El exitoso proceso de desorbitación, descenso y aterrizaje de naves espaciales en la Luna requiere un control y monitoreo precisos de la dinámica del vehículo. En este contexto, la detección de anomalías desempeña un papel crucial al identificar estados relevantes que podrían representar comportamientos de interés de la nave. Esta técnica permite reconocer puntos de comportamiento únicos, facilitando la identificación de estados críticos en los sistemas, lo que es invaluable para la mitigación de fallos, mejoras ingenieriles y planificación de misiones.
Con el aumento de la frecuencia y complejidad de las misiones espaciales, el volumen de datos de telemetría ha crecido exponencialmente. Por ello, las metodologías para analizar estos datos deben escalar eficazmente, sin arriesgar la omisión de desviaciones sutiles pero importantes. Afortunadamente, AWS ha implementado avanzadas aplicaciones de inteligencia artificial y aprendizaje automático en Amazon SageMaker para satisfacer estas necesidades.
Recientemente, se utilizó el algoritmo Random Cut Forest (RCF) para detectar anomalías en los datos de posición, velocidad y orientación cuaternión de una demo de sensores de Desorbitación, Descenso y Aterrizaje Lunar de NASA y Blue Origin. Este enfoque comienza con la limpieza de datos para asegurar una entrada de calidad. SageMaker AI se emplea para entrenar un modelo RCF diseñado específicamente para detectar anomalías en datos complejos de dinámica de naves espaciales, utilizando procesamiento por lotes para manejar grandes volúmenes de datos de telemetría.
Una vez entrenado el modelo y detectadas las anomalías, este genera potentes capacidades de visualización que presentan los resultados con claridad. El almacenamiento y recuperación de datos se realiza mediante Amazon Simple Storage Service (S3), garantizando una gestión eficiente de costos en las instancias de SageMaker AI.
Los sistemas de detección de anomalías ofrecen un enfoque eficaz para el análisis de datos de naves espaciales. La combinación de datos de posición, velocidad y orientación cuaternión proporciona una visión comprensiva del estado dinámico del vehículo durante las fases críticas de la misión, esencial para la planificación de misiones, monitoreo en tiempo real y evaluación del desempeño del sistema.
El Random Cut Forest, un algoritmo no supervisado, detecta anomalías en datos multidimensionales mediante la construcción de múltiples árboles de decisión que segmentan el espacio de datos con hipersuperficies aleatorias. Permite asignar puntajes a los datos en función de cuántas divisiones se requieren para aislarlos, donde puntajes altos indican posibles anomalías. Aplicado a vectores de 10 dimensiones, que integran posición, velocidad y orientación cuaternión, el RCF ha demostrado su eficacia en la detección de desviaciones en los datos de dinámica de las naves.
