Los vehículos exploradores de Marte de la NASA han sido uno de los grandes éxitos científicos y espaciales de las últimas dos décadas.
Cuatro generaciones de rovers han atravesado el planeta rojo reuniendo datos científicos, enviando fotografías evocadoras y sobreviviendo a condiciones increíblemente duras, todo ello utilizando computadoras a bordo menos potentes que un iPhone 1. El último rover, Perseverance, se lanzó en julio30, 2020, y los ingenieros ya están soñando con una futura generación de rovers.
Si bien es un logro importante, estas misiones solo han arañado la superficie literal y figurativamente del planeta y su geología, geografía y atmósfera.
"El área de la superficie de Marte es aproximadamente la misma que el área total de la tierra en la Tierra", dijo Masahiro Hiro Ono, líder del grupo Robotic Surface Mobility Group en el Laboratorio de Propulsión a Chorro de la NASA JPL, queha dirigido todas las misiones del rover a Marte, y uno de los investigadores que desarrolló el software que permite el funcionamiento del rover actual.
"Imagina, eres un extraterrestre y no sabes casi nada sobre la Tierra, y aterrizas en siete u ocho puntos de la Tierra y conduces unos cientos de kilómetros. ¿Esa especie alienígena sabe lo suficiente sobre la Tierra?", Preguntó Ono. "No. Si queremos representar la enorme diversidad de Marte, necesitaremos más mediciones en el suelo, y la clave es una distancia sustancialmente mayor, con suerte cubriendo miles de millas ".
Viajar a través del terreno diverso y traicionero de Marte con una potencia informática limitada y una dieta energética restringida, solo la cantidad de sol que el rover puede capturar y convertir en energía en un solo día marciano, o sol, es un gran desafío.
El primer rover, Sojourner, recorrió 330 pies en 91 soles; el segundo, Spirit, viajó 4.8 millas en aproximadamente cinco años; Opportunity, viajó 28 millas durante 15 años; y Curiosity ha viajado más de 12 millas desde que aterrizó en 2012.
"Nuestro equipo está trabajando en la autonomía de los robots de Marte para hacer que los futuros exploradores sean más inteligentes, mejorar la seguridad, mejorar la productividad y, en particular, conducir más rápido y más lejos", dijo Ono.
NUEVO HARDWARE, NUEVAS POSIBILIDADES
El rover Perseverance, que se lanzó este verano, calcula utilizando RAD 750, computadoras de placa única endurecidas contra la radiación fabricadas por BAE Systems Electronics.
Sin embargo, las misiones futuras podrían utilizar nuevos procesadores reforzados con radiación de varios núcleos de alto rendimiento diseñados a través del proyecto High Performance Spaceflight Computing HPSC. El procesador Snapdragon de Qualcomm también se está probando para misiones.cien veces la capacidad computacional de los procesadores de vuelo actuales que utilizan la misma cantidad de energía.
"Toda la autonomía que ve en nuestro último rover de Marte es en gran parte humana en el circuito", lo que significa que requiere interacción humana para funcionar, según Chris Mattmann, subdirector de tecnología e innovación de JPL."Parte del motivo son los límites de los procesadores que se ejecutan en ellos. Una de las misiones principales de estos nuevos chips es realizar un aprendizaje profundo y un aprendizaje automático, como lo hacemos en el mundo, a bordo. ¿Cuáles son las aplicaciones principales?dado ese nuevo entorno informático? "
El programa de análisis basado en el aprendizaje automático para sistemas autónomos de vehículos móviles MAARS, que comenzó hace tres años y concluirá este año, abarca una variedad de áreas en las que la inteligencia artificial podría ser útil. El equipo presentó los resultados del proyecto MAARSen la Conferencia Aeroespacial de hIEEE en marzo de 2020. El proyecto fue finalista del Premio de Software de la NASA.
"La informática terrestre de alto rendimiento ha permitido avances increíbles en la navegación de vehículos autónomos, el aprendizaje automático y el análisis de datos para aplicaciones terrestres", escribió el equipo en su documento IEEE. "El principal obstáculo para el despliegue de tales avances en la exploración de Marte esque las mejores computadoras están en la Tierra, mientras que los datos más valiosos se encuentran en Marte ".
Entrenando modelos de aprendizaje automático en la supercomputadora Maverick2 en el Centro de Computación Avanzada de Texas TACC, así como en Amazon Web Services y clústeres JPL, Ono, Mattmann y su equipo han estado desarrollando dos capacidades novedosas para los futuros rovers de Marte, que ellosllamada Ciencia Drive-By y Navegación Autónoma de Energía Óptima.
NAVEGACIÓN AUTÓNOMA ÓPTIMA ENERGÉTICA
Ono fue parte del equipo que escribió el software de búsqueda de caminos integrado para Perseverance. El software de Perseverance incluye algunas habilidades de aprendizaje automático, pero la forma en que lo hace es bastante ingenua.
"Nos gustaría que los futuros rovers tuvieran una capacidad similar a la humana para ver y comprender el terreno", dijo Ono. Para los rovers, la energía es muy importante. No hay una carretera pavimentada en Marte. La capacidad de conducción varía sustancialmente según el terreno- por ejemplo, playa versus. lecho de roca. Eso no se considera actualmente. Encontrar una ruta con todas estas restricciones es complicado, pero ese es el nivel de cálculo que podemos manejar con los chips HPSC o Snapdragon. Pero para hacerlo,vamos a necesitar cambiar un poco el paradigma ".
Ono explica que el nuevo paradigma está al mando de la política, un término medio entre lo dictado por los humanos: "Ve de A a B y haz C", y el puramente autónomo: "Ve a hacer ciencia".
