Когда дело доходит до космоса и машинного обучения, небо - это предел !!
Как мы все знаем, НАСА - одна из организаций, занимающихся исследованием космоса. Они ищут разные экзопланеты, совершают космические экспедиции, запускают ракеты и тому подобное. Но как вы думаете, все это возможно !!
Я имею в виду, что НАСА собирает и обрабатывает миллиарды изображений и необработанных данных, которые поступают из различных космических миссий и вездеходов, таких как любопытство, дух, возможности, а теперь и настойчивость. Им предстоит грамотно заняться ремонтом космических кораблей, следить за здоровьем космонавтов и многое другое. И все это в разумные сроки.
Ну вот и машинное обучение и искусственный интеллект. Машинное обучение помогает определять закономерности на изображениях, помогает разобраться в необработанных данных, помогает открывать ранее не обнаруженные галактики и планеты и многое другое.
У НАСА есть различные приложения для ML в его путешествии по исследованию космоса и поиску инопланетян (если таковые имеются).
Самоходные вездеходы на Марсе - вездеходы Spirit и Opportunity
НАСА разработало технологию автономного вождения для марсоходов почти десять лет назад, задолго до того, как на этом рынке появились Google и Tesla.
AutoNav - система навигации и вождения на основе машинного обучения для беспилотного марсохода использовалась в марсоходах Spirit и Opportunity, которые приземлились на Марсе еще в 2004 году. Запущен еще один марсоход. В 2011 году Curiosity также использует Autonav, и это марсоход, который до сих пор исследует Марс с миссией поиска воды и других факторов, которые могут сделать Марс пригодным для исследования человеком в будущем!
НАСА в своей последней марсианской миссии по посадке марсохода Perseverance на поверхность Марса заявляет, что они использовали алгоритм машинного обучения и обучили его подсчету камней. В рамках этого предпосадочного исследования команда JPL и другие ученые также использовали изображения и программное обеспечение для моделирования для изучения карт местности, расчета высот и уклонов, а затем разработали модель Монте-Карло из 5000 возможных точек посадки, в которой учитывались все возможные факторы и неопределенности с одной единственной целью: не дать марсоходу упасть плашмя цифровой поверхностью при посадке на Марс. Это потребовало помощи ML в обработке данных и изображений.
Еще одно применение машинного обучения в марсоходах - это алгоритм под названием AEGIS (автономное исследование для сбора расширенных научных знаний).
Марсоход НАСА Curiosity выбирает каменные цели для своего лазерного спектрометра, используя алгоритм AEGIS. AEGIS использует бортовой компьютерный анализ изображений со стерео навигационной камеры (Navcam) компании Curiosity, которые обычно делаются в каждом месте, где марсоход заканчивает движение. AEGIS выбирает цель и направляет наведение ChemCam (химия и камера), как правило, до того, как изображения Navcam передаются на Землю. Это дает команде дополнительный импульс в оценке обстановки вокруг марсохода и планировании операций на ближайшие дни.
Чтобы выбрать цель автономно, при анализе изображений программное обеспечение использует настраиваемые критерии, такие как размер камня и яркость камня.
Другой режим AEGIS начинается с изображений, полученных с собственного удаленного микроскопа ChemCam, а не с камеры Navcam, и использует анализ изображений для точного наведения лазера на мелкомасштабные цели, заранее выбранные учеными. С вершины мачты Curiosity инструмент может анализировать состав камня или грунта на расстоянии до 23 футов (7 метров).
«AEGIS дает дополнительную возможность использовать ChemCam, чтобы делать больше, когда взаимодействие с учеными ограничено», - сказал руководитель отдела научных исследований ChemCam Оливье Гасно из Исследовательского института астрофизики и планетологии (IRAP). Национального центра научных исследований Франции (CNRS) и Тулузского университета, Франция. «Он не заменяет существующий режим, а дополняет его».
Все эти хлопоты по изучению поверхности Марса сводятся к анализу свидетельств того, как среда в этой части Марса изменилась миллиарды лет назад с условий, хорошо подходящих для микробной жизни - если жизнь когда-либо существовала на Марсе - до сухих, негостеприимных условий.
Еще один отличный вариант использования машинного обучения, реализованный НАСА, - Исследование медицинских возможностей (ExMC), т. Е. медицина в космосе.
Когда космонавты находятся в дальнем космосе, им не может быть оказана настоящая медицинская помощь. А путешествие на Луну, Марс и другие места за пределами земной орбиты станет серьезным испытанием для здоровья членов экипажа. Экипажам потребуются медицинские возможности для диагностики и лечения травм, а также для лечения заболеваний, вызванных опасностями космического полета.
Элемент Exploration Medical Capability (ExMC) разрабатывает медицинские технологии для диагностики и лечения в полете, а также системы данных для хранения и защиты личных медицинских данных пациентов. Врачи и ученые ExMC разрабатывают модели для количественной оценки вероятности того, что во время миссии произойдет медицинское событие. Персонал также определяет процедуры для лечения больного или травмированного члена экипажа без доступа в отделение неотложной помощи и с ограниченной связью с наземным персоналом для консультации и диагностической помощи.
Астронавты не могут напрямую связываться с врачами на Земле, так как существует временная задержка, и поэтому ExMC использует машинное обучение для обеспечения самостоятельной автономной медицинской помощи с помощью удаленных медицинских технологий.
Еще один очень интересный сервис, созданный НАСА, - Планетарная навигация. Планетарная навигация использует алгоритмы глубокого обучения для создания карты планетарных объектов, таких как луна, Марс и т. Д.
На Земле у нас есть GPS, который помогает нам ориентироваться, если мы заблудились, но что делать, если вы заблудились на Луне. Это было бы катастрофой, верно !!
НАСА Frontier Development Lab работает над проектом по обеспечению навигации по поверхности небесных тел, включая Луну. Интересно ага !!
Для этого в систему машинного обучения загружают множество изображений Луны (в данном случае 2,4 миллиона), а затем создают виртуальную версию Луны с помощью нейронных сетей. Затем, если вы потерялись на Луне, вы можете сделать снимки своего окружения, и система машинного обучения сможет определить ваше местоположение на Луне, сравнив ваши изображения с уже созданной базой данных изображений лунной поверхности, которая составляет виртуальную луну. .
Наряду с этими несколькими вариантами использования AI / ML у НАСА есть различные проекты, такие как Робонавт, Генератор планетарного спектра и т. Д., Которые используют машинное обучение в своей основе для решения этих проблем и улучшения исследование космического пространства.
НАСА продолжает помогать человечеству собирать все больше и больше знаний обо всей пустоте (глубоком космосе), окружающей нас, с помощью искусственного интеллекта / машинного обучения и других современных технологий.
Спасибо, что прочитали эту статью. Надеюсь, вам понравилось это читать 😄✌🏼
Использованная литература:
Https://www.geeksforgeeks.org/how-does-nasa-use-machine-learning/
Изображения - https://www.nasa.gov/
