Hur AI hjälpte till att lansera Artemis II-månsmissionsuppdraget

Den 1 april 2026 spände fyra astronauter fast sig i rymdfarkosten Orion och flög upp i historien med en raket. Befälhavare Reid Wiseman, pilot Victor Glover och uppdragsspecialister Christina Koch och Jeremy Hansen blev de första människorna att resa runt månen sedan Apollo-uppdragen.

Deras 10-dagarsuppdrag var en prestation av mänsklig skicklighet och expertis. Det visade dock också AI som en partner i rymdutforskningen.

SIAT: Den AI som övervakar allt

I centrum för Orions ombordintelligens finns ett system som kallas System Invariant Analysis Technology (SIAT), som utvecklats av NEC Corp. och integrerats i Lockheed Martins rymdsystem. SIAT är en analysmotor som kontinuerligt övervakar sensordata, lär sig det normala beteendet hos komplexa system och markerar avvikelser innan de eskalerar till fel.

Under utvärderingar modellerade SIAT miljarder relationer mellan många systemvariabler och sensorer. Moderna rymdsystem som Orion genererar stora mängder telemetridata och testdata, så SIAT hade mycket att arbeta med. Den volymen information, samt den hastighet som den behövde analyseras, ligger bortom kapaciteten för mänskliga operatörer ensamma.

Denna teknologi är inbäddad i Lockheed Martins Technology for Telemetry Analytics for Universal Artificial Intelligence (T-TAURI) plattform, en analysram som skapar en omfattande bild av rymdfarkostens hälsa. Denna anslutning resulterar i proaktiv avvikelseupptäckt som omfattar design, utveckling, produktion och levande uppdragsoperationer.

SIAT är en av de många AI-modellerna som sitter långt ifrån rampljuset, men den är högt väsentlig i en bemannad rymdfarkost. Den är tyst men kapabel att upptäcka problem som kan vara svåra att övervaka manuellt.

Digitala tvillingar och autonoma system

Innan några astronauter gick ombord på Orion, körde ingenjörer och besättningsmedlemmar fulla simuleringar inuti en kopia av rymdfarkosten, övade scenarier som inte kunde testas under jordens vanliga förhållanden.

Digitala tvillingssimuleringar refererar till AI-drivna virtuella modeller av rymdfarkostens fysiska system. Dessa verktyg tillät team att stress-testa viktiga delar av rymdfarkosten och uppdraget, såsom livsstöd, navigation och kommunikation under förhållanden som är nästan omöjliga eller farliga att replikera i jordbaserade laboratorier.

Datorer ombord på farkosten var utformade för att hålla viktiga system igång under de höga strålningsförhållandena i rymden. Denna arkitektur, kombinerad med autonoma algoritmer som hanterar bana i realtid, tillät rymdfarkosten att upprätthålla drift under de förlängda kommunikationsavbrotten som är en del av djup rymdresa.

Alexa i omloppsbana: Callisto-teknikdemon

En av de mest synliga AI-tillämpningarna ombord på Artemis-uppdragen har varit Callisto, en teknikdemonstration som utvecklats i samarbete mellan Lockheed Martin och NASA.

Callisto har inbäddat Amazons Alexa-röstassistent och Ciscos Webex-kommunikationsplattform direkt i Orions centrala konsol. Den ansluter via NASAs Deep Space Network. Denna integration ger både astronauter och flygoperatörer på Johnson Space Center en handsfree-gränssnitt för djup rymdoperationer.

En anmärkningsvärd aspekt av Callisto-projektet är dess offentliga inslag. Under Artemis I-uppdraget inbjöd Lockheed Martin människor på jorden att engagera sig i integrationen direkt, samla meddelanden för mänskligheten och teamet bakom Artemis-uppdragen. Det är ett tidigt exempel på hur AI kan fungera som en bro mellan ett uppdrag hundratusentals mil bort och den breda allmänheten som följer det hemma.

