在國際空間站（ISS）的復雜環境中，一套基于機器學習的自主導航控制系統近日完成關鍵測試，標志著太空機器人技術向全自主化邁出重要一步。斯坦福大學研究團隊利用立方體形自由飛行機器人“Astrobee”作為實驗平臺，成功驗證了該系統在無人工干預下穿越空間站狹窄通道的能力，為未來深空任務中機器人獨立執行復雜操作奠定了技術基礎。
國際空間站內部密集部署著實驗設備、線纜和儲物架，其空間布局的復雜性遠超地面場景。項目負責人索姆麗塔·班納吉指出，傳統路徑規劃算法無法直接應用于太空硬件，主要原因在于星載計算機的計算資源受限，且太空環境存在更高不確定性。研究團隊針對這一難題，開發了基于序列凸規劃的優化框架，通過生成安全可行的運動軌跡確保機器人避障能力。然而，直接求解優化問題耗時較長，難以滿足實時性需求。
為突破計算效率瓶頸，團隊創新性地引入機器學習模型進行“熱啟動”優化。該模型通過分析數千組歷史路徑數據，為優化算法提供經驗性初始解，在保留所有安全約束的前提下，將規劃速度提升50%至60%。班納吉比喻稱，這一過程類似于規劃跨城路線時優先參考常用道路，而非理論上的最短路徑。實驗數據顯示，在涉及狹窄空間穿行和復雜旋轉機動等高難度場景中，AI輔助系統的表現尤為突出。
地面測試階段，研究團隊在NASA艾姆斯研究中心的微重力模擬平臺上完成了系統驗證。正式部署至空間站后，宇航員僅需完成初始設置，后續操作全部由地面團隊通過約翰遜航天中心的遠程指令控制。在18組對比實驗中，每條軌跡分別采用傳統“冷啟動”和AI“熱啟動”方式執行，結果證實新系統在復雜場景下的響應速度顯著優于傳統方法。
該技術已獲得NASA技術就緒等級5級認證，表明其已在真實太空環境中得到充分驗證。這項突破性成果不僅降低了未來太空任務的技術風險，更為機器人執行深空探測、空間站維護等任務提供了自主決策能力。研究團隊正計劃升級系統架構，引入更先進的人工智能模型，以應對深空環境中更復雜的未知挑戰。
隨著太空探索范圍不斷擴展，機器人自主性需求日益迫切。班納吉強調，當地球與探測器的距離拉大、任務頻率提高時，依賴地面遙操作的模式將難以持續。此次研究通過融合優化算法與機器學習，為解決太空機器人實時決策難題提供了創新思路，其技術路徑或將成為未來深空任務的標準配置。
