Все
Дизайн
Код
Геймдев
Бизнес
Маркетинг
Управление
Кино и музыка
Фотография
Развитие
Здоровье
Деньги
Образование
EdTech
Корп. обучение
Блог Skillbox
Спецпроекты
Профориентация
Теперь даже ракеты 🚀 в космос запускают нейросети
Говорим о том, как Data Science помогает исследовать космос. Спойлер: речь не только о новом американском марсоходе, но о нём в статье тоже есть.
Инструменты Data Science уже применяются на всех этапах исследований далёких миров — от запуска ракет-носителей до управления автоматическими аппаратами и анализа полученных ими данных. Наглядная демонстрация этого — успешная посадка марсохода Perseverance в феврале 2021 года. Поговорим о нескольких впечатляющих примерах использования Data Science в космической технике.
Запустить ракету
Космические ракеты состоят из огромного количества сложных деталей. Требуются тщательная подготовка и множество проверок, чтобы всё это многообразие элементов при запуске успешно работало. Процесс сборки ракеты-носителя на стартовой площадке обычно занимает 30–40 дней и требует участия нескольких сотен специалистов.
Ирония в том, что ракетная техника, считающаяся одной из передовых, до сих пор использует методы, разработанные во времена первых космических полётов. Долгое время конструкторы бились, чтобы увеличить грузоподъёмность и топливную экономичность, но не спешили внедрять современные компьютерные технологии. Многие ракеты-носители до сих пор полагаются на проверенные временем технические решения 1960-х годов.
Изменить эту ситуацию взялись японские конструкторы. Впервые технологии искусственного интеллекта в ракетную технику массово внедрили именно они — при создании ракеты-носителя «Эпсилон». Благодаря использованию интеллектуальных систем проверка готовности ракеты к старту происходит автоматически и практически не требует участия людей.
Японское аэрокосмическое агентство (JAXA) называет своё детище ракетой-роботом. Для пуска «Эпсилона» требуется всего восемь человек, в то время как для запуска ракет предыдущего поколения нужно было не менее 150 высококвалифицированных сотрудников. Время сборки на стартовой площадке сократилось до одной недели.
Ракеты предыдущих поколений можно сравнить со старыми автомобилями. В случае неисправности на приборной панели такой машины лишь загоралась красная лампочка. Причину неисправности специалистам приходилось искать самостоятельно, что отнимало много времени и сил.
«Эпсилон» в этом смысле более похож на суперсовременный японский автомобиль, оснащённый мощным бортовым компьютером и интеллектуальной системой самодиагностики. Такая система не только сигнализирует о неисправности, но и выдаёт детальное описание, что именно работает не так. При этом система способна самостоятельно исправить обнаруженную неполадку, если её в принципе можно устранить с помощью программных средств без непосредственного участия человека.
«Эпсилон» оснащён высокоскоростной шиной передачи данных, связывающей все основные элементы ракеты в единую компьютерную сеть. Получается что-то вроде небольшого внутриракетного интернета. По этой сети интеллектуальные алгоритмы могут следить за состоянием ракеты. С её помощью можно практически мгновенно проанализировать огромный массив данных, поступающих от всех деталей, провести диагностику и оперативно дистанционно устранить обнаруженные сбои.
Один из разработчиков ракеты, профессор Ясухиро Морита, в интервью рассказал о системе управления соплом двигателя. Её работа зависит от электрических сигналов, получаемых от множества датчиков. Отклонение сопла может привести к тому, что ракета собьётся с курса. Искусственный интеллект «Эпсилон» контролирует показания датчиков, чтобы убедиться в работоспособности системы управления, а также калибрует её действия под реальные показания приборов до старта ракеты.
«Эпсилон» относится к лёгкому классу ракет, его грузоподъёмность примерно в пять раз меньше, чем у наших «Союзов». Японское аэрокосмическое агентство применяет «Эпсилон» для запуска небольших спутников. Состоялось четыре успешных запуска: в 2013-м, 2016-м, 2018-м и 2019-м. Модифицированные версии ракет этого типа планируется использовать для отправки исследовательских аппаратов к Луне и Марсу.
