Миграция технологий машинного обучения в космическую отрасль

Язык труда и переводы:
УДК:
004.93'12
Дата публикации:
17 ноября 2021, 15:35
Категория:
Секция 09. Космонавтика и устойчивое развитие общества (концепции, проблемы, решения)
Аннотация:
Рассмотрены возможности использования искусственного интеллекта в космической отрасли. Представлены существующие методики обработки данных с помощью технологий машинного обучения, приведены результаты сравнительного анализа качества обработки снимков при помощи человека и искусственного интеллекта. Показаны преимущества и недостатки использования технологий машинного обучения для аэрокосмических систем. Сделаны выводы о возможности и перспективах использования технологий машинного обучения в космической отрасли.
Ключевые слова:
машинное обучение, индустрия 4.0, искусственный интеллект, большие данные, космические телескопы, нейросети, анализ данных
Основной текст труда

В XX веке технологии, связанные с космическими аппаратами, находились на переднем крае науки и техники. Исследования, проводимые в космическом пространстве, двигали науку вперед, многие технологии постепенно мигрировали из космической отрасли и стали применяться в повседневной жизни. XXI век связан с бурным ростом автоматизации, появлением машинного обучения и даже искусственного интеллекта. В настоящее время происходит миграция технологий в обратную сторону: анализ большого количества данных с датчиков, наложение определенных фильтров на снимки и их обработка, распознавание объектов и др. То есть технологии, разработанные для облегчения и совершенствования жизни на Земле, значительно превосходят используемые в космической отрасли. Например, современные космические телескопы отправляют огромные массивы данных на Землю для их последующей обработки. С каждым годом количество передаваемой информации увеличивается. Космическая сфера приближается к эпохе больших данных, обработка которых невозможна в короткий срок с применением существующих механических технологий. Однако не вся передаваемая информация соответствует условиям исследований и пригодна для изучения, например, засвеченные, некачественные снимки, произведенные в неверном направлении, снимки, поврежденные внешними факторами (космические излучения, галактическая и межгалактическая пыль, космические объекты), снимки, поврежденные внутренними факторами (ошибки внутренних систем телескопа) [1]. Использование машинного обучения позволяет получить значительное превосходство в задачах обработки изображений при условии правильного создания обучающих данных и правильном обучении нейросети.

В исследовании представлены возможности использования машинного обучения для задач обработки снимков [2], рассмотрены основные открытые библиотеки машинного обучения, используемые в настоящее время для обработки космических снимков [3]. Современные методы обработки изображений успешно справляются с отсеиванием изображений, не несущих ценности. Однако в то время, пока они применяются для обработки изображений, полученных со спутников дистанционного зондирования земли, и вычислительные сервера располагаются на Земле, передача снимков не требует больших мощностей приемопередатчиков и антенн, в отличие от космических аппаратов и зондов, находящихся в отдалении от Земли, и имеющих серьезные ограничения по пересылке информации. В рамках данной работы предлагается рассмотреть возможности использования наземного программного обеспечения для обработки изображений на космических аппаратах в рамках исследовательских миссий.

На основе изображений, полученных в космическом пространстве (спутники дистанционного зондирования земли и космические телескопы), в работе описаны основные библиотеки обработки изображений, применение которых на космических аппаратах может значительно сократить объем передаваемой информации [4].

Литература
  1. Пономарчук А.И., Черепанова Е.С., Шихов А.Н. Дистанционное зондирование в картографии. Пермь: Пермский государственный национальный исследовательский университет, 2013. 100 с.
  2. Балухто А.Н., Романов А.А. Искусственный интеллект в космической технике: состояние, перспективы развития // Ракетно-космическое приборостроение и информационные системы. 2019. Т. 6, вып. 1. С. 65–75.
  3. Куликова Е.А., Пестунов И.А., Синявский Ю.Н. Непараметрический алгоритм кластеризации для обработки больших массивов данных // Математические методы распознавания образов: тр. 14-й науч. конф. М.: MAKS Press, 2009. С. 149–152.
  4. Пестунов И.А., Рылов С.А. Метод построения ансамбля сеточных иерархических алгоритмов кластеризации для сегментации спутниковых изображений // Региональные проблемы дистанционного зондирования Земли: матер. междунар. науч. конф. Красноярск, Сибирский федеральный университет, 2014. С. 215–223.
Ваш браузер устарел и не обеспечивает полноценную и безопасную работу с сайтом.
Установите актуальную версию вашего браузера или одну из современных альтернатив.