El mando por política implica la planificación previa para una variedad de escenarios y luego permitir que el rover determine qué condiciones se encuentra y qué debe hacer.
"Usamos una supercomputadora en el suelo, donde tenemos recursos computacionales infinitos como los de TACC, para desarrollar un plan donde una política es: si X, entonces haz esto; si y, haz eso", explicó Ono.Básicamente, haremos una enorme lista de tareas pendientes y enviaremos gigabytes de datos al móvil, comprimiéndolos en tablas enormes. Luego, usaremos el aumento de potencia del móvil para descomprimir la política y ejecutarla ".
La lista planificada previamente se genera utilizando optimizaciones derivadas del aprendizaje automático. El chip integrado puede usar esos planes para realizar inferencias: tomar las entradas de su entorno y conectarlas al modelo previamente entrenado. Las tareas de inferencia soncomputacionalmente es mucho más fácil y se puede calcular en un chip como los que pueden acompañar a los futuros rovers a Marte.
"El rover tiene la flexibilidad de cambiar el plan a bordo en lugar de limitarse a ceñirse a una secuencia de opciones planificadas previamente", dijo Ono. "Esto es importante en caso de que ocurra algo malo o encuentre algo interesante".
CIENCIA CONDUCIDA
Las misiones actuales a Marte suelen utilizar decenas de imágenes a Sol del rover para decidir qué hacer al día siguiente, según Mattmann. "Pero, ¿y si en el futuro pudiéramos utilizar un millón de leyendas de imágenes en su lugar? Ese es el principio fundamental de Drive-Por la ciencia ", dijo." Si el rover puede devolver etiquetas de texto y leyendas que fueron validadas científicamente, nuestro equipo de misión tendría mucho más para continuar ".
Mattmann y el equipo adaptaron el software Show and Tell de Google, un generador de subtítulos de imágenes neuronales lanzado por primera vez en 2014, para las misiones rover, la primera aplicación de la tecnología que no es de Google.
El algoritmo toma imágenes y escupe leyendas legibles por humanos. Estas incluyen información básica pero crítica, como cardinalidad - ¿cuántas rocas, a qué distancia? - y propiedades como la estructura de la vena en afloramientos cerca de la roca madre ".tipos de conocimiento científico para los que actualmente usamos imágenes para decidir qué es interesante ", dijo Mattmann.
En los últimos años, los geólogos planetarios han etiquetado y seleccionado anotaciones de imágenes específicas de Marte para entrenar el modelo.
"Usamos el millón de subtítulos para encontrar 100 cosas más importantes", dijo Mattmann. "Utilizando las capacidades de búsqueda y recuperación de información, podemos priorizar los objetivos. Los seres humanos todavía están al tanto, pero están obteniendo mucha más información y estáncapaz de buscarlo mucho más rápido ".
Los resultados del trabajo del equipo aparecen en la edición de septiembre de 2020 de Ciencias planetarias y espaciales .
Las supercomputadoras de TACC resultaron fundamentales para ayudar al equipo de JPL a probar el sistema. En Maverick 2, el equipo entrenó, validó y mejoró su modelo utilizando 6.700 etiquetas creadas por expertos.
La capacidad de viajar mucho más lejos sería una necesidad para los futuros rovers de Marte. Un ejemplo es el Sample Fetch Rover, propuesto para ser desarrollado por la Asociación Espacial Europea y lanzado a fines de la década de 2020, cuya tarea principal será recoger muestras excavadaspor el rover Mars 2020 y recójalos.
"Esos rovers en un período de años tendrían que conducir 10 veces más lejos que los rovers anteriores para recolectar todas las muestras y llevarlas a un lugar de encuentro", dijo Mattmann. "Tendremos que ser más inteligentes en la forma en queconducir y utilizar energía. "
Antes de que los nuevos modelos y algoritmos se carguen en un rover destinado al espacio, se prueban en un campo de entrenamiento de tierra junto al JPL que sirve como un análogo terrestre para la superficie de Marte.
El equipo desarrolló una demostración que muestra un mapa aéreo, imágenes de transmisión recopiladas por el rover y los algoritmos que se ejecutan en vivo en el rover, y luego expone al rover haciendo la clasificación del terreno y los subtítulos a bordo. Esperaban terminar de probar el nuevosistema esta primavera, pero COVID-19 cerró el laboratorio y retrasó las pruebas.
Mientras tanto, Ono y su equipo desarrollaron una aplicación de ciencia ciudadana, AI4Mars, que permite al público anotar más de 20.000 imágenes tomadas por el rover Curiosity. Estas se utilizarán para entrenar aún más los algoritmos de aprendizaje automático para identificar y evitar terrenos peligrosos.
El público ha generado 170.000 etiquetas hasta ahora en menos de tres meses. "La gente está emocionada. Es una oportunidad para que la gente ayude", dijo Ono. "Las etiquetas que la gente crea nos ayudarán a hacer el móvil más seguro".
Los esfuerzos para desarrollar un nuevo paradigma basado en IA para futuras misiones autónomas se pueden aplicar no solo a rovers sino a cualquier misión espacial autónoma, desde orbitadores hasta sobrevuelos y sondas interestelares, dice Ono.
"La combinación de una potencia informática a bordo más potente, comandos planificados previamente calculados en computadoras de alto rendimiento como las de TACC y nuevos algoritmos tiene el potencial de permitir que los futuros vehículos exploradores viajen mucho más lejos y hagan más ciencia".
Fuente de la historia :
Materiales proporcionado por Universidad de Texas en Austin, Centro de Computación Avanzada de Texas . Original escrito por Aaron Dubrow. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :