ВСЛУХ

Исследователи впервые успешно обучили модель машинного обучения в открытом космосе

Исследователи впервые успешно обучили модель машинного обучения в открытом космосе
Впервые в истории ученые обучили модель машинного обучения в открытом космосе, на борту спутника. Это достижение может революционизировать возможности дистанционного зондирования Земли, позволяя проводить мониторинг и принимать решения в режиме реального времени для различных целей.


Данные, собранные спутниками дистанционного зондирования, имеют ключевое значение для многих важных задач, включая аэрофотосъемку, прогнозирование погоды и контроль за вырубкой лесов.

В настоящее время большинство спутников могут только пассивно собирать данные, поскольку они не оборудованы для принятия решений или обнаружения изменений. Вместо этого данные должны передаваться на Землю для обработки, что обычно занимает несколько часов или даже дней. Это ограничивает возможность выявления и реагирования на быстро возникающие события, такие как стихийное бедствие.

Чтобы преодолеть эти ограничения, группа исследователей во главе с аспирантом Витом Ружичкой (отделение информатики Университета Оксфорда) взяла на себя вызов обучить первую программу машинного обучения в открытом космосе. В течение 2022 года команда успешно представила свою идею для миссии «Dashing through the Stars», объявившей открытый конкурс проектных предложений, для осуществления на борту спутника ION SCV004, запущенного в январе 2022 года.

Осенью 2022 года команда передала код программы на спутник, уже находящийся на орбите. Исследователи обучили простую модель обнаруживать изменения облачности по аэроснимкам непосредственно на борту спутника, в отличие от обучения на земле. Модель основывалась на подходе, называемом обучением с небольшим количеством примеров (few-shot learning), позволяющим модели учиться самым важным признакам, на которые нужно обращать внимание, когда у нее есть только несколько образцов для обучения. Основным преимуществом является то, что данные можно сжать в более маленькие представления, делая модель быстрее и эффективнее.

Модель, которую мы разработали, называется RaVAEn. Сначала она сжимает большие файлы изображений в векторы из 128 чисел. Во время фазы обучения модель учится сохранять только информативные значения в этом векторе; те, связанные с изменением, которое она пытается обнаружить (в данном случае — есть ли облако или нет). Это приводит к чрезвычайно быстрому обучению за счет того, что нам требуется обучить только очень маленькую классификационную модель

— Вит Ружичка.

Хотя первая часть модели, сжимающая новые изображения, была обучена на земле, вторая часть (которая решала, содержит ли изображение облака или нет) была обучена непосредственно на спутнике.

Обученная модель успешно обнаруживала облачность на спутниковых снимках примерно за десятую часть секунды. Модель способна легко адаптироваться для автоматизации принятия решений для различных целей, от управления в чрезвычайных ситуациях до вырубки лесов. Это открывает новые горизонты для развития спутников дистанционного зондирования Земли и повышения их полезности для человечества.

Автор:

Использованы фотографии: D-Orbit

Мы в Мы в Яндекс Дзен
Лучшие роботы с Всемирной агропромышленной выставки – 2023Родились первые дети, зачатые с помощью робота