Le « modèle du monde » de Stanford apprend aux vaisseaux spatiaux à rêver leur chemin vers l'amarrage

Le créneau le plus difficile du système solaire

L'amarrage d'un vaisseau spatial à la Station spatiale internationale ressemble, dans les animations, à un ballet lent et gracieux. La réalité s'apparente davantage à un cauchemar physique aux enjeux considérables. La station orbite à environ 28 000 kilomètres par heure, et une capsule en approche doit atteindre cette vitesse tout en s'insérant dans un port d'amarrage avec des tolérances mesurées en centimètres. Comme l'a formulé le contributeur d'Universe Today Andy Tomaswick, c'est comme rouler sur une autoroute à 28 000 km/h et faire un créneau dans un garage ouvert situé sur un laboratoire à plusieurs milliards de dollars se déplaçant à la même vitesse.

La mécanique orbitale ajoute des complications cruelles que les conducteurs sur Terre n'affrontent jamais. Si un pilote tente d'accélérer vers l'avant, le vaisseau dérive en réalité vers le haut. Il n'y a pas de friction de l'air pour ralentir naturellement le véhicule. Et les conséquences d'un échec sont catastrophiques : une collision pourrait tuer toutes les personnes à bord du vaisseau visiteur et de la station, et le champ de débris résultant pourrait menacer des dizaines de satellites et même des personnes au sol.

Pendant des décennies, les ingénieurs aérospatiaux se sont appuyés sur des équations physiques codées en dur et des pilotes humains pour les corriger. Aujourd'hui, un nouvel article en prépublication de chercheurs de Stanford, disponible sur arXiv, propose une approche différente. L'équipe développe une IA qui effectue une série de « simulations mentales » — une capacité qui, selon elle, pourrait fondamentalement changer la façon dont les futurs vaisseaux spatiaux interagissent entre eux. Leur système s'appelle l'Out-of-this-World Model, ou OWM.

Comment les vaisseaux s'amarrent aujourd'hui — et où cela échoue

Pour comprendre pourquoi l'OWM est important, il est utile de saisir la boîte à outils conventionnelle de la navigation en orbite terrestre basse (LEO). Les ordinateurs de navigation traditionnels exécutent un algorithme de guidage, navigation et contrôle (GNC). Ils utilisent également un outil mathématique appelé filtre de Kalman étendu, qui ingère les données des récepteurs GPS et des viseurs d'étoiles et produit les cycles de fonctionnement des propulseurs nécessaires pour diriger le véhicule.

Les filtres de Kalman et le problème de la vidéo

Les filtres de Kalman sont puissants, mais ils sont mauvais pour traiter la vidéo à haute vitesse. Cette limitation pousse les ingénieurs vers des techniques de vision par ordinateur traditionnelles. Dans l'espace, cependant, ces techniques se heurtent à un obstacle sérieux : elles sont fragiles. Si la lumière du soleil se reflète sur un panneau solaire, ou si une partie de la cible est soudainement couverte d'ombre, les algorithmes de vision par ordinateur peuvent être complètement déstabilisés. Un port d'amarrage clairement visible à un instant peut devenir une forme méconnaissable l'instant suivant.

Pourquoi l'apprentissage par renforcement trébuche

L'apprentissage automatique semble être la solution parfaite, et les chercheurs ont essayé. Ils ont commencé à appliquer des algorithmes d'apprentissage par renforcement (RL) — la même famille de méthodes qui a notamment appris aux ordinateurs à gagner aux échecs et à Dota. Mais le RL a une zone de confort étroite : il excelle lorsque les règles sont fixes et spécifiques. Changez les règles, par exemple en inversant le côté de l'ISS où se trouve le port d'amarrage, et les algorithmes ne savent plus quoi faire. Une manœuvre d'amarrage qui fonctionnait parfaitement dans une configuration peut échouer complètement dans une autre.

