Conception de traversées robotiques sur le dôme d'Archytas sur la Lune

Contexte Au cours des dernières années, nous avons observé des efforts renouvelés pour étudier et explorer la Lune ; des techniques modernes comme l'apprentissage automatique peuvent être importantes dans ce contexte, en particulier pour reconnaître et classer la surface lunaire. Le défi de données lunaires de l'apprentissage automatique EXPLORE était une initiative publique durant le dernier trimestre de 2022. Son objectif était d'encourager les participants à appliquer des techniques d'apprentissage automatique pour identifier les dangers potentiels d'une mission planétaire et concevoir une traversée robotique pour explorer la surface lunaire. Méthodes La région lunaire ciblée par le défi était le dôme d'Archytas dans le Mare Frigoris, un site avec une géologie variée et une zone potentielle pour de futures explorations. Nous avons fourni des ensembles de données d'entraînement de cratères et de rochers aux participants, qui les ont utilisés pour compléter les trois étapes du défi : créer un modèle qui détecte ces formes de terrain, appliquer ces modèles à la région du dôme d'Archytas, et calculer une traversée pour une exploration optimale de la zone. Dans cet article, nous présentons les résultats et les considérations de l'équipe qui a remporté le défi. La première étape a consisté à améliorer les données d'entraînement en générant de nouvelles étiquettes et en redimensionnant les étiquettes existantes. L'ensemble de données original et l'ensemble de données amélioré ont ensuite été utilisés pour entraîner quatre itérations d'un modèle de réseau neuronal. Résultats Le modèle avec l'ensemble de données amélioré a obtenu les meilleurs scores lorsqu'il a été appliqué à la zone des dômes d'Archytas (75,46%). Enfin, la traversée a été calculée en utilisant une analyse de proximité tout en évitant les pentes abruptes et les formes de terrain dangereuses. Conclusions Nous avons constaté que les variations entre les tâches et les différentes approches nécessaires pour les résoudre s'étaient révélées être la principale difficulté du défi, car cela nécessitait des compétences en télédétection et en sciences informatiques. Cela s'est reflété dans la faible participation et le caractère multidisciplinaire des membres de l'équipe gagnante.