Η γνώση της επιφάνειας και του υπεδάφους ενός πλανήτη είναι ζωτικής σημασίας για τον σχεδιασμό ρομποτικών και επανδρωμένων αποστολών. Πριν οι άκατοι, τα ρόβερ ή οι μονάδες αστροναυτών φτάσουν στην επιφάνεια, οι επιστήμονες πρέπει να γνωρίζουν πού ακριβώς θα προσεδαφιστούν.
Για τα οχήματα εξερεύνησης με περιορισμένο ενεργειακό προϋπολογισμό, είναι επίσης πολύ σημαντικό να προσδιορίζουν πόσο βαθιά εκτείνονται τα βραχώδη εμπόδια κάτω από το έδαφος, ώστε να μην σπαταλούν χρόνο και ενέργεια προσπαθώντας να μετακινήσουν πέτρες που είναι αδύνατον να μετατοπιστούν.
Χάρη σε μια ερευνητική ομάδα από το Virginia Tech, τα μελλοντικά ρομποτικά οχήματα ενδέχεται να αποκτήσουν σύντομα μια νέα σειρά εργαλείων για να λαμβάνουν αυτούς τους προσδιορισμούς αυτόνομα. Αυτά τα εργαλεία, που τροφοδοτούνται από τεχνητή νοημοσύνη, μέτρανε τις δονήσεις στο έδαφος για να προσδιορίσουν τι κρύβεται από κάτω και σε τι βάθος εκτείνονται οι δομές.
Η προσέγγιση των ερευνητών και η χρήση της τεχνητής νοημοσύνης
Η μελέτη διεξήχθη υπό την καθοδήγηση του Yiyan Ruan, υποψήφιου διδάκτορα στο Virginia Tech, και του Erik Komendera, καθηγητή μηχανολογίας. Η εκτίμηση του βάθους ταφής μερικώς βυθισμένων βράχων είναι μια βασική ικανότητα για την αυτόνομη εκσκαφή. Όταν υπάρχουν εμπόδια στη διαδρομή, η ομάδα της αποστολής πρέπει να γνωρίζει πόσο βαθιά εκτείνεται ο βράχος για να αποφασίσει αν θα τον απομακρύνει ή αν θα τον προσπεράσει.
Για να δοκιμάσουν την προσέγγισή τους, οι ερευνητές έθαψαν 18 τσιμεντένιους αστερίσκους και μπλοκ διαφορετικών σχημάτων και μεγεθών σε άμμο, σε διάφορα βάθη. Στη συνέχεια, χτύπησαν τα εκτεθειμένα τμήματα των μπλοκ με ένα ειδικό σφυρί μέτρησης και μέτρησαν από απόσταση τις δονήσεις χρησιμοποιώντας ένα δοσιμετρικό λεζερ (Laser Doppler Vibrometer – LDV). Τα δεδομένα αυτά εισήχθησαν σε ένα νευρωνικό δίκτυο τύπου Multilayer Perceptron (MLP).
Εφαρμογές στη διαστημική εξερεύνηση και στη Γη
Το νευρωνικό δίκτυο χαρτογράφησε 11 μετρήσιμα χαρακτηριστικά για να προσδιορίσει τη σχέση μεταξύ της διέγερσης, της γεωμετρίας του εκτεθειμένου βράχου και του βάθους ταφής. Με αυτόν τον τρόπο, οι επιστήμονες κατάφεραν να δημιουργήσουν μοντέλα που υπολογίζουν με αξιοπιστία το πραγματικό βάθος των εμποδίων χρησιμοποιώντας ένα συμπαγές δίκτυο με μόλις δύο κρυφά επίπεδα.
Αυτά τα μοντέλα θα μπορούσαν να βοηθήσουν τις ρομποτικές αποστολές να ανασκάψουν υπογεννησιακούς βράχους, να εντοπίσουν αποθέματα νερού σε μορφή πάγου και να απομακρύνουν εμπόδια κατά τις διαδρομές τους. Παράλληλα, η ομάδα σχεδιάζει να δοκιμάσει την μέθοδο και σε γήινες εφαρμογές, όπως στην ανάλυση εργοταξίων, στην αντιμετώπιση φυσικών καταστροφών για τον εντοπισμό θαμμένων επικίνδυνων υλικών, καθώς και στη μελέτη ασταθών σχηματισμών βράχων και υπογείων σπηλαίων.