Voici l'Out-of-this-World Model

La réponse de l'équipe de Stanford est un « modèle du monde » (World Model). Plutôt que de mémoriser un ensemble unique de règles ou de s'appuyer sur une détection de caractéristiques fragile, un modèle du monde construit une représentation interne de l'environnement et l'utilise pour exécuter des simulations mentales. Le vaisseau spatial peut, en effet, rêver de futurs possibles — imaginant comment ses propulseurs modifieront sa trajectoire, comment la station apparaîtra lorsqu'elle tournera, et comment les conditions d'éclairage pourraient changer — avant de s'engager dans une poussée.

C'est un écart significatif par rapport au GNC classique et au RL pur. Les algorithmes classiques dépendent d'équations élaborées à la main qui doivent être ajustées pour chaque mission. Les agents RL dépendent d'un entraînement intensif dans un domaine étroit. Un modèle du monde vise à généraliser : en apprenant un modèle prédictif du fonctionnement du monde, il peut s'adapter lorsque le scénario change, comme une orientation différente du port d'amarrage ou des ombres inattendues.

L'analogie du baseball : penser sans équations

Les chercheurs expliquent le concept avec une analogie qui n'a rien à voir avec les fusées : un joueur de baseball ou de cricket attrapant une balle volante. Lorsqu'un joueur de champ se déplace pour réaliser une prise, il ne commence pas immédiatement à résoudre des équations aux dérivées partielles. Il s'appuie plutôt sur un modèle intuitif et prédictif de la trajectoire de la balle — une simulation mentale construite à partir de l'expérience. Il court, s'ajuste et intercepte la balle sans jamais calculer une trajectoire sur papier.

Un modèle du monde donne à un vaisseau spatial quelque chose de similaire. Au lieu de résoudre explicitement les équations du mouvement orbital à chaque étape, l'IA peut simuler les résultats en interne. Elle peut « rêver » son chemin à travers une approche d'amarrage, testant des actions hypothétiques par rapport à son modèle appris de la physique et de la perception. Si la simulation mentale prédit une collision ou un alignement manqué, le système peut s'ajuster avant que la manœuvre ne tourne mal dans le monde réel.

Ce que cela pourrait signifier pour les futurs vaisseaux spatiaux

Les implications dépassent l'amarrage à l'ISS. À mesure que davantage de vaisseaux spatiaux opèrent de manière autonome — desservant des satellites, assemblant des structures en orbite ou naviguant dans un trafic dense en orbite — la capacité à raisonner sur des situations nouvelles devient essentielle. Les équations codées en dur et la vision par ordinateur fragile pourraient ne pas passer à l'échelle dans un futur où les véhicules doivent coopérer, éviter les débris et s'adapter à des conditions qu'aucun ingénieur n'a pleinement anticipées.

L'article de Stanford est une prépublication, ce qui signifie qu'il n'a pas encore été évalué par des pairs, et le texte source ne détaille pas l'architecture de l'OWM, les données d'entraînement ou les benchmarks de performance. Mais l'idée centrale est convaincante : apprendre aux vaisseaux spatiaux à construire un modèle mental de leur monde, puis les laisser s'exercer dans leur tête avant d'allumer les propulseurs. Si cela fonctionne, l'amarrage pourrait devenir moins un créneau stressant et davantage une routine — une routine où le vaisseau spatial a déjà imaginé mille façons dont l'approche pourrait mal tourner et a trouvé un chemin à travers.

Pour l'instant, le problème reste aussi redoutable que jamais. Égaliser les vitesses à 28 000 km/h, compenser la dérive orbitale et éviter une collision catastrophique ne sont pas des défis qui disparaissent du jour au lendemain. Mais les chercheurs de Stanford parient que la prochaine génération de vaisseaux spatiaux ne se contentera pas de calculer son chemin vers la station. Elle rêvera son chemin jusque-là.

Cet article est basé sur un reportage d'Universe Today. Lire l'article original.