Da Redazione 
L’Intelligenza Artificiale ha appreso in ambiente simulato le operazioni da compiere in orbita
L’impatto dell’Intelligenza Artificiale nel campo dell’esplorazione spaziale raggiunge un altro obiettivo: operare movimenti in orbita in maniera autonoma. Il progetto LeLaR (Lernende Lageregelung – In-Orbit Demonstrator for Learning Attitude Control – Apprendimento per il controllo dell’Assetto) frutto della collaborazione tra l’Università di Würzburg e la TU Berlin, con il sostegno dell’Agenzia spaziale tedesca (DLR) e del Ministero Federale per l’Economia e la Protezione del Clima, ha testato un sistema di controllo d’assetto satellitare basato su IA, in grado di prendere decisioni, apprendere e correggere le proprie manovre in modo indipendente, senza intervento umano da terra.
Il piccolo satellite di classe CubeSat InnoCube è stato lanciato con successo a gennaio 2025 con lo specifico obiettivo di dimostrare la fattibilità (proof-of-concept) che un sistema di controllo dell’assetto (ADCS) basato sull’AI potesse operare in modo affidabile nello spazio. Il 30 ottobre 2025, l’AI ha preso il controllo esclusivo delle operazioni critiche e il sistema a bordo ha gestito autonomamente le ruote di reazione (i dispositivi utilizzati per l’orientamento del satellite). L’AI ha eseguito una rotazione completa del satellite verso l’assetto desiderato e ha mantenuto la stabilità in orbita, dimostrando di poter eseguire correzioni precise senza alcun intervento umano in tempo reale.
Il cuore di questa autonomia è l’implementazione del Deep Reinforcement Learning (DRL). A differenza dei sistemi di controllo tradizionali, che sono programmati con regole fisse e modelli matematici rigidi, l’AI di InnoCube ha imparato il comportamento ottimale attraverso l’esperienza simulata, combinando le tecniche di Reinforcement Learning (RL), in cui un “agente” (l’algoritmo di controllo) impara a compiere azioni (modificare la velocità delle ruote di reazione) in un “ambiente” (il modello orbitale simulato) per massimizzare una “ricompensa” e il Deep Learning (DL), che utilizza reti neurali profonde per interpretare lo “stato” attuale del satellite (orientamento, velocità, ecc.) e tradurlo in una “azione” ottimale. Il passo finale è stato il trasferimento dal simulato al reale (Sim2Real): dopo l’addestramento, il “cervello” dell’AI è stato caricato a bordo e la capacità dell’algoritmo di funzionare nello spazio, superando le inevitabili imperfezioni tra il modello simulato e la dinamica orbitale reale, è stata la chiave del successo del progetto LeLaR, destinato ad aprirsi a missioni sempre più complesse nel futuro.
Michele Di Schino