Tulevat planeettojen rovers voivat tehdä omat päätöksensä

ExoMars Rover -konseptikuva

Konseptikuva ExoMars -roverille, jota kehitetään vuoden 2018 Mars -tehtävää varten. (Kuvaluotto: ESA)





On kuuma kesäpäivä, ja silmäsi havaitsevat jäätelökärryn edessä. Ilman ajattelua aloitat kulkemisen siihen suuntaan. Planeettojen tutkijat haluaisivat antaa roboteille tällaisen visuaalisen tunnistuksen-ei jäätelön hankkimiseksi, vaan tieteellisesti mielenkiintoisten kohteiden löytämiseksi.

Tällä hetkellä, rovereille ja muille avaruusajoneuvoille ovat edelleen suurelta osin riippuvaisia ​​ihmisten ohjaajiensa käskyistä takaisin maan päälle. Mutta päättääkseen, mitä komentoja lähettää, käyttäjien on odotettava saadakseen kuvia ja muuta asiaankuuluvaa tietoa avaruusaluksesta. Koska rovereilla ei ole tehokkaita antenneja, tämä ns. Alasuuntainen linkki vie yleensä paljon aikaa.

Tietojen pullonkaula tarkoittaa sitä, että rovers usein 'pyörivät peukaloitaan' seuraavien komentojen välillä.



'Tavoitteenamme on tehdä älykkäitä instrumentteja, jotka voivat tehdä enemmän jokaisessa komentojaksossa', sanoo David Thompson Jet Propulsion Laboratory -yrityksestä Pasadenassa, Kaliforniassa.

Thompson johtaa TextureCam -nimistä hanketta, jossa luodaan tietokonenäköpaketti, joka pystyy kartoittamaan pinnan tunnistamalla geologiset ominaisuudet. Se on ensisijaisesti suunniteltu roverille, mutta se voi myös hyötyä avaruusalus vierailee asteroidissa tai aerobotti, joka leijuu kaukaisen maailman ilmakehässä. [ Curiosity - Maastoauto Mars Rovers ]

Thompsonin tiimi kehittää parhaillaan tietokonealgoritmiaan NASA: n Astrobiology Science and Technology for Exploring Planets (ASTEP) -rahoituksen avulla ja suunnittelee prototyyppisen instrumentin rakentamista, joka pystyy kartoittamaan astrobiologisesti tärkeän kenttäsivuston.



Mars -kuvan TextureCam -analyysi pystyy erottamaan kivet maaperästä.

Mars -kuvan TextureCam -analyysi pystyy erottamaan kivet maaperästä.(Kuva: NASA/JPL/Caltech/Cornell)

Roam rover, roam rover



Rovers on jo edistynyt itsenäisesti. Nykyiset prototyypit voivat matkustaa jopa kilometri itsenäisesti käyttämällä navigointiohjelmistoa. Näin nämä ajoneuvot voivat kattaa paljon suuremman alueen.

Yksi huolenaihe on kuitenkin se, että rover voi kirjaimellisesti ajaa mahdollisesti arvokkaan tieteellisen kiinteistön yli eikä edes ymmärtää sitä. Kun roverille annetaan alkeellisia visuaalisia tunnistusominaisuuksia, se voi auttaa välttämään 'neulan heinänippussa' menettämistä, kuten Thompson viittaa piilotettuihin vihjeisiin, jotka astrobiologit toivovat löytävänsä muilta planeetoilta.

'Jos rover pystyy tekemään yksinkertaisia ​​eroja, voimme nopeuttaa tiedustelua', hän sanoo. Kuljettaja voi ajaa roveria napsauttamalla useita kuvia ja käyttämällä sisäistä ohjelmistoa priorisoimaan, mitkä kuvat laskevat linkin Maahan.

Ja odottaessaan seuraavia komentojaan se voisi valita mahdollisesti mielenkiintoisen geologisen ominaisuuden ja ajaa sitten lähelle ottaakseen yksityiskohtaisen kuvan tai jopa suorittaa yksinkertaisen kemiallisen analyysin.

'Voit aloittaa seuraavan päivän soittimella, joka istuu erinomaisen paikan edessä', Thompson sanoo.

Sen sijaan, että viettäisivät aikaa yrittäessään saada roverin pisteestä A pisteeseen B, tehtävänohjaajat voisivat keskittyä tekemään korkeamman tason tieteellisen tutkimuksen, jota rover ei voi tehdä. Ei ainakaan vielä. [NASAn Mars Rover Curiosity: 11 hämmästyttävää faktaa]

'' David Thomsonin tutkima ala on elintärkeä selviytyäkseen avaruusaluksista palautettujen kaukohavaintojen tulvasta '', sanoo Anthony Cook Ison -Britannian Aberystwyth -yliopistosta, joka ei ole mukana TextureCamissa.

On muitakin projekteja, jotka käsittelevät rovereiden tietokonenäköä. Vuonna 2010 Mars -kulkuri Opportunity sai ohjelmistopäivityksen nimeltä AEGIS jotka voivat tunnistaa tieteellisesti mielenkiintoisia kiviä. Eräs projekti Chilen Atacaman autiomaassa käytti samanlaista kallionilmaisinjärjestelmää roverissa nimeltä Zoe . Ja ESA: t ExoMars Tehtävänä on kehittää tietokonenäkö, joka pystyy havaitsemaan roverin läheisyydessä olevat esineet.

