Forskere har lært en drone at genkende og jage meteoritter autonomt

Planetforskere vurderer, at hvert år, omkring 500 meteoritter overlever den brændende tur gennem Jordens atmosfære og falder til vores planets overflade. De fleste er ret små, og mindre end 2% af dem bliver nogensinde genvundet. Mens størstedelen af ​​klipperne fra rummet måske ikke kan genvindes på grund af at de ender i oceaner eller fjerntliggende, utilgængelige områder, andre meteoritfald er bare ikke set eller kendt.

Men ny teknologi har øget antallet af kendte fald i de senere år. Doppler-radar har opdaget meteoritfald, samt all-sky kamera netværk specifikt på udkig efter meteorer. Derudover øget brug af dashcams og sikkerhedskameraer har givet mulighed for mere serendipitiske observationer og data om ildkugler og potentielle meteoritfald.

Et team af forskere drager nu fordel af yderligere teknologiske fremskridt ved at teste droner og maskinlæring til automatiserede søgninger efter små meteoritter. Dronerne er programmeret til at flyve et gittersøgningsmønster i et projekteret "strøet felt" for et nyligt meteoritfald, tage systematiske billeder af jorden over et stort undersøgelsesområde. Kunstig intelligens bruges derefter til at søge gennem billederne for at identificere potentielle meteoritter.

"Disse billeder kan analyseres ved hjælp af en maskinlæringsklassificering for at identificere meteoritter i marken blandt mange andre funktioner, " sagde Robert Citron fra University of California, Davis, i en nylig afhandling offentliggjort i offentliggjort i Meteoritik og planetarisk videnskab .

Citron og hans kolleger har testet deres konceptuelle drone-setup flere gange, mest for nylig i området for et kendt meteoritfald i 2019 nær Walker Lake, Nevada. Deres proof-of-concept meteoritklassifikator implementerer en kombination af "forskellige foldningsneurale netværk til at genkende meteoritter fra billeder taget af droner i felten, " skriver holdet.

Mens denne specifikke test afslørede en række falske positiver for sten, der tidligere var uidentificeret, softwaren var i stand til korrekt at identificere testmeteoritter placeret af forskerne på den tørre søbund i Nevada. Citron og hans team er meget optimistiske med hensyn til potentialet i deres system, især i at søge efter små meteoritter og finde dem i fjerntliggende områder.

Citron fortalte Universe Today, at den største udfordring ved opsætning af systemet var at samle et træningsdatasæt til maskinlæringsklassifikatoren.

"Da et fremtidigt meteoritfald kan forekomme på ethvert terræn, " sagde han via e-mail, "systemet havde brug for en objektdetektionsalgoritme trænet med eksempler på mange typer meteoritter på forskellige terræntyper. For at skabe et korrekt trænet objektdetektionsnetværk, tusindvis af eksempler på billeder er påkrævet."

Citron og kolleger samlede billeder af meteoritter fra internettet og tilføjede "poserede" billeder af meteoritter fra deres samling på forskellige terræner. Dette gjorde det muligt for dem at træne maskinlæringsmodellen korrekt for at minimere antallet af almindelige sten, der blev markeret som falske registreringer.

De gennemførte derefter ti testflyvninger med en quadricopter drone to steder i det projekterede Nevada-overstrøede felt, som er området for forventede meteoritfald baseret på banedata fra fire stationer i NASA Meteorite Tracking and Recovery Network, del af Global Fireball Observatory.

"Heldigvis, hver felttest får vi flere data, som vi kan inkorporere i datasættet og bruge til at genoptræne objektdetekteringsnetværket og forbedre nøjagtigheden, " sagde Citron. "Så, vi vil fortsætte med at forsøge at forbedre detektionsnøjagtigheden. I øjeblikket har vi brug for en bedre drone med et kamera med højere opløsning."

At studere meteoritter og kende deres oprindelse hjælper videnskabsmænd med at bestemme sammensætningen af ​​omkring 40 asteroidefamilier i asteroidebæltet, og hjælper også med at forstå den tidlige udvikling af solsystemet. Forskerne sagde, at den eksterne kameranetværksinformation kombineret med at være i stand til at finde og studere nyfaldne meteoritter er afgørende for at bestemme, hvilken asteroidefamilie der kunne have produceret meteoritaffaldet, og hvis det var fra en bestemt kollisionshændelse.

"Hvis meteoritten kan genfindes, en ildkugles lyskurve og decelerationsprofil giver også information om, hvordan dens kinetiske energi er aflejret i jordens atmosfære, " skrev holdet i deres papir. "Denne information kan bruges til at forbedre forudsigelser i hvilken højde asteroider af denne materialetype fragmenter, der er store nok til at forårsage skadelige luftudbrud."

Imidlertid, at finde meteoritter fra et observeret fald kan være meget svært, da meteoritter kan spredes over et bredt område.

"Mindre fald er hyppigere, men leverer færre meteoritfragmenter, som derfor er sværere at lokalisere, " sagde Citron. "Det tager cirka 100 mandetimer at finde et meteoritfragment, så hvis vi kan forbedre det, kan vi prøve flere af disse små fald og få bedre indsigt i banerne og derfor kildeområderne for indkommende meteorer."

Citron sagde, at hans holds dronesystem er beregnet til mindre fald, der ikke ville tiltrække meteoritjægere. Men holdets arbejde har tiltrukket sig beundring af en kendt meteoritjæger, Geoffrey Notkin fra Discovery Channels "Meteorite Men".

"Dr. Citrons nuværende arbejde på dette område er fascinerende, især hans dristige eksperimenter med droner i virkelige situationer, " sagde Notkin via e-mail. "Det mest spændende koncept her er koblingen af ​​moderne droner med maskinlæring, der kan genkende de visuelle karakteristika af meteoritter in situ. givet tid, denne metode kunne eliminere noget af det kedelige ved at lede efter nyligt faldne meteoritter til fods og også lette genopretningen i områder, der er vanskelige eller farlige for mennesker at søge personligt."

Notkin tilføjede, at han længe har troet, at droner og ubemandede luftfartøjer (UAV'er) kunne spille en nyttig rolle i meteoritgendannelse, og faktisk han udførte nogle tidlige eksperimenter i 2010 og 2011, men datidens droner og UAV'er var enten ikke avancerede nok eller ikke tilgængelige for ikke-militært personel.

Men i takt med at teknologien bliver ved med at blive bedre, Citron sagde, og "med et større træningsdatasæt, opdateret klassifikationsskema, og forbedret billedbehandlingshardware, maskinlæring koblet til en autonom droneundersøgelse kan vise sig at være et værdifuldt værktøj til at øge antallet af meteoritfragmenter fundet fra friske fald."