Optik navigasyon teknolojisi gezegen keşfini kolaylaştırabilir

Ay yüzeyi gibi loş, çorak bir arazide kaybolmak kolay olabilir. Çıplak gözle gezinilebilecek çok az ayırt edilebilir işaretle, astronotlar ve gezginler bir rota çizmek için başka araçlara güvenmek zorundadır.

NASA, ay yüzeyinin keşfi ve Kızıl Gezegen’deki ilk adımları kapsayan aydan Mars’a misyonlarını sürdürürken, bu yeni arazilerde gezinmenin yeni ve etkili yollarını bulmak elzem olacak. İşte optik navigasyonun devreye girdiği yer burasıdır; sensör verilerini kullanarak yeni alanları haritalamaya yardımcı olan bir teknoloji.

NASA’nın Maryland, Greenbelt’teki Goddard Uzay Uçuş Merkezi, optik navigasyon teknolojisinin önde gelen geliştiricilerinden biridir. Örneğin, GIANT (Goddard Görüntü Analizi ve Navigasyon Aracı), yüzeyin 3B haritalarını oluşturarak ve hedeflere olan kesin mesafeleri hesaplayarak OSIRIS-REx görevinin Bennu asteroitinde güvenli bir örnek toplamasına rehberlik etti.

Şimdi Goddard’daki üç araştırma ekibi optik navigasyon teknolojisini daha da ileri taşıyor.

Sanal dünya geliştirme

NASA Goddard’da stajyer olan Chris Gnam, GIANT’tan yaklaşık 100 kat daha hızlı büyük, 3B ortamları oluşturan Vira adlı bir modelleme motorunun geliştirilmesine öncülük ediyor. Bu dijital ortamlar, potansiyel iniş alanlarını değerlendirmek, güneş radyasyonunu simüle etmek ve daha fazlası için kullanılabilir.

Video oyunu geliştirmede kullanılanlar gibi tüketici sınıfı grafik motorları büyük ortamları hızla oluştururken, çoğu bilimsel analiz için gereken ayrıntıları sağlayamaz. Gezegene iniş planlayan bilim insanları için her ayrıntı kritik öneme sahiptir.

“Vira, tüketici grafik modelleyicilerinin hızını ve verimliliğini GIANT’ın bilimsel doğruluğuyla birleştiriyor,” dedi Gnam. “Bu araç, bilim insanlarının gezegen yüzeyleri gibi karmaşık ortamları hızla modellemesine olanak tanıyacak.”

Vira modelleme motoru, LuNaMaps’in (Ay Navigasyon Haritaları) geliştirilmesine yardımcı olmak için kullanılıyor. Bu proje, NASA’nın Artemis misyonlarının temel keşif hedefi olan Ay Güney Kutbu bölgesinin haritalarının kalitesini iyileştirmeyi amaçlıyor.

Vira ayrıca simüle edilmiş bir ortamda ışığın nasıl davranacağını modellemek için ışın izlemeyi kullanır. Işın izleme genellikle video oyunu geliştirmede kullanılırken, Vira bunu güneş radyasyonu basıncını modellemek için kullanır; bu, güneş ışığının bir uzay aracına neden olduğu momentumdaki değişiklikleri ifade eder.

Bir fotoğrafla yolunuzu bulun

Goddard’daki bir diğer ekip, ufuk görüntülerine dayalı navigasyonu mümkün kılan bir araç geliştiriyor. Optik navigasyon ürün tasarımı lideri Andrew Liounis, NASA Stajyerleri Andrew Tennenbaum ve Will Driessen ile NASA’nın DAVINCI görevi için gaz işleme lideri Alvin Yew ile birlikte çalışarak ekibe liderlik ediyor.

Bu algoritmayı kullanan bir astronot veya gezgin, programın keşfedilen alanın haritasıyla karşılaştıracağı ufkun bir resmini çekebilir. Algoritma daha sonra fotoğrafın çekildiği yerin tahmini konumunu çıktı olarak verir.

Bir fotoğraf kullanarak algoritma, yüzlerce fitlik bir doğrulukla çıktı verebilir. Mevcut çalışma, iki veya daha fazla fotoğraf kullanarak algoritmanın konumu onlarca fitlik bir doğrulukla belirleyebileceğini kanıtlamaya çalışıyor.

“Görüntüden veri noktalarını alıp bunları alanın haritasındaki veri noktalarıyla karşılaştırıyoruz,” diye açıklıyor Liounis. “Bu, GPS’in üçgenlemeyi nasıl kullandığına neredeyse benziyor, ancak bir nesneyi üçgenlemek için birden fazla gözlemciye sahip olmak yerine, tek bir gözlemciden birden fazla gözleminiz oluyor, bu yüzden görüş hatlarının nerede kesiştiğini buluyoruz.”

Bu tür bir teknoloji, konum belirlemede GPS sinyallerine güvenmenin zor olduğu ay keşfi için faydalı olabilir.

Kraterleri tespit etmek için görsel algılama algoritması

Optik navigasyon ve görsel algı süreçlerini otomatikleştirmek için Goddard stajyeri Timothy Chase, GAVIN (Goddard AI Doğrulama ve Entegrasyon) Araç Takımı adlı bir programlama aracı geliştiriyor.

Bu araç, insan beyni gibi girdileri işlemek üzere eğitilmiş bir makine öğrenme algoritması türü olan derin öğrenme modelleri oluşturmaya yardımcı olur. Aracın kendisini geliştirmenin yanı sıra, Chase ve ekibi, ay gibi yetersiz aydınlatılmış alanlardaki kraterleri tanımlayacak GAVIN kullanarak bir derin öğrenme algoritması oluşturuyor.

“GAVIN’i geliştirirken, onu test etmek istiyoruz,” diye açıkladı Chase. “Düşük ışıklı gövdelerdeki kraterleri belirleyecek bu model, yalnızca GAVIN’i nasıl geliştireceğimizi öğrenmemize yardımcı olmayacak, aynı zamanda astronotların ilk kez büyük kraterlerin bulunduğu karanlık bir alan olan ayın güney kutbu bölgesini keşfedeceği Artemis gibi görevler için de faydalı olacak.”

NASA güneş sistemimizin daha önce keşfedilmemiş bölgelerini keşfetmeye devam ederken, bu tür teknolojiler gezegen keşfini en azından biraz daha basit hale getirmeye yardımcı olabilir. İster yeni dünyaların ayrıntılı 3B haritalarını geliştirerek, ister fotoğraflarla gezinerek veya derin öğrenme algoritmaları oluşturarak, bu ekiplerin çalışmaları Dünya’da gezinmenin kolaylığını yeni dünyalara getirebilir.