Несмотря на небольшие размеры, «Эпсилон» — отличная модель использования Data Science в ракетостроении. Решения, аналогичные применённым в японской разработке, могут использоваться при создании новых образцов космических носителей с большой грузоподъёмностью. Например, в ракетах Falcon компании SpaceX или в нашей «Ангаре». Пока в этом плане они уступают «Эпсилону» и полагаются на ручной труд обслуживающего персонала.
Посадить марсоход
Автоматическая посадка исследовательского зонда на Марс — задача необычайно сложная. И статистика подтверждает это: примерно 60% миссий, отправленных человечеством к Красной планете, завершились неудачно. Проблема заключается в том, что из-за огромного расстояния радиосигнал добирается до нашей планеты со значительным запаздыванием: от трёх до двадцати четырёх минут. Поэтому спуск аппарата невозможно контролировать с Земли.
Путешествие от нашей планеты до Марса длится примерно семь месяцев. Посадка на поверхность — всего семь минут. Но именно в этот момент вероятность гибели дорогостоящего аппарата достигает максимума. Поэтому спуск на поверхность называют «семью минутами ужаса».
Создатели нового американского марсохода «Персеверанс» (Perseverance), конечно, знали об этой проблеме и начали готовиться к её решению заранее. Они разработали систему TRN (Terrain Relative Navigation), осуществляющую автоматическую навигацию посадочного модуля во время спуска на поверхность. Система позволяет бортовому компьютеру в режиме реального времени оценивать положение спускаемого аппарата и выбирать место для посадки, избегая опасных участков, грозящих марсоходу гибелью.
Фото: NASA
«Персеверанс» стал пятым марсоходом, отправленным НАСА на Красную планету. В первых миссиях аппараты использовали надувные баллоны, действующие подобно автомобильным подушкам безопасности. Они наполнялись газом перед приземлением и смягчали удар посадочного модуля о поверхность планеты. Такой подход впервые использовали советские конструкторы в лунных станциях. Но он не подходит для тяжёлого Perseverance с чувствительным оборудованием, который весит больше тонны.
Уже на его предшественнике «Кьюриосити» НАСА применило новый посадочный механизм под названием «небесный кран» (Sky Crane). Это платформа, снабжённая восемью ракетными двигателями. Платформа вместе с марсоходом отделяется от посадочного модуля. За счёт направленных вниз двигателей зависает в нескольких метрах над поверхностью Красной планеты и нежно опускает планетоход при помощи нейлоновых тросов. Затем отлетает в сторону, чтобы не задеть марсоход, отключает двигатели и падает.
Но при этом способе точность довольно низкая. Отклонение от предполагаемой точки посадки — два-три километра. При таком отклонении марсоход может погибнуть, если попадёт на скалы или в глубокий кратер, из которого не сможет выбраться.
Для Perseverance инженеры разработали автоматическую систему навигации TRN, которая увеличила точность посадки. Теперь отклонение не превышает 40 метров. В основе системы лежат интеллектуальные алгоритмы анализа изображений.
Учёные использовали полученные ранее от орбитальных аппаратов фотографии места предполагаемой посадки марсохода, обработали их и загрузили в память управляющего компьютера TRN, получив карту поверхности планеты. На ней специалисты по анализу данных предварительно отметили места, пригодные для посадки, и опасные зоны, где аппарат может погибнуть.
Посадочная платформа Perseverance оснащена скоростными фотокамерами высокого разрешения. При подлёте к поверхности аппарат делает снимки местности, над которой он сейчас находится, и сравнивает изображения с картой опасных участков, хранящейся в памяти бортового компьютера.
Интеллектуальный алгоритм в режиме реального времени анализирует изображение, выбирает ближайшее подходящее для посадки место и даёт двигателям команды на корректировку траектории снижения. В результате посадочный модуль идёт к самой безопасной точке посадки из возможных. Затем «небесный кран» опускает марсоход на поверхность и улетает в сторону.
