Künstliche Intelligenz (Artificial Intelligence) durchbricht die Schwerkraftgrenze: Maschinelles Lernen (machine learning) optimiert die Robotik der ISS

Die Grenze der Künstlichen Intelligenz (Artificial Intelligence) hat sich offiziell über die Atmosphäre der Erde hinaus ausgedehnt. In einem wegweisenden Erfolg für die Raumfahrt und autonome Systeme haben Forscher der Stanford University in Zusammenarbeit mit der NASA erfolgreich maschinelle Lernalgorithmen (machine learning) auf Robotern implementiert, die an Bord der Internationalen Raumstation (ISS) operieren. Dieser Durchbruch, der die Effizienz der Planung robotischer Bewegungen um etwa 50–60 % verbessert, markiert das erste Mal, dass maschinelles Lernen (machine learning) zur Steuerung robotischer Bewegungen in der komplexen Mikrogravitation (microgravity) der niedrigen Erdumlaufbahn (low Earth orbit) eingesetzt wurde.

Dieser Fortschritt ist nicht nur ein technisches Upgrade; er stellt einen grundlegenden Wandel in der Herangehensweise der Menschheit an die Raumforschung dar. Während Agenturen und private Unternehmen ihren Blick auf Mond, Mars und darüber hinaus richten, wird die Fähigkeit von Maschinen, unabhängig von bodengestützter Missionskontrolle zu denken und zu handeln, zu einer kritischen Notwendigkeit.

Das Stanford-Experiment: Ein „Warm Start“ für Astrobee (Warm Start)

Der Schwerpunkt dieser Innovation ist Nasas Astrobee, ein würfelförmiges, frei fliegendes Robotersystem, das dazu entwickelt wurde, Astronauten bei Routineaufgaben wie Inventarverwaltung, Dokumentation von Experimenten und Transport von Fracht zu unterstützen. Obwohl Astrobee ein ingenieurtechnisches Meisterwerk ist, waren seine Navigationsfähigkeiten historisch gesehen durch die einzigartigen Herausforderungen der ISS-Umgebung eingeschränkt. Die Station ist ein Labyrinth aus Modulen, Kabeln, Haltegriffen und wissenschaftlichen Gestellen—ein „verstopfter Flur“-Szenario, das autonome Navigation notorisch schwierig macht.

Die leitende Forscherin Somrita Banerjee, Doktorandin an der Stanford University, und ihr Team gingen diese Herausforderung an, indem sie die Art und Weise überdachten, wie Roboter ihre Wege planen. Traditionelle Navigationsalgorithmen berechnen Routen von Grund auf neu und suchen nach einem sicheren Pfad durch ein Hindernislabyrinth—ein Prozess, der rechenintensiv und langsam ist.

Das Stanford-Team führte einen maschinellen Lernansatz (machine learning) mit sogenannten „Warm Starts“ (Warm Start) ein. Anstatt bei null zu beginnen, greift das KI-Modell auf Tausende zuvor simulierter Trajektorien zurück, um eine fundierte Anfangsvermutung für die beste Route zu erzeugen.

Somrita Banerjee erklärte das Konzept mit einer irdischen Analogie: „Die Verwendung eines Warm Starts ist wie die Planung einer Autofahrt, indem man mit einer Strecke beginnt, die reale Menschen schon gefahren sind, anstatt eine gerade Linie auf der Karte zu zeichnen. Man beginnt mit etwas, das von Erfahrung informiert ist, und optimiert dann von dort aus.“

Wichtige Erfolge des Experiments:

• Effizienz: Die Geschwindigkeit der Routenplanung verbesserte sich um 50–60 %.
• Sicherheit: Strenge Sicherheitsprotokolle wurden beibehalten, einschließlich virtueller Sperrzonen.
• Hardware-Kompatibilität: Erfolgreich ausgeführt auf älteren, strahlengehärteten Prozessoren mit begrenzter Rechenleistung.
• Einsatzreife: Erreichte den NASA-Technologiereifegrad (Technology Readiness Level, TRL) 5.

Überwindung der „Space-Compute“-Lücke (space compute)

Einer der bedeutendsten Aspekte dieses Durchbruchs ist, dass er das „Space-Compute“-Problem (space compute) löst. Für die Raumfahrt zertifizierte Computer sind auf Strahlenbeständigkeit ausgelegt, nicht auf Hochgeschwindigkeitsverarbeitung. Infolgedessen liegen sie oft Generationen hinter den Prozessoren moderner Smartphones oder terrestrischer Server zurück.

