# MIT: как ИИ-трансформеры ускоряют посадку космических кораблей

Источник: https://www.youtube.com/watch?v=U-c2XG_gG9E
Канал: Stanford Online
Опубликовано: 21.06.2024

---

## Оптимизация навигации при посадке космических аппаратов с помощью трансформеров 🚀
[[JUMP:00:09]]

Современные миссии по исследованию космоса требуют выполнения сложных маневров при входе в атмосферу, спуске и посадке (EDL — Entry, Descent, Landing), что создает колоссальную нагрузку на бортовые вычислительные системы. Группа исследователей из MIT ARCLab под руководством MIT представила инновационный подход к управлению спуском, используя трансформеры для предсказания «жестких» (tight) ограничений, что позволяет сократить время вычислений до миллисекунд,.

### Проблема вычислительной эффективности в космосе 🛰️
[[JUMP:01:27]]

Традиционные методы оптимального управления, используемые NASA, JPL и ESA, зачастую оказываются недостаточно эффективными для задач с ресурсоемкими вычислениями на борту,. 

*   **Классические решения (Apollo guidance):** Основаны на упрощенных полиномиальных моделях с допущением о плоской планете и отсутствии сложных ограничений,. Они просты, стабильны, но далеки от топливной оптимальности,.
*   **Современные подходы (SpaceX):** Используют последовательную выпуклую оптимизацию (successive convexification), что эффективно для коротких горизонтов управления, например, при посадке Falcon 9.

Однако для миссий на Марс или Луну с участием человека требования к массе и точности посадки возрастают, что вынуждает искать решения, способные обрабатывать сложные 6-степенные (6-DOF) модели в режиме реального времени,.

### Инновация: предсказание активных ограничений 🧠
[[JUMP:17:05]]

Основная идея предложенного метода заключается в использовании нейросетей-трансформеров для предварительного анализа условий полета. Вместо решения полной задачи оптимизации со всеми возможными ограничениями, трансформер определяет, какие из них будут «активными» (tight) для конкретного начального состояния,.

*   **Механизм:** Трансформер принимает на вход параметры состояния (позиция, скорость, угол наклона) и выводит стратегию — «горячий» вектор (one-hot vector), указывающий на активные ограничения,.
*   **Преимущество:** Это позволяет значительно уменьшить размерность задачи, «отсекая» неактивные уравнения, что существенно ускоряет работу солверов,.

### Результаты и вычислительная эффективность ⚡
[[JUMP:21:13]]

В ходе тестирования модели на 242 000 обучающих примерах метод показал впечатляющие результаты:

1.  **Ускорение:** Время вычислений сократилось на 78% по сравнению с методами без использования трансформера (среднее время составило 373 мс против 1600 мс),.
2.  **Надежность:** В тестовой выборке 100% сгенерированных траекторий оказались допустимыми (feasible).
3.  **Итеративный подход:** Если предсказание трансформера все же ведет к невыполнимой траектории, система автоматически переходит к полному солверу, гарантируя безопасность миссии,.

### Интерпретация данных с помощью t-SNE 📊
[[JUMP:24:21]]

Для понимания того, чему именно обучается модель, авторы применили метод визуализации t-SNE. Были выявлены два четких кластера:

*   **Простые задачи:** Мало активных ограничений, высокая точность посадки.
*   **Сложные задачи:** Большое количество активных ограничений, соответствующие широким зонам маневрирования (diverts).

Этот анализ подтверждает, что трансформер успешно разделяет сценарии полета, оптимизируя ресурсы в зависимости от сложности условий,.