ناسا از شما می‌خواهد که به هوش مصنوعی مریخ نورد یاد دهید که استقامت کند

در طی پروژه جدید، ناسا از همه مردم خواست تا در آموزش هوش مصنوعی مریخ نورد شرکت کنند تا ویژگی های سطح مریخ را بهتر بشناسند.

مریخ نورد Perseverance ناسا پیشرفته ترین وسیله نقلیه ای است که تاکنون به سیاره سرخ ارسال شده است، با مجموعه ای از دوربین ها و مهندسی دقیق که باید در آزمون زمان مقاومت کند.

این فقط یک ربات است، و گاهی اوقات درک انسان می تواند به یک ربات کمک کند تا باهوش شود. اگر می‌خواهید در توسعه مریخ‌نورد پایدار مشارکت کنید، ناسا از علاقه‌مندان می‌خواهد تا با الگوریتم‌های یادگیری ماشینی پایدار کمک کنند.

تنها کاری که باید انجام دهید این است که به تصاویر نگاه کنید و ویژگی های زمین شناسی مربوطه را علامت بزنید. این کاری است که اکثر مردم می توانند مستقیماً انجام دهند، اما برای یک ربات دشوار است.

این پروژه ناسا برای آموزش هوش مصنوعی برای مریخ‌نورد «هوش مصنوعی برای مریخ» (AI4Mars) نام دارد و در ادامه پروژه‌ای است که از سال گذشته آغاز شده است. کنجکاوی در سال 2012 به مریخ رسید و از آن زمان تاکنون تاریخ ساز شده است. ناسا از تجربه به دست آمده با مریخ نورد کنجکاوی به عنوان نقطه شروع در طراحی Persistence استفاده کرد.

مریخ نورد جدید دارای 23 دوربین است که حجم زیادی از داده های تصویری از مریخ را ثبت می کند، اما ربات برای تفسیر بیشتر این تصاویر به اپراتورهای انسانی متکی است. این مریخ نورد دارای هوش مصنوعی است که می تواند موانع سطحی مریخ را به خوبی پشت سر بگذارد و در پروژه جدید ناسا با کمک انسان، هوش آن از این هم بهتر است.

سلفی از مریخ نورد استقامت با هلیکوپتر مریخ نورد Genius
اعتبار: NASA/JPL-Caltech/MSSS/Seán Doran

این به کاربران امکان می دهد بین تصاویر فرصت، کنجکاوی و مریخ نورد جدید Perseverance یکی را انتخاب کنند. پس از انتخاب نوع تصاویر برای مشاهده توسط کاربر، تعدادی نشانگر مختلف و توضیحات آنها بر روی صفحه نمایش ظاهر می شود.

به عنوان مثال، NavCam از کاربر می خواهد شن، خاک سست (اگر چرخ ها کشش خوبی داشته باشند)، سنگ بستر و سنگ های بزرگ را تشخیص دهد. نمونه هایی از تمام این ساختارها گنجانده شده است، بنابراین شروع سریع است.

با تمام این اطلاعات برچسب‌گذاری شده، ناسا می‌تواند شبکه‌های عصبی را برای تشخیص بهتر ویژگی‌های سطح مریخ آموزش دهد. در نهایت، مریخ نورد ممکن است بتواند بدون انتظار برای دستورات تیم کنترل ترافیک هوایی و بدون دریافت دستورالعمل های دقیق حتی برای کوچکترین حرکت، قدم بزند و نمونه برداری کند.

آموزش هوش مصنوعی همچنین به شناسایی بهتر ویژگی های کلیدی زمین شناسی کمک می کند و مردم را از غربال کورکورانه میان گیگابایت داده ها نجات می دهد.

نتیجه پروژه AI4Mars کنجکاوی الگوریتمی به نام طبقه‌بندی ویژگی‌های خاک و شی (SPOC) است. این الگوریتم هنوز به طور فعال در حال توسعه است، اما به گفته ناسا، اکنون می تواند ویژگی های مریخ را با دقت 98 درصد شناسایی کند.

تصاویر حاشیه‌نویسی از مریخ‌نورد Persistence که حاوی جزئیات بیشتری مانند سنگ‌های منفرد، سنگ‌های گرده‌مانند و ساختار صخره‌ای آشکار است، الگوریتم SPOC را بیشتر بهبود می‌بخشد. در برخی از تصاویر، تقریباً همه اشیا از قبل علامت گذاری شده اند، اما برخی دیگر ممکن است ناقص باشند.

پروژه هوش مصنوعی کنجکاوی حدود نیم میلیون تصویر برچسب گذاری شده را ثبت کرد. در حالی که رسیدن به 20000 تصویر دائمی یک دستاورد بزرگ برای تیم پخش است، این تعداد احتمالاً بسیار بیشتر است.

تصویر روی جلد: فرآیند آموزش هوش مصنوعی مریخ نورد Perseverance
اعتبار: NASA/JPL-Caltech