Os robôs de Marte da NASA foram um dos maiores sucessos científicos e espaciais das últimas duas décadas.
Quatro gerações de rovers atravessaram o planeta vermelho coletando dados científicos, enviando fotos evocativas e sobrevivendo a condições incrivelmente adversas – tudo usando computadores de bordo menos potentes que um iPhone 1. O rover mais recente, Perseverance, foi lançado em 30 de julho, 2020, e os engenheiros já sonham com uma futura geração de rovers.
Embora sejam uma grande conquista, essas missões apenas arranharam a superfície (literal e figurativamente) do planeta e sua geologia, geografia e atmosfera.
“A área da superfície de Marte é aproximadamente a mesma que a área total da terra na Terra”, disse Masahiro (Hiro) Ono, líder do grupo do Robotic Surface Mobility Group no Laboratório de Propulsão a Jato da NASA (JPL) – que liderou todas as missões do rover de Marte – e um dos pesquisadores que desenvolveu o software que permite que o rover atual opere.
“Imagine, você é um alienígena e não sabe quase nada sobre a Terra, e você pousa em sete ou oito pontos na Terra e dirige algumas centenas de quilômetros. Essa espécie alienígena sabe o suficiente sobre a Terra?” Ono perguntou. “Não. Se quisermos representar a enorme diversidade de Marte, precisaremos de mais medições no solo, e a chave é uma distância substancialmente estendida, com sorte cobrindo milhares de quilômetros.”
Viajar pelo terreno diverso e traiçoeiro de Marte com poder de computação limitado e dieta de energia restrita – apenas a quantidade de sol que o rover pode capturar e converter em energia em um único dia marciano, ou sol – é um grande desafio.
O primeiro rover, Sojourner, cobria 330 pés ao longo de 91 sóis; o segundo, Spirit, viajou 4,8 milhas em cerca de cinco anos; Opportunity, viajou 28 milhas ao longo de 15 anos; e o Curiosity viajou mais de 19 quilômetros desde que pousou em 2012.
“Nossa equipe está trabalhando na autonomia do robô Mars para tornar os rovers mais inteligentes, aumentar a segurança, melhorar a produtividade e, em particular, para dirigir mais rápido e mais longe”, disse Ono.
NOVO HARDWARE, NOVAS POSSIBILIDADES
O rover Perseverance, que foi lançado em Julho, realiza seus cálculos usando RAD 750 – computadores de placa única resistentes a radiação fabricados pela BAE Systems Electronics.
As missões futuras, no entanto, potencialmente usariam novos processadores de alto desempenho, multi-core, protegidos da radiação, projetados por meio do projeto High Performance Spaceflight Computing (HPSC). (O processador Snapdragon da Qualcomm também está sendo testado para missões.) Esses chips fornecerão cerca de cem vezes a capacidade computacional dos processadores de voo atuais, usando a mesma quantidade de energia.
“Toda a autonomia que você vê em nosso rover Mars mais recente é em grande parte humana no circuito” – o que significa que requer interação humana para operar, de acordo com Chris Mattmann, vice-chefe de tecnologia e diretor de inovação do JPL. “Parte da razão para isso são os limites dos processadores utilizados neles. Uma das principais missões desses novos chips é fazer deep learning e machine learning, como fazemos aqui na Terra, mas a bordo. Quais são os aplicativos matadores dado aquele novo ambiente de computação? ”
O programa de análise baseada em aprendizado de máquina para sistemas autônomos rover (MAARS) – que começou há três anos e será concluído este ano – abrange uma gama de áreas onde a inteligência artificial pode ser útil. A equipe apresentou os resultados do projeto MAARS na hIEEE Aerospace Conference em março de 2020. O projeto foi finalista do NASA Software Award.
“A computação terrestre de alto desempenho permitiu avanços incríveis em navegação autônoma de veículos, aprendizado de máquina e análise de dados para aplicativos baseados na Terra”, escreveu a equipe em seu artigo IEEE. “O principal obstáculo para a implementação de tais avanços na exploração de Marte é que os melhores computadores estão na Terra, enquanto os dados mais valiosos estão localizados em Marte.”
Treinando modelos de aprendizado de máquina no supercomputador Maverick no Texas Advanced Computing Center (TACC), bem como em Amazon Web Services e clusters JPL, Ono, Mattmann e sua equipe têm desenvolvido dois novos recursos para futuros Mars rovers, que eles chamam de Drive -Por Ciência e Navegação Autônoma Optimal em Energia.
NAVEGAÇÃO AUTÔNOMA OPTIMAL DE ENERGIA [ENERGY-OPTIMAL AUTONOMOUS NAVIGATION]
Ono fazia parte da equipe que escreveu o software pathfinding integrado para o Perseverance. O software do Perseverance inclui algumas habilidades de aprendizado de máquina, mas a maneira como ele faz o pathfinding ainda é bastante ingênua.
“Gostaríamos que os rovers futuros tivessem uma capacidade humana de ver e entender o terreno”, disse Ono. “Para os rovers, a energia é muito importante. Não há rodovia pavimentada em Marte. A dirigibilidade varia substancialmente com base no terreno – por exemplo, praia versus rocha. Isso não é considerado atualmente. Encontrar um caminho com todas essas restrições é complicado, mas esse é o nível de computação que podemos lidar com os chips HPSC ou Snapdragon. Mas, para fazer isso, vamos precisar mudar um pouco o paradigma.”
