Stanford : une IA pour amarrer automatiquement à l'ISS

Amarrage à la Station spatiale internationale (ISS) paraît simple en apparence, mais les réalités de la mécanique orbitale le rendent extrêmement complexe. À une vitesse de plus de vingt-huit mille kilomètres par heure, sans friction atmosphérique pour ralentir la trajectoire et avec des conséquences catastrophiques en cas de collision, la manœuvre exige une précision absolue. Depuis des décennies, les ingénieurs s'appuient sur des algorithmes de pilotage codés en dur, des filtres de Kalman étendus et le contrôle humain. Toutefois, ces systèmes traditionnels peinent à traiter les flux vidéo en temps réel et restent vulnérables aux variations lumineuses ou aux ombres portées par la station. Les algorithmes d'apprentissage par renforcement, bien que performants dans des environnements strictement définis, manquent de flexibilité lorsque les règles ou la configuration de la station changent. Pour surmonter ces limites, des chercheurs de l'Université Stanford ont développé l'Out-of-this-World-Model (OWM), un système d'intelligence artificielle basé sur le concept de modèle du monde. Contrairement aux approches classiques qui résolvent des équations mathématiques complexes, ce modèle fonctionne comme une simulation mentale. Il apprend les lois physiques de l'environnement spatial directement à partir de l'expérience, génère des scénarios futurs possibles et ajuste en continu les poussées des propulseurs pour s'approcher de l'objectif. Une mesure de confiance intégrée permet au système d'évaluer la probabilité de réussite de chaque simulation et de s'adapter rapidement en cas de divergence imprévue. L'entraînement de l'OWM a représenté un défi majeur, nécessitant des centaines de milliers de simulations. Pour accélérer le processus, l'équipe a conçu AstroJAX, une bibliothèque logicielle optimisée pour fonctionner sur des unités de traitement graphique (GPU), des composants initialement conçus pour le jeu vidéo mais idéaux pour le calcul intensif. Cette approche a considérablement réduit le temps de développement. Le modèle a maîtrisé les manœuvres d'approche et d'amarrage en seulement cinq cent mille itérations, contre vingt-cinq millions pour un système d'apprentissage par renforcement équivalent. Les tests ont démontré une amélioration significative des performances. L'OWM a atteint un taux de réussite de cinquante-trois pour cent lors des tentatives d'amarrage sur l'ensemble des ports de l'ISS, nettement supérieur aux vingt-neuf pour cent enregistrés par les algorithmes traditionnels. Plus important encore, il a prouvé sa capacité à s'adapter à des ports d'amarrage inconnus et à gérer des situations imprévues, comme la présence d'un vaisseau déjà stationné. Toutefois, les opérations à très courte distance restent difficiles, le système étant excessivement prudent face aux risques de collision, un paramètre qui sera ajusté lors des prochaines mises à jour. Bien qu'il reste du temps avant qu'un vaisseau autonome ne prenne le contrôle complet d'une telle séquence, et encore plus avant un amarrage avec équipage, la trajectoire est clairement tracée. Avec l'explosion du nombre de satellites nécessitant une maintenance ou un désorbitage programmé, et l'essor imminent du tourisme spatial, l'intégration de l'intelligence artificielle dans les opérations de rendez-vous orbital n'est plus une question de capacité, mais de mise en œuvre. Les travaux de l'équipe de Stanford ouvrent ainsi une voie prometteuse vers des missions spatiales plus sûres, plus flexibles et entièrement automatisées.