• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  science >> Ciência >  >> Astronomia
    Algoritmos de aprendizado profundo ajudando a limpar lixo espacial de nossos céus
    p Crédito:Pixabay / CC0 Public Domain

    p Como você mede a pose - que é a rotação 3-D e a translação 3-D - de um pedaço de lixo espacial para que um satélite possa capturá-lo em tempo real e removê-lo com sucesso da órbita da Terra? Qual é o papel dos algoritmos de aprendizado profundo? E, o que é tempo real no espaço? Estas são algumas das questões que estão sendo abordadas em um projeto inovador, liderado por EPFL spin-off, Espaço livre, desenvolver tecnologias para capturar e desorbitar detritos espaciais. p Com mais de 34, 000 pedaços de lixo orbitando ao redor da Terra, sua remoção está se tornando uma questão de segurança. No início deste mês, um antigo satélite de navegação soviético Parus e um foguete chinês ChangZheng-4c estiveram envolvidos em um quase acidente e em setembro a Estação Espacial Internacional conduziu uma manobra para evitar uma possível colisão com um pedaço desconhecido de detritos espaciais, enquanto a tripulação da Expedição 63 da ISS se aproximava de sua espaçonave Soyuz MS-16 para se preparar para uma possível evacuação. Com mais lixo acumulando o tempo todo, colisões de satélites podem se tornar comuns, tornando o acesso ao espaço perigoso.

    p ClearSpace-1, a primeira missão da empresa definida para 2025, envolverá a recuperação da agora obsoleta Parte Superior da Vespa, um adaptador de carga útil orbitando 660 quilômetros acima da Terra que já fez parte do foguete Vega da Agência Espacial Europeia, para garantir que entre novamente na atmosfera e queime de forma controlada.

    p Um dos primeiros desafios é permitir que os braços robóticos de um foguete de captura se aproximem da Vespa do ângulo correto. Para este fim, ele usará uma câmera acoplada - seus olhos - para descobrir onde está o lixo espacial para que possa agarrar a Vespa e puxá-la de volta para a atmosfera. "Um foco central é desenvolver algoritmos de aprendizagem profunda para estimar com segurança a pose 6D (3 rotações e 3 traduções) do alvo a partir de sequências de vídeo, mesmo que as imagens tiradas no espaço sejam difíceis. Elas podem ser super ou subexpostas com muitos superfícies semelhantes a espelhos, "diz Mathieu Salzmann, um cientista liderando o projeto dentro do Laboratório de Visão Computacional da EPFL liderado pelo Professor Pascal Fua, na Escola de Ciências da Computação e da Comunicação.

    p Contudo, há um problema. Ninguém realmente viu a Vespa por sete anos, pois ela girava no vácuo no espaço. Sabemos que tem cerca de 2 metros de diâmetro, com fibras de carbono que são escuras e um pouco brilhantes, mas ainda é o que parece?

    p O Laboratório de Gráficos Realistas da EPFL simula como esse pedaço de lixo espacial se parece como o 'material de treinamento' para ajudar os algoritmos de aprendizado profundo de Salzmann a melhorar ao longo do tempo. "Estamos produzindo um banco de dados de imagens sintéticas do objeto alvo, incluindo o cenário da Terra reconstruído a partir de imagens de satélite hiperespectral, e um modelo 3D detalhado do estágio superior da Vespa. Essas imagens sintéticas são baseadas em medições de amostras de materiais do mundo real de painéis de alumínio e fibra de carbono, adquirida com o goniofotômetro de nosso laboratório. Este é um grande dispositivo robótico que gira em torno de uma amostra de teste para iluminar e observá-la simultaneamente de muitas direções diferentes, fornecendo-nos uma grande quantidade de informações sobre a aparência do material, "diz o professor assistente Wenzel Jakob, chefe do laboratório. Assim que a missão começar, os pesquisadores serão capazes de capturar algumas imagens da vida real de fora da nossa atmosfera e ajustar os algoritmos para garantir que funcionem no local.

    p Um terceiro desafio será a necessidade de trabalhar no espaço, em tempo real e com capacidade de computação limitada a bordo do satélite de captura ClearSpace. Dr. Miguel Peón, um colaborador sênior de pós-doutorado no Embedded Systems Lab da EPFL está liderando o trabalho de transferência de algoritmos de aprendizado profundo para uma plataforma de hardware dedicada. "Uma vez que o movimento no espaço é bem comportado, os algoritmos de estimativa de pose podem preencher as lacunas entre reconhecimentos espaçados de um segundo, aliviar a pressão computacional. Contudo, para garantir que eles podem lidar autonomamente com todas as incertezas na missão, os algoritmos são tão complexos que sua implementação exige a extração de todo o desempenho dos recursos da plataforma, "diz o professor David Atienza, chefe da ESL.

    p É claro que projetar algoritmos para ser 100% confiável em tal ambiente e relativamente desconhecido, condições, e que funcionam em tempo real usando recursos computacionais limitados, é um tremendo desafio. Para Salzmann, isso faz parte da atração do projeto, "Precisamos ser absolutamente confiáveis ​​e robustos. Do ponto de vista da pesquisa, normalmente você fica feliz com 90% de sucesso, mas isso é algo que realmente não podemos pagar em uma missão real. Mas talvez o aspecto mais interessante do projeto é que estamos desenvolvendo um algoritmo que acabará por funcionar no espaço. Acho isso absolutamente incrível e é isso que me motiva todos os dias! "

    p Este trabalho inovador foi executado com o apoio da equipe da Microsoft para Startups, quem forneceu o poder de processamento do Azure.


    © Ciência https://pt.scienceaq.com