AI模型於NASA設施逐步攻克新地形挑戰

被送往遙遠衛星和行星表面採集樣本的外星登陸器，完成任務的時間和電池電量都十分有限。伊利諾大學厄巴納 - 香檳分校格蘭傑工程學院的航空航天和電腦科學工程研究人員，訓練了一個模型，使其能夠自主快速評估和鏟取樣本，並在NASA的一個設施中，觀察該模型在機器人上展現其技能。

航空航天博士班學生普拉奈·坦格達表示，他們訓練機器登陸器機械臂收集各種材料（從沙子到岩石）的鏟取資料，建立了一個包含6700個知識點的資料庫。在噴氣推進實驗室的NASA海洋世界登陸器自主測試臺上的兩種地形，對於遠端操作噴氣推進實驗室機械臂的模型來說是全新的挑戰。

這項名為「外星地形取樣的學習與自主性：來自OWLAT部署的經驗報告」的研究，已發表在美國航空航天學會科技論壇上。坦格達說：「我們僅透過網際網路建立網路連結。我連線到噴氣推進實驗室的測試臺，從他們機械臂的攝影機獲取影象，並即時將其輸入我的模型。模型選擇從類似岩石的材料開始，並在第一次嘗試中就瞭解到這是一種無法鏟取的材料。」

基於從影象和首次嘗試中學到的經驗，機械臂移動到另一個更有可能的區域，成功鏟取了另一種地形的材料，那是一種細顆粒物質。由於任務要求之一是機器人鏟取特定體積的材料，噴氣推進實驗室團隊會測量每次鏟取的體積，直到機器人完成全部體積的鏟取任務。

坦格達指出，雖然這項工作最初是受到對海洋世界探索的啟發，但他們的模型可用於任何表面。他說：「通常，當你根據資料訓練模型時，它們只適用於相同的資料分佈。我們方法的美妙之處在於，我們無需對模型做任何更改就能在NASA的測試臺上執行，因為我們的方法是線上適應的。即使我們從未見過NASA測試臺上的任何地形，無需對他們的資料進行微調，我們就能直接將在這裡訓練的模型部署到那裡，而且模型部署是遠端完成的，這正是自主機器登陸器在太空中新表面部署時將要做的事情。」

坦格達還提到：「這次展示顯示了我們的適應性鏟取模型在NASA的OWLAT測試臺上執行。該模型在伊利諾大學使用6700多個地形鏟取樣本進行訓練，旨在以最少的示範線上適應未知地形。影片顯示該策略從最初的失敗嘗試中自主學習，並在陌生地形中調整鏟取位置。彩色疊加圖視覺化顯示該策略對最佳鏟取位置的即時評估。」

坦格達的指導教授梅爾基奧爾·奧尼克，是解決不同問題的四個專案之一的負責人。這些專案的唯一共同點是，它們都是歐羅巴計劃的一部分，並使用這個登陸器作為測試臺來探索不同的問題。坦格達說：「我們是第一批在他們用於模擬歐羅巴表面的平臺上展示有意義成果的團隊之一。終於看到自己花費數月時間研發的成果在一個真實、高保真的平臺上部署，感覺很棒。看到模型在一個我們從未訓練過的完全不同的地形和完全不同的平臺機器人上進行測試，真是太酷了。這增強了我們對模型和方法的信心。」

坦格達表示，他們從噴氣推進實驗室團隊得到的反饋也很好。「他們很高興我們能夠在不做太多更改的情況下部署模型。一開始確實遇到了一些問題，但我瞭解到這是因為我們是第一個嘗試在他們平臺上部署模型的團隊，所以是網路問題和軟體中的一些簡單錯誤，他們必須加以修正。一旦模型開始執行，人們對它能夠在一兩個樣本內學習的能力感到驚訝。有些人甚至在看到確切結果和方法之前都不相信。」

坦格達指出，他和團隊必須克服的一個重大問題，是使他們的設定與NASA的設定保持一致。「我們的模型是在特定位置的攝影機和特定形狀的鏟子上訓練的。鏟子的位置和形狀是我們必須解決的兩個問題。為了確保他們的機器人有完全相同的鏟子形狀，我們給他們傳送了CAD設計圖，他們用3D列印技術製作並安裝到機器人上。對於攝影機，我們獲取他們的RGB - D點雲資訊，並即時將其重新投影到不同的視角，使其與我們傳送給模型之前機器人的視角相匹配。這樣，模型看到的視角就與訓練時相似。」

坦格達表示，他們計劃在此研究基礎上，開展更多關於自主挖掘和自動化建設工作（如挖掘運河）的研究。對人類來說，做這些事情要容易得多。而模型要自主學習做這些事情很困難，因為其中的互動非常微妙。