Будући планетарни ровери могу донети сопствене одлуке

ЕкоМарс Ровер Цонцепт Имаге

Концептна слика за ровер ЕкоМарс који се развија за мисију на Марс 2018. године. (Кредит за слику: ЕСА)





Врућ је летњи дан, а ваше очи виде кола са сладоледом напред. Чак и без размишљања, крећете тим правцем. Планетарни научници желели би роботима дати такву врсту визуелног препознавања-не за добијање сладоледа, већ за проналажење научно занимљивих циљева.



Тренутно, ровера и других свемирских возила још увек у великој мери зависе од наредби својих људских контролора на Земљи. Али да би одлучили које команде ће послати, оператери морају сачекати да приме свемирске летелице слике и друге битне информације. Будући да ровери немају моћне антене, овај такозвани довнлинк обично траје много времена.

Уско грло података значи да ровери често „врте палцем“ између наредних команди.



„Наш циљ је да направимо паметне инструменте који могу учинити више у оквиру сваког командног циклуса“, ​​каже Давид Тхомпсон из Лабораторије за млазни погон у Пасадени, Калифорнија.

Тхомпсон води пројекат под називом ТектуреЦам, који укључује креирање пакета рачунарског вида који може мапирати површину идентификујући геолошке карактеристике. Он је првенствено замишљен за ровер, али би такође могао имати користи свемирска летелица у посети астероиду или аеробот који лебди у атмосфери далеког света. [ Занимљивост - теренац Марс Ровера ]

Уз средства НАСА-ине Астробиологи Сциенце анд Тецхнологи фор Екплоринг Планетс (АСТЕП), Тхомпсонов тим тренутно усавршава свој компјутерски алгоритам, са евентуалним планом за изградњу прототипа инструмента који може мапирати астробиолошки релевантну локацију на терену.



ТектуреЦам анализа слике Марса може разликовати стене од тла.

ТектуреЦам анализа слике Марса може разликовати стене од тла.(Кредит за слику: НАСА/ЈПЛ/Цалтецх/Цорнелл)

Роам ровер, роам ровер



Роверс је већ направио велики напредак у аутономији. Тренутни прототипови могу прећи чак километар самостално користећи уграђени навигациони софтвер. Ово омогућава овим возилима да покрију много већу територију.

Али једна забринутост је да би ровер могао буквално да пређе преко потенцијално вредног дела научне некретнине, а да то ни не схвати. Давање роверу неких основних могућности визуелне идентификације могло би помоћи да се избегне пропуштање „игле у пласту сена“, јер се Тхомпсон позива на скривене трагове које астробиолози надају да ће открити на другим планетама.

'Ако ровер може направити једноставне разлике, можемо убрзати извиђање', каже он. Док се вози, ровер би могао снимити неколико слика и користити уграђени софтвер за одређивање приоритета које ће слике слати ка Земљи.

И док је чекао следећи скуп команди, могао је да одабере потенцијално занимљиву геолошку карактеристику, а затим се приближи да направи детаљну слику или чак изведе неку једноставну хемијску анализу.

„Могли бисте почети следећег дана са инструментом који седи испред главне локације“, каже Тхомпсон.

Уместо да троше време покушавајући да доведу ровер од тачке А до тачке Б, контролори мисије би могли да се концентришу на истраживање вишег нивоа које ровер не може да уради. Бар не још. [НАСА -ина радозналост Марс Ровер: 11 невероватних чињеница]

'Поље које истражује Давид Тхомсон од виталног је значаја за суочавање с поплавом података даљинског детектовања које су вратили свемирски бродови', каже Антхони Цоок са Универзитета Абериствитх у Великој Британији, који није укључен у ТектуреЦам.

Постоје и други пројекти који раде на рачунарском виду за ровере. У 2010. години, Марс ровер Оппортунити добио је надоградњу софтвера под називом АЕГИС које могу идентификовати научно интересантне стене. Пројекат у пустињи Атацама у Чилеу користио је сличан систем детектора стена на свом роверу зван Зое . И ЕСА -е ЕкоМарс Мисија развија компјутерски вид који може открити објекте у близини ровера.