TextureCam on ainutlaatuinen näistä muista pyrkimyksistä siinä, että se kartoittaa pintaa sen sijaan, että yrittäisi eristää tiettyjä esineitä. Se on yleisempi strategia, joka voi tunnistaa maaston ominaisuudet, kuten sään tai murtumisen.

Kallion kasvojen tunnistaminen

Thompsonin ryhmän uusi lähestymistapa keskittyy kuvan tekstuuriin, joka on tietokoneen visuaalinen terminologia pikseliryhmässä oleville tilastollisille kuvioille. Samanlaista kuva-analyysiä käytetään yleisemmissä päivittäisissä sovelluksissa.

Esimerkiksi verkko on täynnä valtavia valokuva -arkistoja, joita ei ole lajiteltu järjestelmällisesti. Useat yritykset kehittävät hakukoneita, jotka voivat tunnistaa esineitä digitaalisista kuvista. Jos etsit esimerkiksi kuvaa, jossa on 'sininen koira' tai 'puhelinkoppi', nämä ohjelmat voivat selata valokuvakokoelman löytääkseen tietyt kriteerit täyttävät kuvat.

Lisäksi monet digitaalikamerat tunnistavat kasvot kameran kehyksestä ja säätävät tarkennuksen automaattisesti sen mukaan, kuinka kaukana kasvot ovat. Ja joissakin uusissa videopelikonsoleissa on antureita, jotka havaitsevat pelin pelaajan ruumiillisen asennon.

Kaikilla näillä tekniikoilla on yhteistä kuvan pikselien hienostunut analyysi. Asiaankuuluvat ohjelmistot etsivät tyypillisesti signaaleja kirkkauden vaihteluista tai värisävyistä, jotka ovat ominaisia ​​puhelimelle, kasvoille tai kalliolle.

Näillä signaaleilla on usein vähän tekemistä sen kanssa, miten voimme kuvata näitä esineitä.

'' Ohjelmisto tunnistaa tilastolliset ominaisuudet, jotka eivät ehkä ole ilmeisiä ihmissilmälle '', Thompson sanoo.

Valokuva stromatoliitista (vasemmalla) Länsi -Australiasta, jonka TextureCam analysoi (oikea). Ohjelma määrittää värin jokaiselle kuvan laastarille sen mukaan, miten se vastaa stromatoliittikivien kriteerejä (punainen tarkoittaa hyvää osumaa tai suurta todennäköisyyttä).

Valokuva stromatoliitista (vasemmalla) Länsi -Australiasta, jonka TextureCam analysoi (oikea). Ohjelma määrittää värin jokaiselle kuvan laastarille sen mukaan, miten se vastaa stromatoliittikivien kriteerejä (punainen tarkoittaa hyvää osumaa tai suurta todennäköisyyttä).(Kuva: NASA/JPL)

Anna tietokoneen arvailla

TextureCamin tapauksessa tietokoneohjelma ottaa pienen laastarin tai pikkukuvan kuvan sisälle ja suorittaa useita erilaisia ​​kuvapisteiden välisiä vertailuja. Mitkä vertailut? Itse asiassa tietokone päättää.

'Koulutamme järjestelmää esimerkeistä', Thompson selittää. He ottavat kuvia, jotka geologi on aiemmin analysoinut paljastumana tai tietyn lajikkeen sedimenttinä tai kivenä. Tietokoneohjelma vertaa pikselianalyysiaan näihin tarroihin ja rakentaa päätöspuun (tai tarkemman 'päätösmetsän'), joka parhaiten erottaa eri mahdollisuudet.

'Nämä päätöspuut voivat olla varsin tehokkaita jopa muutaman oksan jälkeen', Thompson sanoo.

Tämä ns. koneoppiminen 'on etuja muihin tekniikoihin verrattuna, jotka muodostavat visuaalisen mallin siitä, mitä tietokoneen pitäisi etsiä.

'Visuaalisten mallien haittana on, että sinun on luotava uusi sääntö jokaiselle uudelle tunnistettavalle tuotteelle', Thompson sanoo. Ihmisten voi olla vaikea löytää luotettavia eroja, jotka voivat auttaa tietokonetta. On järkevämpää antaa tietokoneen sammua ja tutkia mahdollisuuksia yrityksen ja erehdyksen avulla.

'Järjestelmä kouluttaa itseään, joten meidän ei tarvitse ennakoida', Thompson sanoo.

TextureCamin harjoitteluohjelma alkoi Marsista tulevilla kuvilla ja siirtyy nyt Mojaven autiomaan valokuviin.

Tiimi aikoo integroida algoritminsa kenttäohjelmoitavaan porttijärjestelmään (FPGA), joka on pohjimmiltaan erikoistietokone, joka muodostaisi yhteyden suoraan rover -kameraan. Tämä antaisi TextureCamin toimia nopeammin ilman roverin päätietokonetta.

'' Tietokoneet ja ohjelmistot eivät ole valmiita ottamaan vastaan ​​ihmisen geologien tulkkaustehtäviä, mutta ne auttavat lajittelemaan ja tunnistamaan kiinnostavia alueita, mikä vähentää geologien tutkittavan kaukokartoitustiedon määrää '', Cook sanoo.

Tämän tarinan tarjosi Astrobiology -lehti , NASAn sponsoroima verkkopohjainen julkaisu astrobiologian ohjelma .