Djupinlärning för lunarnavigation

Att komma till månen är en utmaning. Att astronauterna ska veta sin position när de är där är en annan uppgift. Eftersom Apollo-besättningarna arbetade inom ett mindre område behövde de inte exakt bredområdesnavigation. Men Artemis-uppdragen som riktar sig mot månens sydpol kommer att kräva att astronauterna orienterar sig över en större och mer komplex terräng.

År 2018 byggde forskare på Frontier Development Lab en AI-navigeringsverktyg med en detaljerad simulering av månens terräng. Astronauter kan fånga bilder av sin omgivning, och djupinlärningsmodeller kommer att jämföra dem med den simulerade omgivningen för att exakt bestämma deras koordinater.

Systemet fungerar som en GPS som fungerar med maskinseende istället för satelliter, vilket visar stort löfte när uppdragen växer i omfattning och ambition. AI används redan i uppdrag för att navigera och utforska nya terränger och exoplaneter. Med tiden kan denna teknik utvecklas ytterligare och expandera mänsklig kunskap om universum.

Styrningsgapet

När AI tar på sig mer ansvar i bemannad rymdfärd, ställer regeringar och institutioner frågor om tillsyn och ansvar. FNs kontor för yttre rymden har krävt styrningsramar som vilar på dessa nyckelobjekt:

• Etisk och transparent AI för rymdoperationer: Detta kräver förklarliga AI-system, meningsfull mänsklig tillsyn och robusta säkerhetsåtgärder, särskilt för kritiska funktioner.
• Rättvisa, inklusivitet och global kapacitetsbyggnad: För att hantera bias i AI-modeller och den ojämna fördelningen av resurser, förespråkar UNOOSA mångfacetterade datamängder, öppen tillgång till data och verktyg, och riktade utbildningsprogram för utvecklingsländer.
• Ansvarsfull utveckling och användning av geospatiala grundmodeller: Medan organisationen erkänner potentialen i stora AI-modeller, betonar den behovet av en omfattande utvärdering utöver noggrannhet. Detta inkluderar faktorer som energiförbrukning, robusthet och sociala och etiska påverkan.
• Integrering av klimatresiliens och hållbarhet: Kontoret kräver integration av klimatöverväganden under hela livscykeln för AI och jordobservations-teknik.
• Skydd av dataägarskap och integritet: Detta fokus ligger på behovet av åtgärder för att förhindra datamanipulering och säkerställa ursprunget för geospatial information.

En anmärkningsvärd del av UNOOSA:s policybrief är kravet på ramverk för att skapa förhands-säkerhetsfall. Dessa rekommenderade policys förhandsgodkänner AI-beslut inom definierade parametrar för rymduppdrag där realtidsmänskligt ingripande är omöjligt.

AI kommer sannolikt att fatta beslut i rymden, särskilt i svåra fall där kommunikationssystem är skadade. Medan team strävar efter att förhindra att detta händer, är det fortfarande viktigt att förbereda sig för dessa situationer och bestämma under vilka förhållanden AI kan fatta beslut och med vilken nivå av mänsklig tillsyn.

Vad Artemis II bevisade

Artemis II validerade framgångsrikt Orions rymdfarkosts system, besättningsoperationer och uppdragsförfaranden under förhållanden som inte kan replikeras på jorden. På vägen har det också validerat sätten som människor och AI kan arbeta tillsammans bortom atmosfären.

Apollo-eran krävde enastående mänsklig prestation under tryck, främst på grund av nödvändighet. Artemis tar ett annat, mer distribuerat tillvägagångssätt, som är samarbetet mellan mänsklig intuition och utbildning och maskinintelligens.

Här hanterar AI den kontinuerliga, dataintensiva övervakningen som kan vara svår för besättningen att hantera. Denna assistans har frigjort deras tid och ansträngning, vilket tillåter dem att fokusera på de beslut och processer som bara människor kan göra.

För AI-entusiaster är Artemis II-månsmissionsuppdraget ett bevis för vad avsiktlig och genomtänkt AI-integration kan uppnå, särskilt med fyra liv som beror på att tekniken fungerar korrekt.