
L'expérience est surtout importante pour l'industrie spatiale, mais ses applications sont vastes. Mesurer la température d'un satellite - ou de tout autre appareil électronique - est en effet un moyen fiable de surveiller son état.
Pour faire une analogie avec le corps humain, c'est comme prendre la température et le pouls d'une personne. Si les valeurs absolues sont importantes, toute variation de la température dans le temps peut nous renseigner sur l'état de santé du satellite.
Dr. Jan Thoemel, Chef du CubeSatLab au SnT, Unversité du Luxembourg.
Traditionnellement, ces mesures ont toujours été basées sur une méthode hors gamme : tant que la température restait inférieure à un certain seuil, le satellite était considéré comme étant en bonne santé. "Cependant, quelque chose peut se passer dans l'interaction de certains composants bien avant que la température limite ne soit atteinte", ajoute M. Thoemel. "Notre expérience utilise des algorithmes d'apprentissage automatique pour détecter des schémas complexes dans les changements de température qui peuvent révéler un problème en temps réel avant qu'il n'entraîne une défaillance majeure", explique-t-il.
La détection des anomalies thermiques est applicable à toutes les plateformes satellitaires, des petits CubeSats aux grands satellites de communication. L'algorithme d'apprentissage automatique déployé à bord a été conçu pour être efficace sur du matériel à faible capacité de calcul afin d'effectuer une détection d'anomalie en temps réel à bord.
Dr. Arunkumar Rathinam, Post-doc au Labo CVI2 du SnT, Université du Luxembourg.
Collaboration de deux équipes de recherche
AI4Space a été développé par des chercheurs des deux groupes de recherche Space Systems Engineering (SpaSys) et Computer Vision, Imaging and Machine Intelligence (CVI2) de l'Université du Luxembourg.
Dans le cadre de cette collaboration, l'équipe SpaSys s'est concentrée sur la conception, le développement et l'intégration de matériel et a initié le développement d'algorithmes d'apprentissage automatique pour la détection d'anomalies et l'utilisation de code.
AI4Space Hardware (Photos: SnT, Université du Luxembourg)
Le groupe CVI2 a apporté son expertise en matière d'apprentissage automatique pour entraîner l'algorithme de détection des anomalies et le déployer sur un dispositif périphérique. Le matériel, qui a été monté sur le petit satellite, consiste en un circuit imprimé de 10 x 10 cm avec des capteurs, des résistances, des caméras infrarouges pour mesurer la température et un ordinateur embarqué pour traiter les algorithmes.
L'équipe commune SpaSys-CVI2 est composée de Dr. Jan Thoemel, Konstantinos Kanavouras, Prof. Andreas Hein, Prof. Djamila Aouada, Dr. Arunkumar Rathinam, Dr. Leo Pauly, Dr. Miguel Ortiz del Castillo et Maanasa Sachidanand. Miguel Ortiz del Castillo et Andreas Hein ont lancé la conception du projet AI4SPACE, et l'équipe a commencé à travailler au début de l'année 2022. Le développement du circuit imprimé, y compris l'assemblage et les tests, a été réalisé dans la cabine propre du CubeSatLab de SnT - ainsi que les algorithmes d'apprentissage automatique sur l'ordinateur de bord. En janvier 2023, le système a été soigneusement expédié en Australie, où il a été monté sur le satellite Skykraft.
Une méthodologie de développement itérative
Pour concevoir une expérience, il faut être prêt à relever des défis inconnus, en particulier dans l'espace, où l'échec n'est pas permis. "Nous avons développé AI4Space selon les principes de la gestion allégée, en travaillant sur des améliorations progressives de l'efficacité", ajoute M. Thoemel.
Sur le plan technique, l'expérience a été développée de manière agile : nous avons divisé le calendrier de développement en plusieurs itérations rapides qui comprenaient la conception conjointe du matériel et du logiciel. Cela nous a permis de tester et d'améliorer AI4Space en fonction des résultats obtenus dans le monde réel.
Konstantinos Kanavouras, doctorand au laboratoire SpaSys au SnT de l'Université.
"Notre approche, qui comprend la mise en œuvre du matériel dès le début afin de répondre de manière itérative aux défis théoriques et pratiques, s'est avérée fructueuse : nous avons achevé le système dans les délais et le budget impartis, et nous avons pu nous adapter facilement aux changements tardifs du calendrier et des interfaces techniques", ajoute M. Thoemel.
La méthodologie de développement est particulièrement importante pour les applications futures de cette technologie, car les satellites en orbite basse communiquent avec la Terre trois à quatre fois par jour ; le reste du temps, ils doivent fonctionner de manière autonome. Le fait qu'un satellite détecte de manière autonome une anomalie avant qu'elle ne devienne un problème, et qu'il lui donne les moyens de la résoudre, permet de prolonger sa durée de vie tout en réduisant au minimum le degré de supervision nécessaire.
L'expérience AI4Space a pour objectif d'affiner l'algorithme de détection des anomalies de température. Les chercheurs se préparent actuellement à commencer les opérations, à produire des commandes et à télécharger des données. "Nous analyserons les données et les résultats de la détection des anomalies à bord, et nous les diffuserons pour que tout le monde puisse les utiliser. Nous envisageons également d'entraîner à nouveau l'algorithme afin d'améliorer encore la détection des anomalies à bord", conclut M. Thoemel.
Auter: Université du Luxembourg
Édition: Hélène Jacuszin (Research Luxembourg)
Traduction: Michèle Weber (FNR)
Photo principale: SpaceX, disponible sous CC BY-NC 2.0 via Flickr
