Videnskab
 science >> Videnskab >  >> Astronomi

Dyb læring vil hjælpe fremtidige Mars-rovere med at gå længere, hurtigere, og lave mere videnskab

Det Machine Learning-baserede Analytics for Autonomous Rover Systems (MAARS)-programmet omfatter en række områder, hvor kunstig intelligens kan være nyttig. Holdet præsenterede resultaterne af MAARS-projektet på IEEE Aerospace Conference i marts 2020. Projektet var finalist til NASA Software Award. Kredit:NASA JPL

NASAs Mars-rovere har været en af ​​de store videnskabelige og rumfartsmæssige succeser i de sidste to årtier.

Fire generationer af rovere har krydset den røde planet for at indsamle videnskabelige data, sende stemningsfulde billeder tilbage, og overlever utroligt barske forhold – alt sammen ved hjælp af indbyggede computere, der er mindre kraftfulde end en iPhone 1. Den seneste rover, vedholdenhed, blev lanceret den 30. juli, 2020, og ingeniører drømmer allerede om en fremtidig generation af rovere.

Selvom det er en stor bedrift, disse missioner har kun ridset overfladen (bogstaveligt og billedligt talt) af planeten og dens geologi, geografi, og atmosfære.

"Mars overfladeareal er omtrent det samme som det samlede areal af jorden på Jorden, " sagde Masahiro (Hiro) Ono, gruppeleder for Robotic Surface Mobility Group ved NASA Jet Propulsion Laboratory (JPL) – som har ledet alle Mars rover-missioner – og en af ​​forskerne, der udviklede softwaren, der tillader den nuværende rover at fungere.

"Forestille, du er en alien, og du ved næsten intet om Jorden, og du lander på syv eller otte punkter på Jorden og kører et par hundrede kilometer. Ved den fremmede art nok om Jorden?" spurgte Ono. "Nej. Hvis vi vil repræsentere den enorme mangfoldighed af Mars, har vi brug for flere målinger på jorden, og nøglen er væsentligt forlænget, forhåbentlig tilbagelægge tusindvis af miles."

At rejse på tværs af Mars' mangfoldige, forræderisk terræn med begrænset computerkraft og en begrænset energidiæt - kun så meget sol, som roveren kan fange og konvertere til strøm på en enkelt Mars-dag, eller sol – er en kæmpe udfordring.

Den første rover, Sojourner, dækket 330 fod over 91 sols; Sekundet, Ånd, rejste 4,8 miles på omkring fem år; Lejlighed, rejste 28 miles over 15 år; og Curiosity har rejst mere end 12 miles, siden den landede i 2012.

"Vores team arbejder på Mars-robotautonomi for at gøre fremtidige rovere mere intelligente, at øge sikkerheden, at forbedre produktiviteten, og især at køre hurtigere og længere, " sagde Ono.

Ny hardware, Nye muligheder

Perseverance roveren, som blev lanceret i sommer, beregner ved hjælp af RAD 750s – strålingshærdede enkeltkortscomputere fremstillet af BAE Systems Electronics.

Fremtidige missioner, imidlertid, potentielt ville bruge ny højtydende, multi-core strålingshærdede processorer designet gennem High Performance Spaceflight Computing (HPSC) projektet. (Qualcomms Snapdragon-processor bliver også testet til missioner.) Disse chips vil give omkring hundrede gange den beregningsmæssige kapacitet af nuværende flyprocessorer, der bruger den samme mængde strøm.

"Al den autonomi, du ser på vores seneste Mars-rover, er stort set menneskelig-i-løkken" - hvilket betyder, at det kræver menneskelig interaktion for at fungere, ifølge Chris Mattmann, vicechefen for teknologi og innovation hos JPL. "En del af grunden til det er grænserne for de processorer, der kører på dem. En af kerneopgaverne for disse nye chips er at lave deep learning og maskinlæring, som vi gør på jorden, ombord. Hvad er de dræbende apps givet det nye computermiljø?"

Det Machine Learning-baserede Analytics for Autonomous Rover Systems (MAARS)-program – som startede for tre år siden og afsluttes i år – omfatter en række områder, hvor kunstig intelligens kan være nyttig. Holdet præsenterede resultaterne af MAARS-projektet på hIEEE Aerospace Conference i marts 2020. Projektet var finalist til NASA Software Award.

"Terrestrisk højtydende computing har muliggjort utrolige gennembrud inden for autonom køretøjsnavigation, maskinelæring, og dataanalyse til jordbaserede applikationer, " skrev holdet i deres IEEE-papir. "Den vigtigste blokering for en Mars-udforsknings-udrulning af sådanne fremskridt er, at de bedste computere er på Jorden, mens de mest værdifulde data er placeret på Mars."

Træning af maskinlæringsmodeller på Maverick2 supercomputeren ved Texas Advanced Computing Center (TACC), samt på Amazon Web Services og JPL-klynger, Ono, Mattmann og deres team har udviklet to nye funktioner til fremtidige Mars-rovere, som de kalder Drive-By Science og Energy-Optimal Autonomous Navigation.

