.
Os rovers de Marte têm equipes de especialistas humanos na Terra dizendo a eles o que fazer. Mas os robôs em missões de pouso para luas orbitando Saturno ou Júpiter estão muito longe para receber comandos oportunos da Terra. Pesquisadores dos Departamentos de Engenharia Aeroespacial e Ciência da Computação da Universidade de Illinois Urbana-Champaign desenvolveram um novo método baseado em aprendizado para que robôs em corpos extraterrestres possam tomar decisões por conta própria sobre onde e como colher amostras de terreno.
“Em vez de simular como escavar todos os tipos possíveis de rocha ou material granular, criamos uma nova maneira para os aterrissadores autônomos aprenderem como aprender a escavar rapidamente um novo material que encontrar”, disse Pranay Thangeda, Ph.D. aluno do Departamento de Engenharia Aeroespacial.
“Também aprende a se adaptar às mudanças nas paisagens e suas propriedades, como a topologia e a composição dos materiais”, disse ele.
Usando esse método, Thangeda disse que um robô pode aprender a colher um novo material com poucas tentativas. “Se fizer várias tentativas erradas, aprende que não deve cavar naquela área e tentará em outro lugar.”
O modelo de processo gaussiano profundo proposto é treinado no banco de dados off-line com meta-aprendizado profundo com lacunas de implantação controladas, que divide repetidamente o conjunto de treinamento em treinamento médio e treinamento de kernel e aprende os parâmetros do kernel para minimizar os resíduos dos modelos médios. Na implantação, o tomador de decisão usa o modelo treinado e o adapta aos dados adquiridos online.
Um dos desafios para esta pesquisa é a falta de conhecimento sobre mundos oceânicos como Europa.
“Antes de enviarmos os rovers recentes para Marte, os orbitadores nos deram informações muito boas sobre as características do terreno”, disse Thangeda. “Mas a melhor imagem que temos de Europa tem uma resolução de 256 a 340 metros por pixel, o que não é claro o suficiente para determinar as características.”
O conselheiro de Thangeda, Melkior Ornik, disse: “Tudo o que sabemos é que a superfície de Europa é gelo, mas podem ser grandes blocos de gelo ou muito mais finos, como neve. Também não sabemos o que há sob o gelo.”
Para alguns testes, a equipe escondeu o material sob uma camada de outra coisa. O robô vê apenas o material superior e pensa que pode ser bom colher. “Quando ele realmente escava e atinge a camada inferior, descobre que não pode ser escavado e se move para uma área diferente”, disse Thangeda.
A NASA quer enviar rovers movidos a bateria em vez de nucleares para Europa porque, entre outras considerações específicas da missão, é fundamental minimizar o risco de contaminar mundos oceânicos com materiais potencialmente perigosos.
“Embora as fontes de energia nuclear tenham uma vida útil de meses, as baterias têm uma vida útil de cerca de 20 dias. Não podemos perder algumas horas por dia para enviar e receber mensagens. Isso fornece outra razão pela qual a autonomia do robô para tomar decisões por si só é vital”, disse Thangeda.
Este método de aprender a aprender também é único porque permite que o robô use a visão e muito pouca experiência on-line para realizar ações de escavação de alta qualidade em terrenos desconhecidos – superando significativamente os métodos não adaptativos e outros métodos de última geração. métodos de meta-aprendizagem de arte.
A partir desses 12 materiais e terrenos compostos por uma composição única de um ou mais materiais, foi criada uma base de dados de 6.700.
A equipe usou um robô no Departamento de Ciência da Computação em Illinois. Ele é modelado a partir do braço de um lander com sensores para coletar dados de escavação em uma variedade de materiais, desde grãos de areia de 1 milímetro até rochas de 8 centímetros, bem como materiais de diferentes volumes, como papelão picado e embalagens de amendoim. O banco de dados resultante da simulação contém 100 pontos de conhecimento para cada um dos 67 terrenos diferentes, ou 6.700 pontos no total.
“Até onde sabemos, somos os primeiros a abrir o código de um conjunto de dados em grande escala em mídia granular”, disse Thangeda. “Também fornecemos código para acessar facilmente o conjunto de dados para que outras pessoas possam começar a usá-lo em seus aplicativos.”
O modelo que a equipe criou será implantado no Laboratório de Propulsão a Jato da NASA no Ocean World Lander Autonomy Testbed.
“Estamos interessados em desenvolver capacidades robóticas autônomas em superfícies extraterrestres e, em particular, desafiar superfícies extraterrestres”, disse Ornik. “Este método único ajudará a informar o interesse contínuo da NASA em explorar mundos oceânicos.
“O valor deste trabalho está na adaptabilidade e transferência de conhecimento ou métodos da Terra para um corpo extraterrestre, porque é claro que não teremos muitas informações antes que o módulo de pouso chegue lá. E por causa da curta vida útil da bateria, nós não terá muito tempo para o processo de aprendizagem. O lander pode durar apenas alguns dias e depois morrer, então aprender e tomar decisões de forma autônoma é extremamente benéfico.”
O conjunto de dados de código aberto está disponível em: drillaway.github.io/scooping-dataset.html.
.
