robot-explorer-mars

Avant que les sondes robotisées puissent atterrir sur des mondes extraterrestres loin de l’influence humaine et effectuer d’autres exploits ambitieux dans l’espace profond, ils devront être dotés de plus d’intelligence.

Le « deep learning » au service des missions spatiales

Le domaine de l’apprentissage en profondeur – qui permet aux ordinateurs d’apprendre à reconnaître des modèles basés sur des données de formation, était trop risqué pour être utilisé dans la prise de décisions concernant les engins spatiaux. Mais cela pourrait changer à mesure que les missions se compliquent et que le coût de lancement de petits engins spatiaux diminue, a déclaré Ossi Saarela, responsable du segment spatial chez MathWorks, un éditeur de logiciels de calcul.

«Pour des choses comme les atterrissages sur les planètes, les astéroïdes et les comètes, le premier gros problème est d’atteindre ces objectifs – la précision de la navigation est très spectaculaire compte tenu de la distance. », a déclaré Saarela. «Bien sûr, les astéroïdes, les comètes et les planètes, en particulier, représentent un autre défi. Souvent, nous ne savons même pas à quoi ils ressemblent avant d’y arriver. C’est donc un défi à relever si nous en sommes conscients.

En ce moment, le rover Opportunity de la NASA sur Mars est apparemment dans un mode autonome d’économie d’énergie, dans lequel il vérifie périodiquement si la tempête de poussière martienne en cours a suffisamment diminuée, comme la plupart des rovers et des vaisseaux spatiaux, peuvent prendre leurs propres décisions à court terme en suivant des algorithmes très spécifiques, programmés explicitement et rigoureusement testés sur Terre.

Prendre les bonnes décisions

Pour guider le vaisseau spatial à travers quelque chose de plus compliqué à l’avance, comme la localisation d’une caractéristique particulière, les programmeurs devront décrire très précisément cette caractéristique, et toutes les variations possibles, pour que le mobile les reconnaisse lors de son voyage.

La plupart des engins spatiaux peuvent prendre des décisions autonomes mineures par eux-mêmes – en remarquant qu’ils dévient de leur trajectoire en observant les étoiles ou ou en s’adaptant pour se remettre sur la bonne voie – mais la trajectoire elle-même est téléchargée depuis le sol. De même, les vaisseaux spatiaux peuvent arrêter une pièce défectueuse, mais le dépannage et le redémarrage sont laissés à des experts humains éloignés, ici sur Terre.

Mais les chercheurs ne peuvent pas prendre en compte toutes les éventualités en arrivant à un nouvel astéroïde ou à une nouvelle planète, et même en accostant avec un autre vaisseau spatial – une situation que Saarela a comparée à l’enseignement d’un vaisseau spatial.

« En tant qu’êtres humains, nous sommes très bons pour voir quelque chose et être capable de dire ce que c’est – en d’autres termes, de le classer », a déclaré Saarela. « Si nous avons besoin de passer la porte, nous savons par expérience qu’il s’agit d’une porte et de la manière de la traverser. Mais si vous essayez de formuler ce problème sur une machine et de l’écrire en code, cela deviendra un problème très compliqué: vous devez expliquer en code ce que signifie une porte, donc vous le décomposez probablement en quelque chose comme des arêtes et des ouvertures et cela devient beaucoup plus compliqué que vous ne l’imaginez. »

Apprendre de manière autonome

En utilisant un processus d’apprentissage en profondeur, un ordinateur peut apprendre à reconnaître des fonctionnalités de manière autonome à partir des données d’entraînement. Par exemple, les chercheurs peuvent montrer plusieurs images à un ordinateur, certaines contenant des chats, afin qu’elles puissent identifier les images des chats. Ce processus est utilisé pour la vision par ordinateur et la reconnaissance de la parole. En astronomie, il a été utilisé pour identifier les exoplanètes et rechercher des preuves d’ondes gravitationnelles, ainsi que pour analyser des lentilles gravitationnelles déformantes.

Mais les programmeurs humains ne peuvent pas jeter un coup d’œil et voir quelles fonctionnalités les ordinateurs utilisent dans leurs analyses – conduisant, par exemple, à un algorithme de reconnaissance d’image identifiant uniquement des moutons lorsqu’il existe également un champ vert.

« Lorsque vous appliquez l’apprentissage en profondeur, vous ne contrôlez pas vraiment l’ensemble des fonctionnalités extraites par les algorithmes, et ces fonctionnalités ne sont peut-être pas les mêmes que celles d’un être humain », a déclaré Saarela. « Il est difficile de comprendre un comportement, et comme il est difficile de comprendre un comportement, peu de scientifiques veulent l’utiliser. » Ce n’est pas une incertitude que les gens veulent quand ils lancent des engins spatiaux de plusieurs millions de dollars lors de missions novatrices.