«Персеверанс» успешно сел на Марс 18 февраля 2021 года и уже передаёт первые изображения. НАСА опубликовало впечатляющее видео процесса приземления аппарата. Это не компьютерная графика, а реально снятые кадры. Впервые люди наблюдали столь детальный видеоотчёт о посадке автоматического аппарата на Марс. И в успехе Perseverance есть заслуга Data Science.
Обнаружить воду на Марсе
С тех пор как люди начали изучать Марс, они постоянно искали там воду. Потому что понимали: где есть вода, там возможна и жизнь. Красная планета подавала в этом плане большие надежды: астрономы долгое время наблюдали в телескопы знаменитые марсианские каналы.
Когда космические аппараты добрались до Марса и передали детальные снимки, стало понятно, что воды в жидком виде там нет. А каналы были всего лишь оптической иллюзией.
Только в начале XXI века, анализируя данные автоматических станций, учёные смогли доказать, что вода на Марсе всё-таки есть. Правда, находится она под поверхностью планеты в виде льда. Толщина слоя вечной мерзлоты местами достигает десятков и даже сотен метров.
На орбите Марса сейчас много искусственных спутников. Они передали на Землю огромный массив снимков марсианской поверхности. Но обнаружить скопления льда на фотографиях очень тяжело. Видны только полярные шапки льда, а основные запасы замёрзшей воды скрыты под слоем грунта.
И вновь на помощь учёным приходит Data Science. Благодаря искусственному спутнику Красной планеты «Марс Одиссей» (Mars Odyssey) исследователи НАСА получили более 20 тысяч снимков поверхности Марса и составили его точную карту. Установленный на Mars Odyssey прибор THEMIS (Thermal Emission Imaging System) позволяет измерять температуру поверхности планеты по исходящему от неё инфракрасному излучению.
Ожидаемую температуру отдельных участков Марса можно рассчитать по количеству получаемой от Солнца энергии. Но находящийся под грунтом лёд снижает её. Специалисты по анализу данных сравнили фактически измеренную температуру поверхности с расчётной. Если участок холоднее, чем ожидалось, то под ним находится водяной лёд. По значению этой разницы можно определить глубину залегания вечной мерзлоты и толщину льда.
Таким образом учёные НАСА создали карту расположения льда под поверхностью Марса и опубликовали результаты исследования в научной статье.
Изображение: NASA/JPL-Caltech
Однако искать замёрзшую воду по разнице температур достаточно сложно. Не всегда есть возможность провести соответствующие измерения и расчёты. В некоммерческом стартапе MaritimeAI сейчас ищут способ искать лёд под поверхностью Марса по обычным орбитальным снимкам. Для анализа изображений они применяют искусственные нейронные сети.
Команда MaritimeAI уже занималась обнаружением затонувших кораблей и скоплений льда на спутниковых снимках морской поверхности. Сейчас они пытаются применить опробованные нейросетевые методы для поиска замёрзшей воды на Красной планете.
Для того чтобы нейросеть могла анализировать изображения, её вначале следует обучить — то есть подать в неё несколько сотен изображений, на которых отмечено расположение льда под поверхностью. Фотографии для обучения, конечно, можно разметить вручную, но это долгая и скучная работа.
Есть способ лучше: совместить снимки Марса с картой скоплений льда, полученной учёными НАСА при исследовании разницы температур. На этих данных нейронную сеть можно относительно легко обучить. После этого в неё уже можно загружать новые изображения марсианского грунта, о котором неизвестно, есть ли под ним лёд. И сеть будет выдавать ответ с высокой точностью.
На своём сайте ребята из MaritimeAI опубликовали изображение поверхности Марса, на котором их нейронная сеть обнаружила лёд и даже обрисовала контуры его скоплений («полигоны»).
В перспективе такой метод позволит легко находить запасы замёрзшей воды на Марсе по орбитальным снимкам. Это поможет будущим марсианским экспедициям подобрать подходящее место для посадки пилотируемых станций. Колонистам не придётся везти запасы воды с собой — её можно будет добывать на планете. Где есть вода, там возможна и жизнь.
