Souhrn
NASA na konci roku 2025 provedla první úspěšný test autonomního ovládání roveru Perseverance na Marsu s využitím vision-language models, což je typ AI modelů schopných zpracovávat vizuální data a přirozený jazyk pro mapování a navigaci. Tento experiment naznačuje, že lidští operátoři, kteří dosud programovali trasy z Jet Propulsion Laboratory (JPL), by mohli být nahrazeni. Úspěch testu přináší potenciální úspory času i nákladů v marsovské exploraci.
Klíčové body
- NASA použila AI vision-language models k mapování povrchu Marsu a autonomnímu řízení Perseverance během testovací jízdy.
- Vzdálenost Země-Marsu činí přibližně 225 milionů kilometrů, což způsobuje zpoždění signálu až 25 minut jedním směrem.
- Dosud aktivní rovery Curiosity a Perseverance ovládají lidé z JPL v Kalifornii, kteří posílají předem naplánované instrukce.
- Test proběhl na konci 2025 a byl označen za bezprecedentní úspěch, což otevírá cestu k plné autonomii.
- Cílem je snížit čas i náklady na operace, které dosud trvají týdny na plánování jedné cesty.
Podrobnosti
Marsovské rovery NASA, jako Perseverance a Curiosity, jsou klíčovými nástroji pro povrchovou exploraci červené planety již tři desetiletí. NASA dosud vysadila pět roverů, ale pouze tyto dva zůstávají aktivní. Tradiční ovládání spočívá v tom, že operátoři v JPL, specializovaném centru pro planetární mise v Pasadene v Kalifornii, analyzují data z roverů, plánují bezpečné trasy s ohledem na překážky jako kameny nebo krátery a posílají instrukce. Tyto signály putují přes hluboký vesmír s výrazným zpožděním – v závislosti na poloze planet až 25 minut tam a zpět. To znamená, že rover nemůže být ovládán v reálném čase, ale pouze autonomně mezi přijatými příkazy, kde využívá vestavěné senzory pro vyhýbání se nebezpečí, jako je systém hazard detection.
Nový přístup NASA integruje vision-language models, což jsou pokročilé AI modely typu multimodalních velkých jazykových modelů (LLM), schopné interpretovat fotografie z kamer roveru, generovat mapy a navrhovat trasy v přirozeném jazyce. Tyto modely, podobné těm jako GPT-4o nebo Llama s vizuálními rozšířeními, byly natrénovány na obrovských datech z předchozích misí a simulacích marsovského terénu. Během testu v prosinci 2025 rover Perseverance, který přistál v kráteru Jezero v roce 2021, autonomně projel definovanou trasu bez lidského zásahu, mapoval okolí a vyhnul se překážkám. Tento trial run trval jen krátce, ale podle NASA překonal očekávání v přesnosti navigace.
Jako expert na robotiku a AI musím zdůraznit, že rovery již disponují částečnou autonomií – například AutoNav systém Curiosity umožňuje jízdu rychlostí až 30 metrů za hodinu bez přímého dohledu. Nicméně plná integrace vision-language models představuje skok: AI nejen detekuje objekty, ale rozumí kontextu (např. “projeď kolem skály k vzorku horniny”) a optimalizuje trasu v reálném čase. To snižuje závislost na týdenním plánování v JPL, kde tým z desítek specialistů analyzuje terén. Náklady na jednu misi dosahují stovek milionů dolarů, včetně personálu, a AI by mohlo zvýšit denní ujetou vzdálenost z současných stovek metrů na kilometry.
Proč je to důležité
Tento pokrok urychluje marsovskou exploraci tím, že umožní rychlejší sběr dat, jako jsou vzorky hornin pro hledání stop života nebo detailní mapy povrchu. Pro průmysl znamená validaci AI v extrémních podmínkách – vysoké radiace, nízká gravitaace, prašný terén – což ovlivní vývoj autonomních robotů na Zemi, včetně těch pro průmyslovou inspekci nebo autonomních vozidel. V širším kontextu posiluje roli vision-language models v robotice, kde dosud dominovaly specializované algoritmy počítačového vidění. NASA tak demonstruje, že velké jazykové modely lze adaptovat pro fyzické úkoly, což by mohlo inspirovat podobné systémy u SpaceX pro Starship mise nebo u firem jako Boston Dynamics. Nicméně zůstávají výzvy: spolehlivost AI v nečekaných scénářích a etické otázky redundancy v kritických misích. Dlouhodobě to může snížit počet specializovaných pracovních míst v JPL, ale vytvořit nové v AI vývoji pro vesmír. (Celkem 582 slov)
Zdroj: 📰 BGR