“Gostaríamos que os rovers futuros tivessem uma capacidade humana de ver e entender o terreno”, disse Ono. “Para os rovers, a energia é muito importante. Não há rodovia pavimentada em Marte. A dirigibilidade varia substancialmente com base no terreno – por exemplo, praia versus rocha. Isso não é considerado atualmente. Encontrar um caminho com todas essas restrições é complicado, mas esse é o nível de computação que podemos lidar com os chips HPSC ou Snapdragon. Mas, para fazer isso, vamos precisar mudar um pouco o paradigma. ”
Ono explica esse novo paradigma como o comando da política, um meio-termo entre o ditado pelo homem: “Vá de A para B e faça C”, e o puramente autônomo: “Vá fazer ciência”.
Comandar por política envolve pré-planejamento para uma variedade de cenários e, então, permitir que o rover determine quais condições ele está encontrando e o que deve fazer.
“Usamos um supercomputador no solo, onde temos recursos computacionais infinitos como os do TACC, para desenvolver um plano em que uma política seja: se X, então faça isso; se y, faça aquilo”, explicou Ono. “Basicamente, faremos uma enorme lista de tarefas e enviaremos gigabytes de dados para o rover, compactando-os em tabelas enormes. Então, usaremos a maior potência do rover para descompactar a política e executá-la.”
A lista pré-planejada é gerada usando otimizações derivadas do aprendizado de máquina. O chip on-board pode então usar esses planos para realizar inferências: pegar as entradas de seu ambiente e conectá-las ao modelo pré-treinado. As tarefas de inferência são computacionalmente muito mais fáceis e podem ser computadas em um chip como aqueles que podem acompanhar os rovers futuros até Marte.
“O rover tem a flexibilidade de mudar o plano a bordo em vez de apenas seguir uma sequência de opções pré-planejadas”, disse Ono. “Isso é importante caso algo de ruim aconteça ou encontre algo interessante.”
DRIVE-BY SCIENCE
As missões atuais a Marte normalmente usam dezenas de imagens de um Sol do rover para decidir o que fazer no dia seguinte, de acordo com Mattmann. “Mas e se, no futuro, pudéssemos usar um milhão de legendas de imagem em vez disso? Esse é o princípio básico da Drive-By Science”, disse ele. “Se o rover puder retornar rótulos de texto e legendas que foram validados cientificamente, nossa equipe de missão teria muito mais para continuar.”
Mattmann e a equipe adaptaram o software Show and Tell do Google – um gerador de legenda de imagem neural lançado pela primeira vez em 2014 – para as missões rover, o primeiro aplicativo da tecnologia que não é do Google.
O algoritmo capta imagens e expele legendas legíveis por humanos. Isso inclui informações básicas, mas críticas, como cardinalidade – quantas pedras, a que distância? – e propriedades como a estrutura das veias em afloramentos próximos ao leito rochoso. “Os tipos de conhecimento científico para os quais usamos imagens atualmente para decidir o que é interessante”, disse Mattmann.
Nos últimos anos, geólogos planetários rotularam e fizeram a curadoria de anotações de imagens específicas de Marte para treinar o modelo.
“Usamos o milhão de legendas para encontrar 100 coisas mais importantes”, disse Mattmann. “Usando os recursos de busca e recuperação de informações, podemos priorizar os alvos. Os humanos ainda estão por dentro, mas estão obtendo muito mais informações e são capazes de pesquisar muito mais rápido.”
Os resultados do trabalho da equipe aparecem na edição de setembro de 2020 da Planetary and Space Science.
Os supercomputadores da TACC provaram ser fundamentais para ajudar a equipe do JPL a testar o sistema. No Maverick 2, a equipe treinou, validou e aprimorou seu modelo usando 6.700 rótulos criados por especialistas.
A capacidade de viajar muito mais longe seria uma necessidade para os futuros robôs de Marte. Um exemplo é o Sample Fetch Rover, proposto para ser desenvolvido pela European Space Association e lançado no final da década de 2020, cuja principal tarefa será pegar amostras desenterradas pelo rover Mars 2020 e coletá-las.
“Esses rovers em um período de anos teriam que dirigir 10 vezes mais longe do que os anteriores para coletar todas as amostras e levá-las a um local de encontro”, disse Mattmann. “Precisamos ser mais inteligentes sobre a maneira como dirigimos e usamos a energia.”
Antes que os novos modelos e algoritmos sejam carregados em um rover destinado ao espaço, eles são testados em um campo de treinamento de terra próximo ao JPL, que serve como um análogo baseado na Terra para a superfície de Marte.
A equipe desenvolveu uma demonstração que mostra um mapa aéreo, imagens de streaming coletadas pelo rover e os algoritmos em execução ao vivo no rover e, em seguida, expõe o rover fazendo a classificação do terreno e legendas a bordo. Eles esperavam terminar os testes do novo sistema nesta primavera, mas o COVID-19 fechou o laboratório e atrasou os testes.
Nesse ínterim, Ono e sua equipe desenvolveram um aplicativo de ciência cidadã, AI4Mars, que permite ao público anotar mais de 20.000 imagens tiradas pelo rover Curiosity. Eles serão usados para treinar ainda mais os algoritmos de aprendizado de máquina para identificar e evitar terrenos perigosos.
O público gerou 170 mil rótulos até agora em menos de três meses. “As pessoas estão animadas. É uma oportunidade para as pessoas ajudarem”, disse Ono. “Os rótulos que as pessoas criam nos ajudarão a tornar o rover mais seguro.”
Os esforços para desenvolver um novo paradigma baseado em IA para futuras missões autônomas podem ser aplicados não apenas a rovers, mas a qualquer missão espacial autônoma, de orbitadores a voos de passagem e sondas interestelares, disse Ono.
“A combinação de um poder de computação mais poderoso a bordo, comandos pré-planejados computados em computadores de alto desempenho como os do TACC e novos algoritmos tem o potencial de permitir que os rovers futuros viajem muito mais longe e façam mais ciência.”
Publicado em 21/08/2020 07h41
Artigo original:
Achou importante? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: