Fleet-To-Lab: A Transfer Learning Framework For Lunar Rover Slippage Estimation Via Model Fusion

Het besturen van een robot over de maan is een spel van centimeters. Op aarde grijpen de wielen van een rover met een voorspelbare zekerheid in de grond, maar op het maanoppervlak veranderen de regels. De zwaartekracht van de maan is slechts één zesde van die van de aarde, en de bodem, bekend als regoliet, gedraagt zich als een vloeistof onder druk. Wanneer een wiel draait, kan het wegzakken, slippen of nutteloos spinnen zonder dat het voertuig vooruit komt. Dit fenomeen, slippage genoemd, is een stille moordenaar van maanmissies. Te veel slippage verstoort het gevoel van locatie van de robot en in de ergste gevallen kan het het voertuig in een diep gat trekken waaruit het niet kan ontsnappen. Om veilig te navigeren, moet een rover precies weten hoeveel zijn wielen slippen in realtime.

Decennialang hebben ingenieurs geprobeerd robots te leren deze slippage te voelen met alleen de gegevens die afkomstig zijn van het eigen lichaam van de robot, zoals hoe snel de wielen draaien en hoe het voertuig kantelt. Ze hebben geavanceerde computerprogramma's, of modellen, gebouwd om deze voorspellingen te doen. Deze programma's worden echter geconfronteerd met een enorme hindernis: ze worden meestal getraind op aarde. Een robot die leert rijden in een gesimuleerde maanomgeving onder de zwaartekracht van de aarde, leert de verkeerde lessen. De fysica is simpelweg te verschillend. De bodem reageert anders, en de wielen zakken weg op manieren die op aarde nooit voorkomen. Omdat werkelijke gegevens van de maan extreem schaars zijn — slechts een handvol rovers heeft de maan ooit bezocht, en zij dragen zelden de specifieke sensoren die nodig zijn om slip direct te meten — hebben wetenschappers moeite gehad met het bouwen van een systeem dat werkt voor toekomstige missies.

Een team onderzoekers aan de Universiteit van Luxemburg heeft een nieuwe manier voorgesteld om dit probleem op te lossen, door de geschiedenis van eerdere missies te gebruiken als gids voor de toekomst. In plaats van te proberen een nieuwe robot vanaf nul te leren op aarde, hebben ze een methode ontwikkeld om de ervaring van oudere, reeds ingezette maanrovers te lenen. Hun aanpak, die ze "Fleet-to-Lab" noemen, behandelt de gegevens van eerdere missies als een bibliotheek van wijsheid. Door de kennis van deze verschillende robots te combineren, kunnen ze een nieuw, slimmer model creëren voor een toekomstige rover die nog niet eens de grond heeft verlaten.

De kern van hun werk is een nieuw algoritme dat ze AcoMerge noemden. Stel je een team experts voor, elk op een andere manier getraind. Eén expert leerde op aarde, een andere leerde van een rover die op de maan reed, en een derde leerde van een ander type maanrover. Normaal gesproken, wanneer je probeert deze experts te combineren, neem je simpelweg het gemiddelde van hun advies, maar dat leidt vaak tot een verward resultaat dat nergens goed in is. AcoMerge doet iets preciezer. Het fungeert als een meesterredacteur, die naar elk deel van de computermodellen kijkt en beslist welke versie van die expert voor dat specifieke deel het beste is. Het zoekt door duizenden mogelijke combinaties om de perfecte mix van kennis te vinden. Hiervoor gebruikt het een hybride methode die de manier nabootst waarop mierenkolonies voedsel vinden en hoe walvissen jagen: zoekend naar de optimale oplossing zonder het hele systeem vanaf nul opnieuw te hoeven trainen.

De onderzoekers testten dit idee in een zeer gedetailleerde computersimulatie die de zwaartekracht en de bodem van de maan nabootst. Ze creëerden een scenario waarin een nieuwe doel-rover, die alleen op aarde getraind was, moest leren rijden op de maan. Ze voedden het de gegevens van twee verschillende "fleet"-rovers die al eerder waren getraind op gesimuleerd maan-terrein. Het team gebruikte vervolgens een kleine hoeveelheid echte gegevens — slechts enkele minuten rijden nadat de nieuwe rover was geland — om het uiteindelijke model te verfijnen. Deze kleine hoeveelheid gegevens is realistisch, aangezien toekomstige missies waarschijnlijk slechts een korte periode zullen hebben om hun systemen te kalibreren na de landing.

De resultaten waren opmerkelijk, hoewel met belangrijke nuances afhankelijk van de complexiteit van het gebruikte model. In hun simulaties presteerde de nieuwe methode uitzonderlijk goed op kleinere, eenvoudigere computermodellen, waarbij het beter presteerde dan standaardtechnieken die simpelweg probeerden de robot op alle gegevens tegelijk te trainen. Voor deze beperkte netwerken slaagde AcoMerge erin de afzonderlijke expert-modellen te fuseren om een hogere nauwkeurigheid in het voorspellen van slippage te bereiken, met name voor de meest gevaarlijke situaties waarbij de rover dreigt vast te komen zitten. Echter, op grotere, complexere modellen presteerde de methode op hetzelfde niveau als de traditionele aanpak van gezamenlijke training (joint training), waarbij de hoge nauwkeurigheid werd gehaald zonder de complexe workflow nodig te hebben om alle datasets voor een enkele trainingsron te combineren. De methode werkte zelfs beter op kleinere, eenvoudigere computermodellen, wat cruciaal is omdat toekomstige rovers beperkte rekenkracht hebben en geen massieve, zware softwaresystemen kunnen meedragen.

De studie onthulde ook wat niet werkt. Het simpelweg middelen van de modellen samen, een veelvoorkomende techniek in het vakgebied, slaagde er niet in om de kloof tussen de fysica van de aarde en de maan te overbruggen. Ook was het proberen de robot alleen met aardse gegevens te onderwijzen, zelfs met een beetje maan-data toegevoegd achteraf, niet voldoende om de fundamentele verschillen in zwaartekracht en bodem te overwinnen. De onderzoekers ontdekten dat het niet alleen ging om het hebben van meer data, maar om het hebben van het juiste soort data: de specifieke, operationele ervaring van robots die al geconfronteerd zijn geweest met de maanomgeving.

Dit werk suggereert een nieuwe weg voorwaarts voor ruimteverkenning. Het impliceert dat we niet hoeven te wachten op een perfecte dataset van de maan om betere robots te bouwen. In plaats daarvan kunnen we de archieven van eerdere missies gebruiken, zelfs die die niet over perfecte sensoren beschikten, om de volgende generatie te trainen. Door de geleerde gedragingen van een "vloot" van eerdere ontdekkingsreizigers te fuseren, kunnen we een nieuwe rover een voorsprong geven, waardoor hij de verraderlijke maanoppervlakte kan navigeren met een niveau van vertrouwen dat voorheen onmogelijk was. De onderzoekers zijn van plan deze ideeën te testen op fysieke robots en met echte historische gegevens van eerdere missies, maar hun simulaties tonen aan dat het concept solide is. In de risicovolle wereld van maanverkenning, waar één fout een missie kan beëindigen, kan een robot die weet hoe hij de grond onder zijn wielen moet lezen het verschil betekenen tussen een succesvolle reis en een gestrande voertuig.