Привет! Меня зовут Влад Цой — я работаю в проекте «Люди науки», занимаюсь научным волонтерством и грежу о полете на Марс. Космический романтизм и мечты о прогулках по красным пескам этой планеты во мне воспитали книги Кира Булычева и Рэя Брэдбери. Увы, новости последних лет от NASA, ESA, Роскосмоса и других космических агентств убивают всякую надежду — кажется, я буду глубоким старцем, когда первый человек ступит на Марс.
Приходится обходиться снимками дня от NASA, следить за фотографиями от Juno и открывать Twitter Curiosity — очень волнуюсь за него, потому что его предшественник Spirit (он же MER-A) в 2009 году безнадежно застрял в песке.
За тем, чтобы такого не случилось, следят операторы NASA. Дважды в сутки они получают информацию от Curiosity через спутники на орбите Марса. С учетом больших временных разрывов управлять марсоходом в режиме реального времени невозможно, поэтому ученые строят маршруты для Curiosity на несколько дней вперед. Это не очень удобно — представьте себя в автомобиле, который часами реагирует на поворот руля: чистое время прохождения радиосигнала между Марсом и Землей составляет от 187 до 1333 секунд, в зависимости от текущего взаиморасположения планет, и нужно увеличить его как минимум в разы, чтобы поддерживать эффективную обратную связь, а не просто отправить указание аппарату и отвернуться.
Теперь NASA работает над добавлением в марсоход искусственного интеллекта, который бы сам мог строить безопасные маршруты. И что самое интересное — помочь им может любой желающий. Достаточно стать волонтером AI4Mars.
Илл.: AI4Mars, Zooniverse
Что это за проект?
Ученые NASA создали алгоритм машинного обучения, который позволяет определять опасные для ровера объекты и свойства поверхности. Чтобы обучить искусственный интеллект, нужен большой объем данных. Поэтому летом 2020 года NASA запустила проект гражданской науки AI4Mars. Его волонтеров просят рассматривать пейзажи Марса, сделанные камерами роверов Spirit, Opportunity, Curiosity, и классифицировать тип почвы на фотографии. Авторы AI4Mars решили не создавать специальных приложений и сайтов, поэтому загрузили проект на популярную citizen science платформу — Zooniverse.
Сейчас просторами Марса любуются больше 8000 волонтеров, которые вместе сделали около 266 000 классификаций. Проект уже завершен на 90%, но вы еще успеете помочь, если захотите.
Отправляемся на Марс
Регистрироваться на Zooniverse необязательно. Но лучше создать аккаунт, чтобы общаться с другими участниками и авторами проекта. Для наибольшего комфорта стоит запустить AI4Mars на компьютере: некоторые волонтеры жаловались, что фотографии долго грузятся на смартфонах и планшетах.
Я учел все комментарии и основательно подготовился: вспомнил пароль от аккаунта на Zooniverse, открыл сайт на компьютере и налил себе несколько кружек кофе. Поехали!
AI4Mars начинается с простой инструкции. Волонтеру показывают, как ломаными линиями отмечать разные типы почвы: песок, плотный грунт, плоскую скальную породу и большие камни. Если есть сомнения — лучше оставить фотографию в покое. Все предельно просто — щелкаю на кнопку «Let’s go!» и получаю первое изображение.
Илл.: AI4Mars, Zooniverse
Пустой каменистый склон — кадр словно вырезали из какого-то старого вестерна. Решаю добавить немного красок в этот пейзаж и мышкой рисую на нем два многоугольника. Желтым отмечаю плоскую скальную породу, а синим — плотный грунт.
Илл.: AI4Mars, Zooniverse
По обоим поверхностям марсоход легко проедет. Любуюсь проделанной работой и кликаю «Done» — сразу получаю новое изображение.
Илл.: AI4Mars, Zooniverse
Помимо каменистой почвы Марса, на фотографии видно алюминиевое колесо Curiosity. Приглядевшись, замечаю в нем трещины и вмятины. Видно, что за 8,5 лет службы и 23 преодоленных километра марсоход поистрепался.
На следующей фотографии ровер видно еще лучше — в кадр даже попала надпись Curiosity. Но интересуют меня не детали марсохода, а ландшафт. На этом снимке видны два страшнейших врага любого ровера: большой камень (фиолетовый многоугольник) и вязкий песок (зеленый). Их всегда лучше объезжать стороной.
Илл.: AI4Mars, Zooniverse
Скорее всего, вы уже заметили, что большинство снимков черно-белые. Цветные изображения, как пишут авторы проекта, тоже встречаются — их делает камера Curiosity Mastcam. Увы, лично мне за несколько часов, проведённых в AI4Mars,ни один из этих снимков не попался. Однако я обнаружил их в коллекциях других пользователей. Вот тут очень хорошо видны камни, которых боятся ученые NASA.
Илл.: AI4Mars, Zooniverse
А здесь — в левом верхнем углу — можно заметить крохотную «норку».
Илл.: AI4Mars, Zooniverse
Если бы ее увидели конспирологи, точно бы придумали с десяток версий о марсианских грызунах и насекомых. На самом же деле — это лишь дырка, которая осталась после бурения. Исследователи NASA ведут учет таких отверстий. Судя по данным из их архивов, у этого даже есть имя — «Дулут».
Из прочих забавных находок — снимок, на котором вообще не видно почвы. Волонтеры рассматривали его со всех сторон, но так и не придумали, как классифицировать.
Илл.: AI4Mars, Zooniverse
Это фрагмент ровера Curiosity — солнечные часы MarsDial. Аналогичные стояли на Spirit и Opportunity. По длине и направлению тени, которую отбрасывает фигура в центре, ученые вычисляют время суток. Для целей AI4Mars снимок абсолютно бесполезен — пожалуй, его можно считать местной «пасхалкой».
Итоги
Есть один нюанс: поскольку AI4Mars завершен на 90%, многие снимки уже были изучены волонтерами. Новые фотографии, которые действительно требуют внимания пользователя, встречаются очень редко. А сами изображения довольно однотипные: черно-белые песчаные и каменистые пейзажи. Поэтому через десяток-другой кадров начинаешь зевать — и никакой кофе уже на спасает. Скучно.
Но стоит зайти в раздел «Результаты», как понимаешь, что ты вместе с тысячами других людей занимаешься великим делом. Точность определения типа поверхности в одной из первых версий алгоритма составляла лишь 40,85%. Благодаря волонтерам эта цифра поднялась до 91,41%. Искусственный интеллект все еще «спотыкается» о крупные марсианские камни и пока плохо их распознает. Но песок он видит с точностью в 86,62%. А показатели для твердого грунта и скалистой породы вообще прекрасные — 91,16% и 97,66% соответственно.
Посмотрите, насколько умен стал алгоритм машинного обучения благодаря AI4Mars:
Илл.: AI4Mars, Zooniverse
Слева — обычная фотография. Справа — то, как видит ее программа.
Какой вывод? AI4Mars хоть и не самый увлекательный проект гражданской науки, но в нем явно видна важность работы научного волонтера. Поэтому сюда стоит зайти хотя бы на один вечер. Тогда через несколько лет вы сможете похвастаться: «Слышали, что на марсоходах есть автопилоты? Так вот я участвовал или участвовала в их создании…»
Впервые опубликовано на портале журнала Наука и жизнь.
