✦ ИИ Этот пост, предположительно, был создан при помощи искусственного интеллекта
3 февраля 1966 года советская автоматическая станция «Луна-9» совершила первую в истории космонавтики мягкую посадку на поверхность другого небесного тела. Эта миссия опровергла гипотезу о существовании на Луне многометрового слоя пыли, в котором мог бы утонуть любой тяжелый аппарат. Станция передала первые панорамные снимки лунного ландшафта, однако точное место её нахождения оставалось неопределенным на протяжении десятилетий. Несмотря на наличие высококачественных снимков орбитального зонда LRO (Lunar Reconnaissance Orbiter), визуально идентифицировать малоразмерный аппарат среди миллионов камней и кратеров Океана Бурь до недавнего времени не удавалось.
В новом исследовании, результаты которого опубликованы в журнале npj Space Exploration, международная группа ученых представила метод автоматизированного поиска космических артефактов с помощью специализированной нейросети YOLO-ETA. Алгоритм не только указал на вероятные координаты «Луны-9», но и обнаружил следы сопутствующих элементов конструкции, подтвердив точность локализации через анализ топографии горизонта.
Проблема избыточности данных в лунной картографии
Основная сложность поиска исторических объектов на Луне заключается в несоответствии объема данных физическим возможностям человеческого зрения. Камера LROC Narrow Angle Camera (NAC) с 2009 года ведет непрерывную съемку поверхности с разрешением до 0,25 метра на пиксель. На текущий момент архив изображений покрывает около 40 миллиардов квадратных метров.
Для обнаружения объекта размером около одного метра исследователям необходимо просмотреть тысячи кадров, на каждом из которых присутствуют тысячи естественных объектов — валунов, теней и малых кратеров, обладающих схожими с техногенными артефактами визуальными характеристиками. Применяемые методы автоматизации, такие как поиск аномалий через автоэнкодеры, требуют значительных вычислительных мощностей и часто выдают результаты, которые сложно интерпретировать без повторной ручной проверки. Проблема поиска «Луны-9» осложнялась тем, что исходные координаты посадки имели погрешность в несколько километров, что расширяло зону поиска до десятков квадратных километров пересеченной местности.
Архитектура YOLO-ETA: компактность и специализация
Для решения этой задачи авторы исследования разработали алгоритм YOLO-ETA (You-Only-Look-Once — ExtraTerrestrial Artefact). В его основу легла архитектура TinyYOLOv2 — упрощенная версия сверточной нейронной сети, предназначенная для быстрого распознавания объектов. Выбор легкой модели был продиктован необходимостью обеспечить возможность работы алгоритма непосредственно на борту будущих космических аппаратов, где ресурсы памяти и процессора ограничены.
Механика работы нейросети основана на разделении изображения на сетку ячеек. Каждая ячейка одновременно предсказывает вероятность наличия объекта и координаты ограничивающей рамки. В отличие от классических классификаторов, которые сканируют изображение по частям, YOLO анализирует весь кадр за один проход, что критически важно для обработки массивов данных орбитальной съемки.
Для обучения YOLO-ETA использовался набор данных, состоящий из 125 изображений высокого разрешения мест посадок миссий «Аполлон-11» — «Аполлон-17». Эти участки содержат достоверно идентифицированные техногенные объекты: посадочные ступени, роверы и научное оборудование. Чтобы повысить устойчивость алгоритма к изменениям освещения, исследователи применили аугментацию данных — искусственное увеличение выборки путем поворотов, зеркального отображения и изменения яркости фрагментов снимков. В итоге обучающий набор расширился до 1580 изображений.
Верификация на контрольных объектах
Прежде чем приступить к поиску «Луны-9», эффективность модели проверили на двух контрольных целях: советской станции «Луна-16» и американском аппарате «Сервейер-7». «Луна-16» была выбрана для оценки способности сети распознавать советскую архитектуру аппаратов, которая существенно отличается от американских модулей. Нейросеть успешно локализовала «Луну-16» с доверительным интервалом 77%, подтвердив, что обученная на «Аполлонах» модель способна к генерализации — обнаружению ранее не виденных типов оборудования.
В случае с «Сервейером-7» задача была сложнее: аппарат находится в районе с высокой плотностью камней и валунов. Алгоритм смог выделить структуру аппарата на фоне сложного рельефа, показав, что специфические признаки техногенных объектов — четкие геометрические контуры и характерные тени — детектируются сетью даже при наличии визуального шума.
Обнаружение «Луны-9» и топографическое подтверждение
Поиск «Луны-9» проводился в квадрате 5 на 5 километров вокруг исторически предполагаемых координат (7,08° с. ш., -64,37° в. д.). Нейросеть проанализировала восемь различных снимков LROC этого района, сделанных при разных углах падения солнечных лучей.
Алгоритм выделил устойчивую группу признаков в точке с координатами 7,03° с. ш., -64,33° в. д. Центральный объект был классифицирован как посадочный модуль. Чтобы исключить вероятность ошибки, авторы провели проверку через сопоставление топографических данных. Используя информацию лазерного альтиметра LOLA, они реконструировали геометрию горизонта для данной точки. Полученная 3D-модель рельефа была сопоставлена с панорамами, переданными камерами «Луны-9» в 1966 году.
Результаты показали высокое совпадение: линия горизонта на исторических снимках не имеет выраженных возвышенностей или холмов, что полностью соответствует плоскому плато в районе обнаруженных координат. Дополнительным подтверждением стали два темных пятна в 40-60 метрах к юго-западу от основного объекта. Исследователи интерпретируют их как кратеры от удара боковых модулей станции, которые по программе полета отстреливались непосредственно перед касанием поверхности. Масса этих модулей (около 150 кг) и скорость столкновения соответствуют характеристикам обнаруженных воронок.
Практическое значение и перспективы автономности
Локализация «Луны-9» — это, кроме достижения в области космической археологии, еще и демонстрация технологического сдвига в методах исследования планет. Успешное применение YOLO-ETA подтверждает, что компактные нейросети могут эффективно заменять или дополнять труд сотен аналитиков.
Научная ценность точного определения места посадки заключается в возможности изучения долгосрочного воздействия лунной среды на земные материалы. Спустя 59 лет нахождения в условиях экстремальных температурных перепадов и жесткого радиационного облучения корпус «Луны-9» представляет собой уникальный объект для анализа деградации материалов. В будущем эти данные могут быть использованы при проектировании долговечных лунных баз.
Кроме того, разработка подобных алгоритмов необходима для обеспечения безопасности будущих миссий. В условиях растущего количества автоматических станций и планируемых пилотируемых полетов возникает потребность в создании точного реестра объектов на поверхности Луны. Автономные системы на базе ИИ смогут в реальном времени проводить мониторинг состояния объектов, обеспечивать навигационную привязку для посадочных модулей и предотвращать повреждение исторических памятников космонавтики.
Работа исследователей доказывает, что современные методы компьютерного зрения позволяют восстанавливать утерянные данные миссий прошлого, превращая разрозненные архивы снимков в структурированную базу знаний о технологическом присутствии человека вне Земли. Это открывает путь к созданию полностью автономных орбитальных систем, способных самостоятельно классифицировать объекты и аномалии на поверхности иных планет без участия оператора.
Источник: npj Space Exploration
