Kosmos długo był domeną urządzeń, które wykonują z góry zaplanowane polecenia i w razie problemu czekają na instrukcje z Ziemi. Dziś takie podejście coraz częściej nie wystarcza. Z powodu olbrzymich odległości nawet sygnał radiowy dociera do sondy po długim czasie, w dodatku przepustowość łączy jest ograniczona, a sytuacje bywają nieprzewidywalne. Problemem są na przykład chmury pyłu, ostre cienie w kraterach, odbłyski od paneli słonecznych, a także szybko zmieniająca się geometria spotkania dwóch statków na orbicie. W takich warunkach rośnie znaczenie kamer i algorytmów, które potrafią z obrazu wyciągnąć praktyczną informację: gdzie jestem, co mam przed sobą i jak bezpiecznie wykonać manewr.

Takich właśnie wyzwań dotyczy przegląd technik komputerowego widzenia, wspieranego przez sztuczną inteligencję w misjach robotycznych. Tekst na ten temat opublikowała na łamach Journal of Field Robotics (https://onlinelibrary.wiley.com/doi/10.1002/rob.70150 ) międzynarodowa grupa Macieja Quoosa i Julii Wajoras z warszawskiego oddziału GMV Innovating Solutions. Autorzy porządkują duży obszar badań: od lądowania, przez działania na orbicie, po jazdę łazika po powierzchni Księżyca i innych planet.

Problem, który stawiają, jest prosty do opisania, choć trudny do rozwiązania: jak sprawić, by systemy w kosmosie podejmowały trafne decyzje na podstawie obrazu, mimo że mają mało mocy obliczeniowej, działają w trudnym środowisku i często muszą radzić sobie z sytuacjami, których nie dało się w pełni przewidzieć na Ziemi. Badacze omawiają kluczowe zadania, które z punktu widzenia oczu robota są najważniejsze: rozpoznawanie i klasyfikacja (co jest na obrazie), detekcja (wyszukiwanie obiektów i przeszkód), segmentacja (dzielenie obrazu na obszary o różnym znaczeniu, np. skała, piasek, cień), a także estymacja pozycji i dopasowanie cech (wyznaczanie położenia i orientacji obiektu w przestrzeni, np. podczas zbliżania się do satelity, który nie współpracuje i nie podaje swojej pozycji).

Z jednej strony metody oparte na głębokich sieciach neuronowych coraz częściej wygrywają skutecznością i pozwalają na większą autonomię w takich zadaniach jak precyzyjne lądowanie, nawigacja po terenie czy operacje serwisowe na orbicie. Z drugiej strony inżynierowie podkreślają trzy problemy, które w kosmosie stają się istotnym ograniczeniem rzeczywistych rozwiązań: limity sprzętowe na pokładzie (energia i procesory), niedostatki danych do uczenia i testowania algorytmów (za mało realistycznych przykładów wszystkich warunków), oraz słaba odporność modeli na zmiany oświetlenia i środowiska. Sporo miejsca poświęcają też temu, że o ile dane z prawdziwych misji są cenne, nie zawsze wystarczają do skutecznego uczenia algorytmów sztucznej inteligencji. Dlatego rośnie rola danych syntetycznych, czyli obrazów generowanych w symulacjach. Niezwykle istotna jest tu ich jakość i wierne odwzorowanie rzeczywistych warunków, by algorytm potem nie gubił się w czasie misji.

Im więcej autonomii w kosmosie, tym większa szansa, że satelity będą skuteczniej unikać kolizji z innymi obiektami i śmieciami na orbicie, a misje serwisowe, takie jak naprawy, tankowanie czy składanie elementów, staną się łatwiejsze. To zaś przekłada się na stabilność łączności, systemów nawigacji satelitarnej, prognoz pogody czy obserwacji Ziemi w przestrzeni kosmicznej.

Jednocześnie badanie pokazuje, że postęp nie zależy tylko od inteligentniejszych algorytmów, ale też od projektowania rozwiązań, które mieszczą się w ograniczeniach pokładowych komputerów i potrafią uczyć się z małej liczby przykładów. Inżynierowie wskazują, że efektem tego mogą być lżejsze modele, lepsze symulacje, efektywniejsze uczenie adaptacyjne i skuteczniejsze tworzenie systemów łączących kamery z innymi czujnikami, np. LiDAR-em czy jednostką inercyjną. (PAP)

kmp/ zan/