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. La detección de anomalías juega un rol crucial al identificar estados relevantes que podrían representar comportamientos de interés de la nave. Esta técnica permite identificar puntos de comportamiento únicos, facilitando el reconocimiento de estados críticos en los sistemas de la nave que pueden ser considerados para su adecuada atención y comprensión. Estos estados identificados son invaluable para la mitigación de fallos en los sistemas, mejoras en el diseño ingenieril y planificación de misiones.

Con el incremento en la frecuencia y complejidad de las misiones espaciales, el volumen de datos de telemetría generados ha crecido de forma exponencial. Por ello, las metodologías para analizar estos datos en busca de anomalías deben escalar eficazmente, sin arriesgarse a omitir desviaciones sutiles, pero importantes, en el comportamiento del vehículo. Afortunadamente, AWS ha implementado potentes aplicaciones de inteligencia artificial y aprendizaje automático dentro de Amazon SageMaker, las cuales cumplen con estas necesidades.

En un reciente análisis, 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 el preprocesamiento y limpieza de datos para asegurar que se obtenga una entrada de calidad para el análisis. SageMaker AI es empleado para entrenar un modelo RCF diseñado específicamente para detectar anomalías en datos complejos de dinámica de naves espaciales. Además, se implementa un procesamiento por lotes para manejar de manera eficiente el volumen considerable de datos de telemetría.

Una vez entrenado el modelo y detectadas las anomalías, este enfoque genera potentes capacidades de visualización que presentan los resultados con anomalías destacadas para una interpretación clara. El almacenamiento y recuperación de datos se manejan a través de Amazon Simple Storage Service (S3), lo que garantiza una gestión eficiente de costos en las instancias de SageMaker AI.

Los sistemas de detección de anomalías pueden ofrecer un enfoque efectivo para el análisis de datos de naves espaciales. La combinación de datos de posición y velocidad, junto con la información de orientación cuaternión, proporciona una visión comprensiva del estado dinámico del vehículo durante las fases críticas de la misión. Esta información es esencial para la planificación de misiones, el monitoreo en tiempo real, la verificación de seguridad y la evaluación del desempeño del sistema.

Por último, el Random Cut Forest es un algoritmo no supervisado que detecta anomalías en datos multidimensionales, el cual se basa en la construcción de múltiples árboles de decisión mediante la segmentación del espacio de datos con hipersuperficies aleatorias. Esta capacidad permite asignar puntajes a puntos de datos en función de cuántas divisiones se requieren para aislar cada uno, donde puntajes más altos indican la probabilidad de anomalías. En este contexto, el RCF se aplicó a vectores de 10 dimensiones que integran posición, velocidad y orientación cuaternión, lo que demostró su eficacia para detectar desviaciones en los datos de dinámica de la nave.
vía: AWS machine learning blog