Zukünftige Planetary Rovers können ihre eigenen Entscheidungen treffen

Es ist ein heißer Sommertag und deine Augen sehen einen Eiswagen voraus. Ohne wirklich nachzudenken, gehst du in diese Richtung. Planetenforscher möchten Robotern diese Art von visueller Anerkennung geben - nicht um Eiscreme zu bekommen, sondern um wissenschaftlich interessante Ziele zu finden.

Derzeit sind Rover und andere Raumfahrzeuge immer noch weitgehend von Befehlen ihrer menschlichen Kontrolleure auf der Erde abhängig. Um jedoch zu entscheiden, welche Befehle zu senden sind, müssen die Bediener warten, um Bilder und andere relevante Informationen von dem Raumfahrzeug zu empfangen. Da Rover keine starken Antennen haben, benötigt dieser sogenannte Downlink normalerweise viel Zeit.

Der Datenengpass bedeutet, dass Rover häufig zwischen nachfolgenden Befehlen "ihre Daumen drehen".

"Unser Ziel ist es, intelligente Instrumente zu entwickeln, die in jedem Befehlszyklus mehr leisten können", sagt David Thompson vom Jet Propulsion Laboratory in Pasadena, Kalifornien.

Thompson leitet ein Projekt mit dem Namen TextureCam, bei dem ein Computer-Vision-Paket erstellt wird, mit dem eine Oberfläche durch die Identifizierung geologischer Merkmale abgebildet werden kann. Es ist in erster Linie für einen Rover vorgesehen, aber es könnte auch einem Raumschiff zugute kommen, das einen Asteroiden oder einen Aerobot besucht, der in der Atmosphäre einer fernen Welt schwebt. [Neugier - Der SUV der Mars Rover]

Mit Mitteln der NASA Astrobiologie Wissenschaft und Technologie für die Erforschung von Planeten (ASTEP), verfeinert Thompsons Team derzeit ihren Computeralgorithmus mit einem eventuellen Plan, ein Prototypinstrument zu bauen, das eine astrobiologisch-relevante Feldseite abbilden kann.

Roam Rover, Roam Rover

Rover haben bereits große Fortschritte in der Autonomie gemacht. Aktuelle Prototypen können mit einer On-Board-Navigationssoftware alleine bis zu einem Kilometer zurücklegen. Dadurch können diese Fahrzeuge ein viel größeres Gebiet abdecken.

Aber eine Sorge ist, dass ein Rover buchstäblich über ein potenziell wertvolles Stück wissenschaftlicher Immobilien fahren und es nicht einmal realisieren kann. Einem Rover einige rudimentäre visuelle Erkennungsfähigkeiten zu geben, könnte dabei helfen, "die Nadel im Heuhaufen" zu vermissen, da sich Thompson auf die versteckten Hinweise bezieht, die Astrobiologen auf anderen Planeten entdecken wollen.

"Wenn der Rover einfache Unterscheidungen treffen kann, können wir die Aufklärung beschleunigen", sagt er. Während der Fahrt kann der Rover mehrere Bilder aufnehmen und mithilfe von On-Board-Software priorisieren, welche Bilder auf die Erde heruntergeladen werden sollen.

Und während sie auf ihre nächsten Befehle wartet, könnte sie ein potentiell interessantes geologisches Merkmal auswählen und dann nah heranfahren, um ein detailliertes Bild zu machen oder sogar eine einfache chemische Analyse durchzuführen.

"Sie könnten den nächsten Tag mit dem Instrument beginnen, das vor einem erstklassigen Standort sitzt", sagt Thompson.

Statt Zeit damit zu verschwenden, den Rover von A nach B zu bringen, könnten sich die Fluglotsen auf die höheren wissenschaftlichen Untersuchungen konzentrieren, die der Rover nicht leisten kann. Zumindest jetzt noch nicht. [NASA Mars Rover Curiosity: 11 erstaunliche Fakten]

"Das von David Thomson untersuchte Feld ist von entscheidender Bedeutung, um mit der Flut von Fernerkundungsdaten fertig zu werden, die von Raumfahrzeugen zurückgegeben werden", sagt Anthony Cook von der Universität Aberystwyth in Großbritannien, der nicht mit TextureCam befasst ist.

Es gibt noch andere Projekte, die sich mit der Computer Vision für Rover beschäftigen. Im Jahr 2010 erhielt der Mars-Rover Opportunity ein Software-Upgrade namens AEGIS, das wissenschaftlich interessante Gesteine ​​identifizieren kann. Ein Projekt in der Atacama-Wüste in Chile verwendete ein ähnliches Steindetektorsystem auf seinem Rover Zoë. Die ESA-Mission ExoMars entwickelt eine Computervision, die Objekte in der Umgebung des Rovers erkennen kann.

