LLM based expert AI agent for mission operation management

• Autorzy: Mummaneni Sobhana , Gudipati Syama Sameera , Panda Satwik

Identyfikatory

DOI

10.35784/iapgos.6694

Warianty tytułu

PL

Ekspert agenta AI z opcją LLM do zarządzania operacjami misji

• Języki publikacji: EN

Abstrakty

EN

Mission operation management is the coordination and control of various activities related to the operation of a satellite. This critical function involves planning, monitoring, controlling, and coordinating all aspects of the mission, ensuring the spacecraft achieves its objectives. Current mission operation management faces limitations in terms of data transmission relying solely on ground control, manual analysis procedures, and not capitalizing on technology for optimizing routine mission operations. This research proposal aims to develop a Large Language Model (LLM) based Expert AI agent for performing mission operation management. The proposed LLM based AI assistant will perform tasks such as data analysis for pattern recognition, operational planning, and document summarization. The system is designed to operate offline, providing flexibility in deployment. Integrating AI with mission operation management can benefit mission controllers and engineers, scientists and researchers, space agencies and organizations. AI offers opportunities to reduce mission costs, improve success rates, and enhance the efficiency of space exploration programs.

PL

Zarządzanie operacjami misji to koordynacja i kontrola różnych działań związanych z eksploatacją satelity. Ta krytyczna funkcja obejmuje planowanie, monitorowanie, kontrolowanie i koordynację wszystkich aspektów misji, zapewniając osiągnięcie przez statek kosmiczny swoich celów. Obecne zarządzanie operacjami misji napotyka ograniczenia w zakresie transmisji danych, opierając się wyłącznie na kontroli naziemnej i ręcznych procedurach analitycznych, a nie wykorzystując technologii do optymalizacji rutynowych operacji misji. Celem tej propozycji badawczej jest opracowanie agenta Expert AI opartego na modelu dużego języka (LLM) do zarządzania operacjami misji. Proponowany asystent AI oparty na LLM będzie wykonywał zadania takie jak analiza danych w celu rozpoznania wzorców, planowanie operacyjne i podsumowywanie dokumentów. System zaprojektowano do pracy w trybie offline, co zapewnia elastyczność we wdrażaniu. Integracja sztucznej inteligencji z zarządzaniem operacjami misji może przynieść korzyści kontrolerom i inżynierom misji, naukowcom i badaczom, agencjom i organizacjom kosmicznym. Sztuczna inteligencja oferuje możliwości obniżenia kosztów misji, poprawy wskaźników powodzenia i zwiększenia efektywności programów eksploracji kosmosu.

Słowa kluczowe

EN

artificial intelligence; expert AI agent; Large Language Model (LLM); mission operation management; telemetry data; Retrieval Augmented Generation (RAG)

PL

sztuczna inteligencja; ekspert AI; model wielkojęzyczny; zarządzanie operacjami misji; dane telemetryczne; generowanie rozszerzone wyszukiwania

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2025
• Tom: T. 15, nr 1
• Strony: 88--94
• Opis fizyczny: Bibliogr. 30 poz., rys.

Twórcy

autor

Mummaneni Sobhana

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Vijayawada, India

• https://orcid.org/0000-0001-5938-5740

autor

Gudipati Syama Sameera

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Vijayawada, India

• https://orcid.org/0009-0006-7405-7570

autor

Panda Satwik

• Velagapudi Ramakrishna Siddhartha Engineering College, Department of Computer Science and Engineering, Vijayawada, India

