Trường Sơn
Writer
Nghiên cứu mới đây đang giúp cải thiện khả năng tự chủ của rô-bốt trong việc thu thập mẫu trên các địa hình xa lạ ngoài Trái Đất, một bước tiến quan trọng cho các sứ mệnh không gian.
Các tàu đổ bộ được gửi đi để thu thập mẫu từ các mặt trăng và hành tinh xa xôi thường gặp hạn chế về thời gian và năng lượng pin. Để tối ưu hóa nhiệm vụ này, các nhà nghiên cứu về kỹ thuật hàng không vũ trụ và khoa học máy tính tại Cao đẳng Kỹ thuật Grainger, Đại học Illinois Urbana-Champaign đã đào tạo một mô hình AI có khả năng tự động đánh giá và thu thập nhanh chóng. Họ cũng theo dõi cách mô hình này hoạt động trên một rô-bốt tại một cơ sở của NASA.
Tiến sĩ hàng không vũ trụ Pranay Thangeda và nhóm của ông đã huấn luyện cánh tay rô-bốt đổ bộ để thu thập dữ liệu xúc trên nhiều loại vật liệu, từ cát đến đá, tạo ra một cơ sở dữ liệu gồm 6.700 điểm kiến thức. Mô hình sau đó được triển khai trên Bệ thử nghiệm tự động đổ bộ Ocean World của NASA tại Phòng thí nghiệm Động cơ phản lực (JPL), nơi có hai địa hình hoàn toàn mới.
Nghiên cứu với tựa đề "Học tập và tự chủ để lấy mẫu địa hình ngoài Trái Đất: Báo cáo kinh nghiệm từ việc triển khai OWLAT" đã được công bố trên Diễn đàn khoa học công nghệ AIAA.
Thangeda mô tả cách mô hình được thử nghiệm từ xa: "Chúng tôi chỉ có một kết nối mạng qua internet. Tôi đã kết nối với giường thử nghiệm tại JPL và nhận được hình ảnh từ camera của cánh tay rô-bốt. Mô hình đã chọn bắt đầu với vật liệu giống như đá, nhưng nhanh chóng học được rằng đó là loại vật liệu không thể xúc."
v
Sau lần thử đầu tiên, cánh tay rô-bốt di chuyển đến một khu vực khác và thành công xúc một loại vật liệu hạt mịn hơn. Nhóm JPL đo khối lượng của mỗi lần xúc để đảm bảo rô-bốt thu thập đủ khối lượng yêu cầu của nhiệm vụ.
Dù nghiên cứu ban đầu hướng đến việc khám phá thế giới đại dương, Thangeda nhấn mạnh mô hình có thể áp dụng trên bất kỳ bề mặt nào. "Thông thường, khi đào tạo mô hình dựa trên dữ liệu, chúng chỉ hoạt động trên cùng một loại dữ liệu đó. Nhưng phương pháp của chúng tôi cho phép mô hình thích ứng trực tuyến mà không cần tinh chỉnh dữ liệu của NASA."
Cố vấn của Thangeda, Melkior Ornik, đứng đầu một trong bốn dự án thuộc chương trình Europa, tất cả đều sử dụng tàu đổ bộ này làm bệ thử nghiệm để nghiên cứu các vấn đề khác nhau. "Chúng tôi là một trong những nhóm đầu tiên trình diễn một mô hình có ý nghĩa trên nền tảng mô phỏng bề mặt Europa. Điều đó giúp chúng tôi tự tin hơn vào mô hình và phương pháp tiếp cận của mình."
Nhóm JPL cũng đánh giá cao kết quả này. "Ban đầu có một số vấn đề về mạng và phần mềm, nhưng khi hệ thống đi vào hoạt động, mọi người đều bất ngờ trước việc mô hình có thể học chỉ sau một hoặc hai mẫu. Một số người còn không tin cho đến khi được chứng kiến kết quả."
Một thách thức lớn mà nhóm nghiên cứu phải vượt qua là đảm bảo thiết bị thử nghiệm của họ tương thích với thiết bị của NASA. "Chúng tôi gửi thiết kế CAD của cái muỗng mà chúng tôi đã sử dụng để NASA in 3D và gắn vào rô-bốt của họ. Đối với máy ảnh, chúng tôi sử dụng dữ liệu đám mây điểm RGB-D của họ và chiếu lại theo thời gian thực để phù hợp với góc nhìn của mô hình."
Nhóm nghiên cứu hiện có kế hoạch mở rộng nghiên cứu để tự động hóa các nhiệm vụ như khai quật hoặc xây dựng các công trình như đào kênh. "Con người có thể làm những việc này dễ dàng hơn, nhưng để một mô hình học cách thực hiện chúng một cách tự động là một thách thức do tính phức tạp của các tương tác vật lý."