TextureCam ist einzigartig von diesen anderen Bemühungen darin, dass es die Oberfläche abbildet, anstatt zu versuchen, bestimmte Objekte zu isolieren. Es ist eine allgemeinere Strategie, die Geländeeigenschaften wie Verwitterung oder Frakturierung identifizieren kann.

Eine Felswand erkennen

Der neue Ansatz von Thompsons Gruppe konzentriert sich auf die "Textur" eines Bildes, die Computer Vision Terminologie für die statistischen Muster, die in einem Array von Pixeln existieren. Die gleiche Art von Bildanalyse wird in alltäglichen Anwendungen verwendet.

Zum Beispiel wird das Internet mit riesigen Fotoarchiven überschwemmt, die nicht systematisch sortiert wurden. Mehrere Unternehmen entwickeln "Suchmaschinen", die Objekte in digitalen Bildern identifizieren können. Wenn Sie beispielsweise nach einem Bild mit einem "blauen Hund" oder einer "Telefonzelle" suchen, könnten diese Programme eine Sammlung von Fotos durchsuchen, um diejenigen zu finden, die den bestimmten Kriterien entsprechen.

Außerdem erkennen viele Digitalkameras Gesichter im Kamerarahmen und passen den Fokus automatisch an, je nachdem, wie weit die Gesichter entfernt sind. Und einige neue Videospielkonsolen haben Sensoren, um die Körperhaltung eines Spielers zu erkennen.

Allen diesen Technologien gemeinsam ist eine differenzierte Analyse von Bildpixeln. Die relevanten Softwareprogramme suchen typischerweise nach Signalen in den Helligkeitsvariationen oder den Farbtönen, die für ein Telefon oder ein Gesicht oder einen Stein charakteristisch sind.

Diese Signale haben oft wenig damit zu tun, wie wir diese Objekte beschreiben könnten.

"Die Software identifiziert statistische Eigenschaften, die für das menschliche Auge nicht offensichtlich sind", sagt Thompson.

Lass den Computer das Rätselraten machen

Im Fall von TextureCam nimmt das Computerprogramm einen kleinen Patch oder eine Miniaturansicht in das Bild auf und führt eine Anzahl verschiedener Pixel-zu-Pixel-Vergleiche durch. Welche Vergleiche? Eigentlich entscheidet der Computer.

"Wir trainieren das System anhand von Beispielen", erklärt Thompson. Sie nehmen Bilder auf, die zuvor von einem Geologen als Aufschluss oder Sediment oder Gestein einer bestimmten Sorte analysiert wurden.Das Computerprogramm vergleicht seine Pixelanalyse mit diesen Markierungen und erstellt einen Entscheidungsbaum (oder einen ausgeklügelteren "Entscheidungswald"), der am besten zwischen den verschiedenen Möglichkeiten unterscheidet.

"Diese Entscheidungsbäume können schon nach wenigen Abzweigen recht effizient sein", sagt Thompson.

Dieses sogenannte "maschinelle Lernen" hat Vorteile gegenüber anderen Techniken, die ein visuelles Modell dafür bilden, wonach der Computer suchen sollte.

"Der Nachteil bei visuellen Modellen ist, dass Sie für jede neue Sache, die Sie identifizieren möchten, eine neue Regel erstellen müssen", sagt Thompson. Es kann für Menschen schwierig sein, zuverlässige Unterscheidungen zu finden, die einem Computer helfen können. Es ist sinnvoller, den Computer auszulöschen und die Möglichkeiten mit Versuch und Irrtum zu erkunden.

"Das System trainiert sich selbst, also müssen wir nicht voraussehen", sagt Thompson.

Das "Trainingsprogramm" für TextureCam begann mit einer Reihe von Bildern vom Mars und bewegt sich nun auf Fotos aus der Mojave-Wüste.

Das Team plant, seinen Algorithmus in ein Field Programmable Gate Array (FPGA) zu integrieren, bei dem es sich im Grunde um einen speziellen Computer handelt, der direkt mit einer Rover-Kamera verbunden wird. Dies würde es TextureCam ermöglichen, schneller zu arbeiten, ohne auf den Hauptcomputer des Rovers angewiesen zu sein.

"Computer und Software sind nicht bereit, die Interpretationsaufgaben menschlicher Geologen zu übernehmen, aber sie werden dazu beitragen, Regionen von Interesse vorzusortieren und vorab zu identifizieren, wodurch die Menge an Fernerkundungsdaten reduziert wird, die Geologen untersuchen müssen", sagt Cook.