Трубопровод для полного картирования Красной планеты

Эта запись в блоге совпадает с исследованием, которое мы представляем на конференции Американского геофизического союза 13 декабря 2018 г.

Для исследования Марса потребуются точные карты. Текущие карты объектов Марса создаются вручную и поэтому включают только крупные объекты. В сотрудничестве с исследователями из Университета штата Аризона мы использовали архитектуру глубокого обучения YOLO, чтобы автономно обнаруживать особенности поверхности (в данном случае кратеры) быстрее и в более мелких масштабах. С помощью искусственного интеллекта (AI) мы можем сократить процесс картографирования всей планеты с нескольких лет до недель.

Мотивация

На протяжении большей части истории исследователи покидали дома, не зная, с чем им предстоит столкнуться. Карты были настолько редкими и ценными, что исследователи нанимали шпионов, чтобы украсть эту геопространственную информацию у соперничающих наций. Первые люди, отправляющиеся на Марс, столкнутся с постоянными опасностями, угрожающими их выживанию. У нас есть инструменты, чтобы убедиться, что отсутствие точной карты не входит в их число.

Многие особенности поверхности (например, кратеры, дюны, овраги, повторяющиеся линии склона и т. Д.) Важны для картирования для исследования человеком и научными исследованиями. Мы работаем с экспертами по Марсу из ASU Ханной Кернер и Таней Харрисон над созданием конвейера машинного обучения, который сможет обнаруживать эти особенности в планетарном масштабе. Наши первоначальные результаты показывают, что, используя этот конвейер, мы можем сократить время и стоимость картирования особенностей поверхности Марса на несколько порядков.

Текущий подход

Текущая лучшая карта кратеров была создана вручную и включает только кратеры диаметром ≥ 1 км. Глобальная База данных кратеров Роббинса (построенная с использованием дневных изображений THEMIS с разрешением 100 м / пиксель) содержит 384 343 кратера (Роббинс и Хайнек, 2012), и на ее создание потребовалось около 4 лет. Эта карта кратера стала важным вкладом в научное сообщество, но Марс - динамичная планета, и наши карты также должны быть динамичными. К моменту завершения многолетнего картографирования оно может устареть.

Картирование людей в этом масштабе также подвержено ограничениям. Во-первых, процесс ручного картирования плохо масштабируется - количество кратеров увеличивается примерно экспоненциально с уменьшением диаметра кратера (Robbins and Hynek, 2012). Во-вторых, существующие усилия по картированию трудно воспроизвести, поскольку составители карт вряд ли создадут одну и ту же карту кратера дважды. Для кратеров, которые значительно эродированы или затемнены, трудно дать количественные инструкции человеку быть более или менее консервативным при картировании. Наконец, кратеры - лишь одна из многих интересных особенностей поверхности. Непрактично повторять процесс картографирования всей планеты вручную каждый раз, когда нам нужно нанести на карту новый объект. Мы можем смягчить эти проблемы, используя современные методы искусственного интеллекта.

Картография на основе ИИ

Глубокое обучение - популярное подполе в ИИ - это метод, позволяющий распознавать сложные закономерности в данных. Мы разработали подход к нанесению на карту кратеров размером до 100 метров в диаметре с использованием модели глубокого обучения. Хотя мы специально сосредоточились на обнаружении кратеров здесь, ту же архитектуру, которую мы выбрали, можно расширить для отображения нескольких категорий поверхностных объектов, таких как дюны или овраги.

Выбранная нами конкретная архитектура называется You Only Look Once (YOLO; Редмон и Фархади, 2018). YOLO - это алгоритм обнаружения объектов с открытым исходным кодом, который предсказывает ограничивающие рамки вокруг интересующих объектов. Мы обучили модель анализу спутниковых изображений и созданию ограничивающих рамок вокруг обнаруженных кратеров. Спутниковые изображения Марса были сделаны тепловизором ConText Camera (CTX) на Mars Reconnaissance Orbiter (MRO), и изображения общедоступны в Planetary Data System (PDS) НАСА.

Полученные результаты

После обучения модели мы создали карту кратеров для нескольких мест посадки марсохода Mars 2020 (северо-восток Сиртис, Джезеро и Мидуэй), а также области вокруг марсохода Curiosity (кратер Гейла). Подробную информацию и изображения с мест посадки можно получить в Лаборатории Мюррея в Калифорнийском технологическом институте.

В этих целевых регионах мы идентифицировали в общей сложности 381 648 кратеров диаметром до 100 м при скорости обработки около 20 км² в секунду. Мы запустили модель на облачной машине с одним графическим процессором и достигли максимальной оценки F1 0,87, что является достаточно хорошей производительностью для модели обнаружения объектов. Хотя в базе данных Роббина есть много дополнительных сведений о кратерах (выбросы, глубина, морфология и т. Д.), Это 10-кратное улучшение разрешения кратеров при скорости примерно на 5 порядков выше.

Совместное картирование людей и роботов

Хотя ИИ может помочь нам картографировать в планетарном масштабе, эти методы имеют некоторые ограничения. Например, наша модель пропускает некоторые кратеры и ошибочно классифицирует другие круглые объекты как кратеры. Лучшая стратегия, вероятно, потребует сочетания скорости инструментов на основе ИИ с точностью и гибкостью опытных картографов. По сути, мы можем использовать ИИ, чтобы предложить карту характеристик поверхности всей планеты, а затем полагаться на людей, чтобы подтвердить свои прогнозы. Мы надеемся дать исследователям планет возможность уделять больше времени планированию миссий и научному анализу.

В ближайшем будущем мы планируем провести экспертную проверку в этом конвейере, чтобы мы могли импортировать эти карты кратеров в общедоступную платформу Java Mission-Planning and Analysis for Remote Sensing (JMARS), используемую специалистами по планированию миссий и исследователями Марса. Наше долгосрочное видение - это открытая и интерактивная карта (а-ля OpenStreetMap), которую исследователи, ученые и широкая публика могут использовать, чтобы лучше понять поверхность Марса.