Energioptimal autonom navigation

Ono var en del af holdet, der skrev den indbyggede stifindingssoftware til Perseverance. Perseverances software inkluderer nogle maskinlæringsevner, men den måde, den gør stifinding på, er stadig ret naiv.

"Vi vil gerne have, at fremtidige rovere har en menneskelignende evne til at se og forstå terræn, " sagde Ono. "For rovere, energi er meget vigtigt. Der er ingen asfalteret motorvej på Mars. Kørbarheden varierer betydeligt afhængigt af terrænet - for eksempel strand kontra. grundfjeldet. Det overvejes ikke i øjeblikket. Det er kompliceret at finde en vej med alle disse begrænsninger, men det er det beregningsniveau, som vi kan håndtere med HPSC- eller Snapdragon-chipsene. Men for at gøre det bliver vi nødt til at ændre paradigmet en lille smule."

Ono forklarer det nye paradigme som styring af politik, en mellemvej mellem det menneskeligt dikterede:"Gå fra A til B og gør C, " and the purely autonomous:"Go do science."

The public tool AI4Mars shows different kinds of Martian terrain as seen by NASA's Curiosity rover. By drawing borders around terrain features and assigning one of four labels to them, users can help train an algorithm that will automatically identify favorable and hazardous terrain for Curiosity's rover planners. Kredit:NASA/JPL-Caltech

Commanding by policy involves pre-planning for a range of scenarios, and then allowing the rover to determine what conditions it is encountering and what it should do.

"We use a supercomputer on the ground, where we have infinite computational resources like those at TACC, to develop a plan where a policy is:if X, then do this; if y, then do that, " Ono explained. "We'll basically make a huge to-do list and send gigabytes of data to the rover, compressing it in huge tables. Then we'll use the increased power of the rover to de-compress the policy and execute it."

The pre-planned list is generated using machine learning-derived optimizations. The on-board chip can then use those plans to perform inference:taking the inputs from its environment and plugging them into the pre-trained model. The inference tasks are computationally much easier and can be computed on a chip like those that may accompany future rovers to Mars.

"The rover has the flexibility of changing the plan on board instead of just sticking to a sequence of pre-planned options, " Ono said. "This is important in case something bad happens or it finds something interesting."

Drive-By Science

Current Mars missions typically use tens of images a Sol from the rover to decide what to do the next day, according to Mattmann. "But what if in the future we could use one million image captions instead? That's the core tenet of Drive-By Science, " he said. "If the rover can return text labels and captions that were scientifically validated, our mission team would have a lot more to go on."

Mattmann and the team adapted Google's Show and Tell software—a neural image caption generator first launched in 2014—for the rover missions, the first non-Google application of the technology.

The algorithm takes in images and spits out human-readable captions. These include basic, but critical information, like cardinality—how many rocks, how far away?—and properties like the vein structure in outcrops near bedrock. "The types of science knowledge that we currently use images for to decide what's interesting, " Mattmann said.

I løbet af de sidste par år, planetary geologists have labeled and curated Mars-specific image annotations to train the model.

"We use the one million captions to find 100 more important things, " Mattmann said. "Using search and information retrieval capabilities, we can prioritize targets. Humans are still in the loop, but they're getting much more information and are able to search it a lot faster."

Results of the team's work appear in the September 2020 issue of Planet- og rumvidenskab .

TACC's supercomputers proved instrumental in helping the JPL team test the system. On Maverick 2, the team trained, validated, and improved their model using 6, 700 labels created by experts.

The ability to travel much farther would be a necessity for future Mars rovers. An example is the Sample Fetch Rover, proposed to be developed by the European Space Association and launched in late 2020s, whose main task will be to pick up samples dug up by the Mars 2020 rover and collect them.

"Those rovers in a period of years would have to drive 10 times further than previous rovers to collect all the samples and to get them to a rendezvous site, " Mattmann said. "We'll need to be smarter about the way we drive and use energy."

Before the new models and algorithms are loaded onto a rover destined for space, they are tested on a dirt training ground next to JPL that serves as an Earth-based analog for the surface of Mars.

The team developed a demonstration that shows an overhead map, streaming images collected by the rover, and the algorithms running live on the rover, and then exposes the rover doing terrain classification and captioning on board. They had hoped to finish testing the new system this spring, but COVID-19 shuttered the lab and delayed testing.

I mellemtiden, Ono and his team developed a citizen science app, AI4Mars, that allows the public to annotate more than 20, 000 images taken by the Curiosity rover. These will be used to further train machine learning algorithms to identify and avoid hazardous terrains.

The public have generated 170, 000 labels so far in less than three months. "People are excited. It's an opportunity for people to help, " Ono said. "The labels that people create will help us make the rover safer."

The efforts to develop a new AI-based paradigm for future autonomous missions can be applied not just to rovers but to any autonomous space mission, from orbiters to fly-bys to interstellar probes, Ono says.

"The combination of more powerful on-board computing power, pre-planned commands computed on high performance computers like those at TACC, and new algorithms has the potential to allow future rovers to travel much further and do more science."


Varme artikler