science >> Wetenschap >  >> Astronomie

NASA's Mars rover-stuurprogramma's hebben uw hulp nodig

Drie afbeeldingen van de tool genaamd AI4Mars tonen verschillende soorten Mars-terrein zoals gezien door NASA's Curiosity-rover. Door grenzen te trekken rond terreinkenmerken en er een van de vier labels aan toe te kennen, je kunt helpen een algoritme te trainen dat automatisch terreintypes identificeert voor de roverplanners van Curiosity. Krediet:NASA/JPL-Caltech

Misschien kun je NASA's Curiosity-roverbestuurders helpen om beter op Mars te navigeren. Met behulp van de online tool AI4Mars om terreinkenmerken te labelen in afbeeldingen die zijn gedownload van de Rode Planeet, je kunt een algoritme voor kunstmatige intelligentie trainen om het landschap automatisch te lezen.

Is dat een grote rots aan de linkerkant? Zou het zand kunnen zijn? Of misschien is het leuk, vlakke ondergrond. AI4Mars, die wordt gehost op de burgerwetenschapswebsite Zooniverse, laat je grenzen trekken rond het terrein en een van de vier labels kiezen. Die labels zijn de sleutel tot het aanscherpen van het Mars-terreinclassificatie-algoritme genaamd SPOC (Soil Property and Object Classification).

Ontwikkeld in het Jet Propulsion Laboratory van NASA, die alle Mars rover-missies van het agentschap heeft beheerd, SPOC labelt verschillende terreintypes, het creëren van een visuele kaart die leden van het missieteam helpt te bepalen welke paden ze moeten nemen. SPOC is al in gebruik, maar het systeem kan verdere training gebruiken.

"Typisch, er zijn honderdduizenden voorbeelden nodig om een ​​deep learning-algoritme te trainen, " zei Hiro Ono, een AI-onderzoeker bij JPL. "Algoritmen voor zelfrijdende auto's, bijvoorbeeld, zijn getraind met tal van afbeeldingen van wegen, tekens, verkeerslichten, voetgangers en andere voertuigen. Andere openbare datasets voor deep learning bevatten mensen, dieren en gebouwen, maar geen Marslandschappen."

Eenmaal volledig op snelheid, SPOC zal automatisch onderscheid kunnen maken tussen samenhangende grond, hoge rotsen, vlak gesteente en gevaarlijke zandduinen, afbeeldingen naar de aarde sturen die het gemakkelijker maken om de volgende zetten van Curiosity te plannen.

"In de toekomst, we hopen dat dit algoritme nauwkeurig genoeg kan worden om andere nuttige taken uit te voeren, zoals voorspellen hoe waarschijnlijk het is dat de wielen van een rover op verschillende oppervlakken slippen, ' zei Ono.

Het werk van Rover-planners

JPL-ingenieurs, roverplanners genaamd, kunnen het meest profiteren van een beter opgeleide SPOC. Ze zijn verantwoordelijk voor elke beweging van Curiosity, of het nu gaat om het maken van een selfie, verpulverde monsters in het lichaam van de rover laten druppelen om te worden geanalyseerd of van de ene plek naar de andere te rijden.

Het kan vier tot vijf uur duren om een ​​rit uit te werken (wat nu virtueel gebeurt), waarbij meerdere mensen honderden regels code moeten schrijven en beoordelen. De taak omvat ook een uitgebreide samenwerking met wetenschappers:geologen beoordelen het terrein om te voorspellen of de wielen van Curiosity zouden kunnen slippen, beschadigd raken door scherpe stenen of vast komen te zitten in zand, die zowel de Spirit als de Opportunity rovers gevangen hield.

Planners overwegen ook in welke richting de rover zal worden gericht aan het einde van een rit, omdat de high-gain antenne een duidelijke zichtlijn naar de aarde nodig heeft om commando's te ontvangen. En ze proberen te anticiperen op schaduwen die tijdens een rit over het terrein vallen, wat kan interfereren met hoe Curiosity afstand bepaalt. (De rover gebruikt een techniek genaamd visuele odometrie, camerabeelden vergelijken met oriëntatiepunten in de buurt.)

Hoe AI kan helpen

SPOC zal de gecompliceerde, tijdrovend werk van roverplanners. Maar het kan hen bevrijden om zich te concentreren op andere aspecten van hun werk, zoals discussiëren met wetenschappers welke stenen we als volgende moeten bestuderen.

"Het is onze taak om erachter te komen hoe we veilig de wetenschap van de missie kunnen krijgen, " zei Stephanie Oij, een van de JPL rover planners betrokken bij AI4Mars. "Het automatisch genereren van terreinlabels zou ons tijd besparen en ons helpen productiever te zijn."

De voordelen van een slimmer algoritme zouden ook gelden voor planners van NASA's volgende Mars-missie, de Perseverance-rover, die deze zomer van start gaat. Maar eerst, er is een archief met gelabelde afbeeldingen nodig. Meer dan 8, 000 Curiosity-afbeeldingen zijn tot nu toe geüpload naar de AI4Mars-site, voldoende voer voor het algoritme. Ono hoopt in de toekomst afbeeldingen van Spirit en Opportunity toe te voegen. Ondertussen, JPL-vrijwilligers vertalen de site zodat deelnemers die Spaans spreken, Hindi, Japans en verschillende andere talen kunnen ook een bijdrage leveren.