LONDON (IT BOLTWISE) – Auf Raumfahrzeugen läuft KI heute vor allem als eng begrenzte Software, die physische Engpässe lokal löst. Wegen der Laufzeit von Funkbefehlen entscheidet ein Mars-Rover wie Curiosity mit AEGIS erst an Ort und Stelle, welche Ziele per Laser angepeilt werden. Bei kleinen Erdbeobachtungssatelliten filtert KI Wolken direkt an Bord, um Downlink-Zeit zu sparen. In großen Konstellationen übernimmt Autonomie außerdem routinierte Kollisionsentscheidungen, weil Teams sonst schiere Datenmengen nicht manuell prüfen könnten.
Wer Schlagzeilen über „KI im Weltraum“ liest, erwartet häufig eine Art Urteilskraft wie bei einem Menschen: das Fahrzeug erkennt die Lage, plant flexibel und „entscheidet“ dann aus einer Art allgemeinem Verständnis heraus. In der Praxis ist das Bild viel technischer und zugleich realistischer. Auf aktuellen Missionen ist Künstliche Intelligenz vor allem ein Werkzeug, um sehr konkrete, wiederkehrende Engpässe zu entschärfen, die sich aus Lichtlaufzeiten, begrenzter Funkbandbreite oder dem schieren Volumen an Operationen ergeben. Sobald man diese Systeme als Antworten auf physikalische Grenzen versteht, wirkt die Technik weniger futuristisch, aber deutlich greifbarer.
Der wichtigste Treiber für Autonomie auf interplanetaren Missionen ist die Distanz. Ein Funksignal von der Erde benötigt grob vier bis 24 Minuten für den Weg zum Mars – je nachdem, wie die Planeten in ihren Bahnen gerade zueinander stehen. Dadurch gibt es kein „Echtzeit-Fernsteuern“ im klassischen Sinn; jede vermeintliche Kommandoentscheidung ist tatsächlich ein am Boden erstellter Plan, der zuvor geprüft, hochgeladen und dann am folgenden Martian Sol umgesetzt wird. Genau in diese Lücke setzt das Beispiel von NASAs Curiosity-Rover an: Seit Mai 2016 nutzt er AEGIS (Autonomous Exploration for Gathering Increased Science), das die Navigationskamerabilder des Rovers auswertet und passende Fels- oder Gelände-Features identifiziert, um dann die ChemCam-Laserspektrometrie auf den bestpassenden Bereich zu richten – ohne auf eine Rückmeldung aus dem Kontrollzentrum zu warten.
AEGIS verbessert dabei nicht „Geologie-Intelligenz“, sondern vor allem Trefferquoten innerhalb eines festgelegten Suchraums. Laut Beschreibung der AEGIS-Nutzung lag die Zielauswahl über die ersten vier Jahre hinweg bei über 93 Prozent dessen, was Materialwissenschaftler auf der Erde im Voraus als Kriterien definiert hatten. Ohne diese Onboard-Auswertung, also wenn das Team vorher raten musste, lag die Rate nur bei etwa 24 Prozent. Der Kernunterschied ist Timing: Die Software kann Informationen verwenden, die der Rover am selben Tag tatsächlich aufnimmt, statt auf einen zwei Tage älteren Plan zu reagieren, der durch die lange Lichtverzögerung bereits „veraltet“ ist. Das macht die Intelligenzkomponente enger als in Marketingtexten; AEGIS arbeitet im Wesentlichen mit visuellem Matching anhand von Merkmalen wie Helligkeit, Textur oder Form und wählt daraus den nächstliegenden Kandidaten – die „fachliche Vorarbeit“ liefere Geologie-Expertise, die Laufzeitlogik kommt von der Software.
Ein ähnliches Muster taucht am anderen Ende der Größenordnung auf. Kleine Erdbeobachtungssatelliten – teils kaum größer als eine Schuhschachtel – kämpfen mit begrenzter Energie, begrenztem Onboard-Speicher und einem engen Zeitfenster pro Umlauf, in dem sie mit Bodenstationen kommunizieren können. Außerdem ist nicht jedes Bild verwertbar: Wolken dominieren häufig den Kamerabildinhalt und verbrauchen trotzdem Leistung und Downlink-Kapazität. ESA nennt für die Mission Ψ-Sat-1 (Phi-Sat-1) aus 2020 einen frühen Praxisfall: Dort lief erstmals ein Deep-Neural-Network direkt auf einem dedizierten Onboard-KI-Beschleuniger, um Wolkenabdeckung in eigenen Aufnahmen zu erkennen und unbrauchbare Bilder vor dem Versand zu verwerfen. Dass das gelingt, hängt stark davon ab, dass die KI nicht als „großes Modell“ gedacht ist, sondern als effiziente, zielgerichtete Vorverarbeitungsstufe.