• https://orcid.org/0009-0005-4154-9918

Bibliografia

• [1] Ahn H. et al.: Deep generative models-based anomaly detection for spacecraft control systems. Sensors 20(7), 2020, 1991.
• [2] Berquand A. et al.: Artificial intelligence for the early design phases of space missions. 2019 IEEE Aerospace Conference, IEEE, 2019.
• [3] Chen B. et al.: Unleashing the potential of prompt engineering in large language models: a comprehensive review. arXiv, 2310.14735, 2023.
• [4] Cuéllar S. et al.: Explainable anomaly detection in spacecraft telemetry. Engineering Applications of Artificial Intelligence 133, 2024, 108083.
• [5] Edge D. et al.: From local to global: A graph rag approach to query-focused summarization. arXiv, 2404.16130, 2024.
• [6] Ferreira J. J., de Souza Monteiro M.: Do ML Experts Discuss Explainability for AI Systems? A discussion case in the industry for a domain-specific solution. arXiv, 2002.12450, 2020.
• [7] Florin et al.: The power of noise: Redefining retrieval for rag systems. Proceedings of the 47th International ACM SIGIR Conference on Research and Development in Information Retrieval. 2024.
• [8] Furano G. et al.: AI in space: Applications examples and challenges. IEEE International Symposium on Defect and Fault Tolerance in VLSI and Nanotechnology Systems (DFT). IEEE, 2020.
• [9] Hei Z. et al.: Dr-rag: Applying dynamic document relevance to retrieval augmented generation for question-answering. arXiv, 2406.07348, 2024.
• [10] Herrmann L. et al.: Unmasking overestimation: a re-evaluation of deep anomaly detection in spacecraft telemetry. CEAS Space Journal 16(2), 2024, 225–237.
• [11] Janjanam D. et al.: Design of an expert system architecture: An overview. Journal of Physics: Conference Series 1767(1), 2021.
• [12] Jin H. et al.: A comprehensive survey on process-oriented automatic text summarization with exploration of LLM-based methods. arXiv, 2403.02901, 2024.
• [13] Josphineleela R. et al.: Exploration beyond boundaries: Ai-based advancements in rover robotics for lunar missions space like chandrayaan. Int. J. Intell. Syst. Appl. Eng 11(10s), 2023, 640–648.
• [14] Ke Y. et al.: Development and Testing of Retrieval Augmented Generation in Large Language Models--A Case Study Report. arXiv, 2402.01733, 2024.
• [15] Liu D. et al.: Fragment anomaly detection with prediction and statistical analysis for satellite telemetry. IEEE Access 5, 2017, 19269–19281.
• [16] Liu S. et al.: Towards a robust retrieval-based summarization system. arXiv, 2403.19889, 2024.
• [17] Muhammad H. H. et al.: A review on optimization-based automatic text summarization approach. IEEE Access 12, 2023, 4892–4909.
• [18] Murdaca F. et al.: Knowledge-based information extraction from datasheets of space parts. 8th International Systems & Concurrent Engineering for Space Applications Conference 2018.
• [19] Nalepa J. et al.: Evaluating algorithms for anomaly detection in satellite telemetry data. Acta Astronautica 198, 2022, 689–701.
• [20] Obied M. A. et al.: Deep clustering-based anomaly detection and health monitoring for satellite telemetry. Big Data and Cognitive Computing 7(1), 2023, 39.
• [21] O'Meara C. et al.: Applications of deep learning neural networks to satellite telemetry monitoring. 2018 Spaceops Conference.
• [22] Ostaszewski K. et al.: Pattern recognition in time series for space missions: A rosetta magnetic field case study. Acta Astronautica 168, 2020, 123–129.
• [23] Pilastre B. et al.: Anomaly detection in mixed telemetry data using a sparse representation and dictionary learning. Signal Processing 168, 2020, 107320.
• [24] Purwar A.: Evaluating the efficacy of open-source llms in enterprise-specific rag systems: A comparative study of performance and scalability. arXiv, 2406.11424, 2024.
• [25] Sahoo P. et al.: A systematic survey of prompt engineering in large language models: Techniques and applications. arXiv preprint arXiv, 2402.07927, 2024.
• [26] Schefels C. et al.: To Catch Them All: A Generic Approach for Pattern Detection in Time Series Satellite Telemetry Data. 2021.
• [27] Raj Mathav J. et al.: Fine tuning llm for enterprise: Practical guidelines and recommendations. arXiv, 2404.10779, 2024.
• [28] Waisberg E. et al.: Generative pre-trained transformers (GPT) and space health: a potential frontier in astronaut health during exploration missions. Prehospital and Disaster Medicine 38(4), 2023, 532–536.
• [29] Wang Y. et al.: A deep learning anomaly detection framework for satellite telemetry with fake anomalies. International Journal of Aerospace Engineering 1, 2022, 1676933.
• [30] Zeng Z. et al.: Satellite telemetry data anomaly detection using causal network and feature-attention-based LSTM. IEEE Transactions on Instrumentation and Measurement 71, 2022, 1–21.