ТектуреЦам је јединствен по овим другим напорима по томе што пресликава површину, уместо да покушава да изолује одређене објекте. То је општија стратегија која може идентификовати карактеристике терена, као што су временске прилике или пуцање.

Препознавање стеновитог лица

Нови приступ Тхомпсонове групе фокусира се на „текстуру“ слике, која је терминологија рачунарског вида за статистичке обрасце који постоје у низу пиксела. Иста врста анализе слика користи се у уобичајенијим свакодневним апликацијама.

На пример, веб је затрпан огромном архивом фотографија која није сортирана на систематичан начин. Неколико компанија развија „претраживаче“ који могу идентификовати објекте на дигиталним сликама. Ако сте тражили, рецимо, слику са „плавим псом“ или „телефонском говорницом“, ови програми би могли прегледати збирку фотографија како би пронашли оне које одговарају одређеним критеријумима.

Осим тога, многи дигитални фотоапарати откривају лица у оквиру камере и аутоматски подешавају фокус у зависности од тога колико су удаљена лица. А неке нове конзоле за видео игре имају сензоре за откривање телесне позе играча.

Заједничко свим овим технологијама је софистицирана анализа пиксела слике. Релевантни софтверски програми обично траже сигнале у варијацијама светлине или нијансе боје које су карактеристичне за телефон, лице или стену.

Ови сигнали често немају много везе са начином на који бисмо могли описати ове објекте.

'Софтвер идентификује статистичка својства која можда нису очигледна људском оку', каже Тхомпсон.

Фотографија строматолита (лево) из Западне Аустралије коју је анализирао ТектуреЦам (десно). Програм додељује боју свакој мрљи на слици у складу са критеријумима за строматолитне стене (црвена означава добро подударање или велику вероватноћу).

Фотографија строматолита (лево) из Западне Аустралије коју је анализирао ТектуреЦам (десно). Програм додељује боју свакој мрљи на слици у складу са критеријумима за строматолитне стене (црвена означава добро подударање или велику вероватноћу).(Кредит за слику: НАСА/ЈПЛ)

Пустите рачунар да нагађа

У случају ТектуреЦам-а, рачунарски програм узима малу закрпу или сличицу унутар слике и изводи бројне различите поређења пиксела по пиксела. Која поређења? У ствари, рачунар одлучује.

„Систем обучавамо из примера“, објашњава Тхомпсон. Снимају слике које је геолог претходно анализирао као израслине, талог или стену одређене сорте. Рачунарски програм упоређује своју анализу пиксела са овим ознакама и гради стабло одлучивања (или сложенију „шуму одлучивања“) која најбоље разликује различите могућности.

'Ова стабла одлучивања могу бити прилично ефикасна чак и након само неколико грана', каже Тхомпсон.

Овај тзв. Машинско учење 'има предности у односу на друге технике које конструишу визуелни модел онога што рачунар треба да тражи.

„Недостатак визуелних модела је то што морате изградити ново правило за сваку нову ствар коју желите да идентификујете“, каже Тхомпсон. Људима може бити тешко да пронађу поуздане разлике које могу помоћи рачунару. Има смисла пустити рачунар да изађе напоље и истражи могућности помоћу покушаја и грешака.

„Систем се сам обучава, па не морамо да предвиђамо“, каже Тхомпсон.

„Режим обуке“ за ТектуреЦам почео је са сетом слика са Марса, а сада прелази на фотографије из пустиње Мојаве.

Тим планира да интегрише свој алгоритам у поље програмабилних врата (ФПГА), које је у основи рачунар наменске намене који би се директно повезао са камером ровера. Ово би омогућило ТектуреЦам -у да ради брже, без ослањања на главни рачунар ровера.

„Рачунари и софтвер нису спремни да преузму задатке тумачења људских геолога, али ће помоћи да се унапред сортирају и унапред идентификују региони од интереса, чиме се смањује количина података даљинског детектовања које геолози морају да испитају“, каже Кук.

Ову причу обезбедио је Часопис Астробиологи , веб-публикација спонзорисана од НАСА-е програм астробиологије .