Ученые создали нейросеть для поиска мелкого космического мусора
Обнаружить космический мусор может быть непростой задачей, поскольку многие фрагменты слишком мелкие, чтобы их увидели телескопы. Ученые предложили использовать для поиска таких объектов искусственный интеллект. Обученные ими нейросети справились с задачей и обнаружили от 85% до 97% обломков размером от 1 см, причем быстрее и с меньшим количеством ошибок, чем традиционные системы.
Растущее число мусора на околоземной орбите – вышедших из строя космических аппаратов и их обломков, отработавших ступеней ракет-носителей и других искусственных объектов – создает опасную ситуацию в космическом пространстве. Ситуацию отслеживают радары и радиотелескопы, но они не всегда могут обнаружить мелкие металлические объекты. Чтобы решить эту проблему, группа итальянских исследователей под руководством Федерики Массими из Университета Рома-Тре, предложила использовать технологии искусственного интеллекта (ИИ).
«Методы машинного обучения в перспективе не только позволят нам вести более детальные наблюдения за космическим мусором, но и резко повысят эффективность борьбы с этой угрозой. Они помогут нам оперативно выявлять и отслеживать самые малозаметные объекты, что позволит заранее принимать решения, способствующие снижению риска для орбитальных группировок», – пояснила Массими.
Команда использовала данные европейской радарной системы TIRA. Она представляет собой антенну-«тарелку» диаметром в 47 метров. Радар наблюдает за околоземным пространством и получает его снимки, которые затем анализируются для поиска космического мусора. Исследователи задались вопросом, можно ли заменить алгоритмы, созданные для анализа изображений с TIRA, технологией машинного обучения YOLO, которая используется для обнаружения движущихся объектов.
Ученые обучили нейросети YOLOv5 и YOLOv8 на серии из 3000 фотографий околоземного пространства. После этого их работу протестировали на 600 сгенерированных изображениях, где присутствовало от одного до трех фрагментов космического мусора. Результаты оказались впечатляющими: машинное обучение обнаружило трудноразличимые объекты быстрее, чем встроенная в TIRA система. Обе нейросети успешно выявили от 85% до 97% фрагментов мелкого космического мусора (от 1 см в длину), с минимальным числом ложных срабатываний.
По мнению авторов исследования, системы машинного обучения могут помочь не только в составлении «карты» космического мусора в околоземном пространстве, но также для отслеживания его передвижения в режиме реального времени. «В дополнение к улучшению возможностей наблюдения за космосом, системы на основе искусственного интеллекта, такие как YOLO, могут провести революцию в управлении космическим мусором. Быстро идентифицируя и отслеживая мелкие объекты, такие системы позволяют принимать упреждающие решения и выстраивать стратегии для уменьшения столкновений, сокращения рисков и сохранения целостности критически важных космических ресурсов», – заключила Массими.