« Typiquement, quand des algorithmes de vaisseau spatial sont conçus, ils passent par un processus de vérification / validation très rigoureux qui est de nature hautement déterministe », a déclaré Saarela. « Les ingénieurs sur le terrain ont l’habitude d’avoir un niveau de confiance élevé lors de la sortie de leur algorithme en fonction d’une entrée spécifique, et même si les algorithmes d’apprentissage automatique produisent le même résultat, alors l’efficacité devient plus variable ou plus imprévisible que ce à quoi l’industrie est habituée. »

Avoir confiance dans les décisions prises par un réseau de neurones

Trouver un moyen de tester suffisamment de situations pour avoir confiance dans les décisions du réseau de neurones est un défi majeur. Trouver des données de formation de haute qualité, telles que des images traitées de sites réels ou d’engins spatiaux ou peut-être des données générées un jour, que nous intégrerons à un autre.

Mais les chercheurs de sociétés privées et d’agences telles que la NASA commencent à envisager l’utilisation de l’apprentissage automatique et envisagent de partager des ensembles de données de formation, a déclaré Saarela. Les produits MathWorks MATLAB et Simulink sont déjà utilisés pour les algorithmes de guidage, de navigation et de contrôle des engins spatiaux. Ainsi, a déclaré Saarela, l’ajout de fonctionnalités d’apprentissage automatique fournies par MATLAB – et l’apprentissage en profondeur, qui est un sous-ensemble de ces capacités – est une extension naturelle.

Il a également déclaré qu’il s’attendait à ce que cette approche devienne plus courante à mesure que les missions deviennent plus complexes et que les lancements deviennent moins coûteux. « Je m’attendrais à ce que les preuves de concept proviennent de startups ou de projets à moindre coût, des projets prêts à tolérer des risques plus élevés », a déclaré Saarela. « je pense que la raison pour laquelle nous allons commencer à le voir c’est parce que les gens ne seront pas en mesure de résister aux gains de performance qu’ils pourront réaliser, et une fois que vous devez mettre en œuvre une mission à faible coût, le risque devient mineurs, et donc au final cela en vaut le coup.

Les capacités croissantes des plates-formes de mini-satellites tels que les cubesats – dont certaines sont même passées dans l’espace lointain – sont un exemple clé de cette réduction des coûts.

Des algorithmes pour des missions plus compliquées 

« Un autre aspect qu’il faut considéré, il y a cette tendance générale à ce que même les missions scientifiques deviennent de plus en plus compliquées et de plus en plus ambitieuses, et je pense que pour atteindre certains de ces objectifs scientifiques, nous pourrions pourrait voir des algorithmes être déployé – peut-être pas sur le contrôleur principal d’un vaisseau spatial qui est responsable de la sécurité de l’engin spatial lui-même, mais peut-être sur certaines des expériences scientifiques et des charges utiles plus petites », a-t-il ajouté.

La technologie est sur le point d’être utile pour ces projets, a déclaré Saarela. Bientôt, un engin spatial bien entraîné près d’un objet dans l’espace pourra avoir un avantage sur un ingénieur se trouvant sur Terre, même avec les risques d’une interaction peu cohérente car cet engin sera plus à même de faire les bons, puisqu’il se trouvera à un endroit bien précis, alors que les ingénieurs qui dirigent une mission seront trop loin pour prendre de bonne décision, rapidement et correspondant à ce qui se passe très loin dans l’espace.

« Vous survolez peut-être une planète, un astéroïde, une comète, et il existe une caractéristique qui aurait un intérêt scientifique élevé ou une valeur commerciale, mais pour obtenir les informations dont vous avez besoin, vous devez déplacer le vaisseau spatial ou vous devez déplacer la caméra, et si vous ne le faites pas au bon moment, nous pourrions les rater parce que vous aurez pris trop de temps pour prendre une décision », a déclaré Saarela. « Si vous ne comprenez pas très bien votre cible, vous n’auriez pas cette information. »

Les processus d’apprentissage automatique pourraient bientôt permettre à un vaisseau spatial de le comprendre et d’obtenir cette mesure, qui pour la plupart des missions, peut s’avérer cruciale., car n’oubliez pas que cet engin se trouvera à des millions de kilomètres de la Terre.

Un élément-clé pour les futures missions

L’apprentissage en profondeur sera un élément-clé des futures missions, car cela rendra les robots plus efficaces pour prendre des décisions, et cela progresse depuis quelques années à un rythme sans précédent. La capacité d’analyser des ensembles de données et d’utiliser l’apprentissage en profondeur dans des systèmes informatiques capables de s’adapter à une expérience sur une autre planète, plutôt que de dépendre d’un programmeur humain, conduira à des percées qui rendront obsolète ce que nous faisons actuellement.

Cela passe par une meilleure compréhension de leur environnement au développement de nouvelle manière d’interagir avec le sol d’une planète, et tout cela avec une plus grande conscience du monde qui les entoure. Ce n’est qu’une question de temps avant d’avoir des engins spatiaux intelligents, car la technologie existe déjà. Il faut simplement savoir l’adapter aux futures missions.

Source : Space