Standard-Pfadplanungsalgorithmen bremsen auf diesen älteren Systemen oft aus, was Verzögerungen schafft, die Echtzeitautonomie gefährlich oder unmöglich machen. Indem die schwere kognitive Arbeit auf die Trainingsphase ausgelagert wird (auf der Erde durchgeführt) und das an Bord befindliche Robotersystem lediglich einen vorerlernten Pfad „anpasst“, hat das Stanford-Team einen praktikablen Weg demonstriert, fortschrittliche KI (siehe Edge-KI) auf begrenzter Hardware einzusetzen.

Table: Evolution of Space Robotic Control

Die breitere AI-Weltraumwirtschaft

Dieser robotische Meilenstein steht im größeren Kontext einer raschen Transformation des Weltraumsektors. Laut jüngster Analyse der Brookings Institution wird die Weltraumwirtschaft bis 2035 voraussichtlich auf 1,8 Billionen Dollar anwachsen, angetrieben vor allem durch den kommerziellen Sektor und Mega-Konstellationen von Satelliten.

Da die Anzahl der Satelliten im Orbit anwächst—bis 2030 werden bis zu 100.000 erwartet—explodiert das erzeugte Datenvolumen. Allein NASAs Archive der Erdbeobachtung (Earth Observation) haben die Marke von 100 Petabytes erreicht. Das traditionelle Modell, alle Rohdaten zur Analyse zurück zur Erde zu senden, wird aufgrund von Bandbreitenbeschränkungen und Latenz zunehmend untragbar.

Die Integration von KI, wie durch das Astrobee-Experiment demonstriert, signalisiert den Aufstieg der Edge-KI (Edge AI) im Orbit. Diese Technologie ermöglicht es Satelliten und Robotern, Daten vor Ort zu verarbeiten, kritische Informationen zu priorisieren und autonome Entscheidungen zu treffen. Dieser Wandel ist essenziell für:

• Weltraummüllmanagement: Satelliten, die Kollisionen in dicht besetzten Umlaufbahnen autonom vermeiden.
• Erdbeobachtung (Earth Observation): Echtzeit-Erkennung von Waldbränden oder illegalem Fischfang ohne Warten auf Bodenverarbeitung.
• Tiefenraumforschung (Deep Space Exploration): Rover auf dem Mars oder Sonden zu Europa können nicht 20–40 Minuten auf Anweisungen von der Erde warten; sie müssen eigenständig navigieren und handeln.

Umgang mit Risiken und Governance

Während die technologischen Möglichkeiten enorm sind, bringt die Verbreitung von KI im Weltraum neue Komplexitäten mit sich. Die Konvergenz von KI und Raumfahrttechnologien verstärkt Risiken im Bereich der Cybersicherheit (cybersecurity) und der Marktkonzentration.

Da kommerzielle Akteure wie SpaceX mit Starlink bereits einen Großteil der aktiven Satelliten stellen, besteht die Sorge über die Zentralisierung von Weltraumdaten und -infrastruktur. Zudem werden Raumassets, je mehr sie softwaredefiniert sind, anfälliger für Cyberangriffe. Ein kompromittiertes KI-System auf einem manövrierfähigen Satelliten könnte theoretisch zu einer Waffe werden oder katastrophale, trümmerverursachende Kollisionen auslösen.

Experten plädieren für „agile Governance“ und internationale Zusammenarbeit, um diese Risiken zu bewältigen. Zu den Empfehlungen gehören die Entwicklung von Standards für erklärbare KI (explainable AI) für raumfahrtgeeignete Hardware und internationale Verhaltenskodizes, um sicherzustellen, dass autonome Systeme im gemeinsamen Raum des Weltraums vorhersehbar handeln.

Zukunftsausblick: Von LEO bis zur Mondoberfläche

Der Erfolg der Zusammenarbeit zwischen Stanford und der NASA auf der ISS ist ein wichtiger Meilenstein für das Artemis-Programm und zukünftige Marsmissionen. Die Fähigkeit eines Roboters, in einer überfüllten, dynamischen Umgebung mit begrenzter menschlicher Aufsicht sicher zu navigieren, ist genau die Fähigkeit, die benötigt wird, um Habitate auf dem Mond zu bauen oder Raumfahrzeuge im Tiefenraum zu reparieren.

Wir erleben den Übergang von der „Fernsteuerungs“-Ära der Raumfahrt zur „autonomen“ Ära. Während KI-Modelle immer raffinierter werden und raumtaugliche Hardware sich verbessert, werden die robotischen Begleiter künftiger Astronauten nicht nur Werkzeuge sein, sondern intelligente Partner, die wahrnehmen, planen und handeln, um den Missions­erfolg zu sichern. Der Effizienzgewinn von 50–60 % auf der ISS ist nur die erste Kennzahl einer Revolution, die das nächste Jahrhundert der Erforschung prägen wird.