Nguồn: Đại học Ilionois
Các tàu đổ bộ được gửi đi để thu thập mẫu từ các mặt trăng và hành tinh xa xôi thường gặp hạn chế về thời gian và năng lượng pin. Để tối ưu hóa nhiệm vụ này, các nhà nghiên cứu về kỹ thuật hàng không vũ trụ và khoa học máy tính tại Cao đẳng Kỹ thuật Grainger, Đại học Illinois Urbana-Champaign đã đào tạo một mô hình AI có khả năng tự động đánh giá và thu thập nhanh chóng. Họ cũng theo dõi cách mô hình này hoạt động trên một rô-bốt tại một cơ sở của NASA.
Tiến sĩ hàng không vũ trụ Pranay Thangeda và nhóm của ông đã huấn luyện cánh tay rô-bốt đổ bộ để thu thập dữ liệu xúc trên nhiều loại vật liệu, từ cát đến đá, tạo ra một cơ sở dữ liệu gồm 6.700 điểm kiến thức. Mô hình sau đó được triển khai trên Bệ thử nghiệm tự động đổ bộ Ocean World của NASA tại Phòng thí nghiệm Động cơ phản lực (JPL), nơi có hai địa hình hoàn toàn mới.
Nghiên cứu với tựa đề "Học tập và tự chủ để lấy mẫu địa hình ngoài Trái Đất: Báo cáo kinh nghiệm từ việc triển khai OWLAT" đã được công bố trên Diễn đàn khoa học công nghệ AIAA.
Thangeda mô tả cách mô hình được thử nghiệm từ xa: "Chúng tôi chỉ có một kết nối mạng qua internet. Tôi đã kết nối với giường thử nghiệm tại JPL và nhận được hình ảnh từ camera của cánh tay rô-bốt. Mô hình đã chọn bắt đầu với vật liệu giống như đá, nhưng nhanh chóng học được rằng đó là loại vật liệu không thể xúc."
v
Sau lần thử đầu tiên, cánh tay rô-bốt di chuyển đến một khu vực khác và thành công xúc một loại vật liệu hạt mịn hơn. Nhóm JPL đo khối lượng của mỗi lần xúc để đảm bảo rô-bốt thu thập đủ khối lượng yêu cầu của nhiệm vụ.
Dù nghiên cứu ban đầu hướng đến việc khám phá thế giới đại dương, Thangeda nhấn mạnh mô hình có thể áp dụng trên bất kỳ bề mặt nào. "Thông thường, khi đào tạo mô hình dựa trên dữ liệu, chúng chỉ hoạt động trên cùng một loại dữ liệu đó. Nhưng phương pháp của chúng tôi cho phép mô hình thích ứng trực tuyến mà không cần tinh chỉnh dữ liệu của NASA."
Cố vấn của Thangeda, Melkior Ornik, đứng đầu một trong bốn dự án thuộc chương trình Europa, tất cả đều sử dụng tàu đổ bộ này làm bệ thử nghiệm để nghiên cứu các vấn đề khác nhau. "Chúng tôi là một trong những nhóm đầu tiên trình diễn một mô hình có ý nghĩa trên nền tảng mô phỏng bề mặt Europa. Điều đó giúp chúng tôi tự tin hơn vào mô hình và phương pháp tiếp cận của mình."
Nhóm JPL cũng đánh giá cao kết quả này. "Ban đầu có một số vấn đề về mạng và phần mềm, nhưng khi hệ thống đi vào hoạt động, mọi người đều bất ngờ trước việc mô hình có thể học chỉ sau một hoặc hai mẫu. Một số người còn không tin cho đến khi được chứng kiến kết quả."
Một thách thức lớn mà nhóm nghiên cứu phải vượt qua là đảm bảo thiết bị thử nghiệm của họ tương thích với thiết bị của NASA. "Chúng tôi gửi thiết kế CAD của cái muỗng mà chúng tôi đã sử dụng để NASA in 3D và gắn vào rô-bốt của họ. Đối với máy ảnh, chúng tôi sử dụng dữ liệu đám mây điểm RGB-D của họ và chiếu lại theo thời gian thực để phù hợp với góc nhìn của mô hình."
Nhóm nghiên cứu hiện có kế hoạch mở rộng nghiên cứu để tự động hóa các nhiệm vụ như khai quật hoặc xây dựng các công trình như đào kênh. "Con người có thể làm những việc này dễ dàng hơn, nhưng để một mô hình học cách thực hiện chúng một cách tự động là một thách thức do tính phức tạp của các tương tác vật lý."
Nguồn: Đại học Ilionois