Dass Künstliche Intelligenz dafür nicht zwingend Teams mit Laborbudget benötigt, zeigt auch das Umfeld von OPS-SAT: Dort wurde SmartCam als „Flying Laboratory“ entwickelt, um missionserprobende Software vergleichsweise günstig zu testen, ohne die teure Hauptmission zu riskieren. Der Einstieg war dabei kein Forschungsprojekt über neue Lernparadigmen, sondern eine Alltagsstörung: Die Kamera lieferte überproportional viele schlechte Frames – etwa schwarze Bereiche, überbelichtete Bilder oder Unschärfen –, weil die Ausrichtung nicht immer perfekt gelang. Ein Mitglied des Flight-Teams baute eine Bildklassifikation, die diese Fehlerbilder vor dem Downlink aussortiert. Der beschriebene Ansatz nutzt bewusst ein off-the-shelf Machine-Learning-Framework, u. a. weil es sich ausreichend klein für das Hochladen per Uplink wählen ließ; erreicht wurden rund 95 Prozent Genauigkeit, und laut Darstellung war die Umsetzung vom ersten Vorschlag bis zum Start innerhalb von weniger als zwei Wochen fertig. Ein zweiter OPS-SAT-Versuch, der unter anderem auch in einer JPL-Zusammenfassung dokumentiert wird, setzte dagegen auf kontinuierliches Reinforcement Learning für die Attitude Control – mit dem Ziel, nicht nur auf ein fix vorgegebenes Steuerungsmodell zu vertrauen, sondern sich an veränderte Bedingungen anzupassen.
Die gleiche Grundlogik wird besonders deutlich, wenn statt einer einzelnen Mission die absolute Zahl an Raumobjekten zum Problem wird. Berichte zur Erdumlaufbahn nennen heute etwa 46.000 verfolgte Objekte, und schon eine einzelne Kollision kann in sehr kurzer Zeit Tausende Fragmente erzeugen. Für große Konstellationen heißt das: Selbst wenn ein Operations-Team sehr erfahren ist, kann es nicht jeden nahen Vorbeiflug täglich manuell prüfen – die Entscheidungen müssen in Menge und Geschwindigkeit passieren, die menschliche Review-Prozesse nicht abbilden. Praktisch werden deshalb Konstellationen mit Kollisionsvermeidungssoftware betrieben, die Trackingdaten fortlaufend verarbeitet und bei Überschreiten eines Risikoschwellenwerts autonome Bahnkorrrekturen anstößt, ohne dass für jeden Einzelfall erst eine Person in der Schleife sein muss. Das unterscheidet sich sowohl vom Mars-Beispiel als auch vom Bandbreitenproblem: Nicht Lichtlaufzeit oder Funkfenster treiben hier, sondern schlicht die Zahl der Ereignisse.
Aus diesen drei Szenarien lässt sich eine nüchterne Schlussfolgerung ziehen: Keine der genannten Anwendungen beschreibt, dass ein Raumfahrzeug „allgemein“ über sich und seine Umgebung nachdenkt. Stattdessen handelt es sich um eng zugeschnittene KI-Module, die ein bestimmtes Bottleneck wegoptimieren – zu wenig Zeit, zu wenig Downlink, zu wenig Personal, um routinierte Prüfungen in Echtzeit zu leisten. Das ist weniger spektakulär als „intelligente“ Raumschiffe in Science-Fiction, aber es trifft ziemlich genau, was derzeit tatsächlich im Orbit und auf interplanetaren Missionen genutzt wird. Die eigentliche spannende Frage ist daher nicht, ob Raumfahrzeuge intelligenter werden, sondern wie viele dieser unglamourösen Engpässe noch offen sind und sich mit derselben pragmatischen Logik lösen lassen – bevor man noch mehr Rechenleistung in allgemeine, schwer zu validierende „Urteils“-Versprechen investiert.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Wie KI heute auf Raumfahrzeugen wirklich funktioniert: enge Autonomie statt Urteilskraft" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Wie KI heute auf Raumfahrzeugen wirklich funktioniert: enge Autonomie statt Urteilskraft" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Wie KI heute auf Raumfahrzeugen wirklich funktioniert: enge Autonomie statt Urteilskraft« bei Google Deutschland suchen, bei Bing oder Google News!