NASA e IBM hanno sviluppato un’intelligenza artificiale per riunire decenni di osservazioni della Luna in mappe più utili alle missioni spaziali. Si chiama Lunar Foundation Model e combina immagini e misure raccolte da strumenti differenti. L’obiettivo è aiutare i ricercatori a riconoscere crateri, studiare il terreno e individuare zone promettenti per la ricerca di ghiaccio. Per chi segue la tecnologia spaziale, significa trasformare gli archivi delle sonde in informazioni con cui pianificare atterraggi ed esplorazioni. Il problema nasce dalla varietà dei dati disponibili. Il Lunar Reconnaissance Orbiter e altre sonde hanno osservato la superficie con fotocamere, altimetri laser, radar e spettrometri, producendo misure difficili da confrontare direttamente. Anche la scala cambia: si passa da mappe regionali con una risoluzione di 100 metri per pixel a osservazioni del terreno che arrivano a un metro per pixel. Riunire queste informazioni richiede un lavoro consistente di elaborazione e allineamento. Per affrontarlo, il gruppo ha costruito SomBench , un dataset di riferimento formato da quasi 2 milioni di tasselli cartografici sovrapposti. Ogni tassello raccoglie osservazioni della stessa porzione di superficie, organizzate in strati corrispondenti. In questo modo, immagini riprese da angolazioni differenti e misure ottenute a risoluzioni diverse possono essere associate allo stesso luogo. È la base che permette al modello di mettere in relazione informazioni altrimenti separ
🇬🇧 Summary in English
NASA and IBM have developed artificial intelligence to piece together decades of observations of the Moon into maps more useful to space missions. It is called Lunar Foundation Model and combines images and measurements collected by different instruments. The goal is to help researchers recognize craters, study the terrain and locate promising areas to search for ice. For those who follow space technology, it means transforming probe archives into information with which to plan landings and explorations. The problem arises from the variety of data available. The Lunar Reconnaissance Orbiter and other probes have observed the surface with cameras, laser altimeters, radar and spectrometers, producing measurements that are difficult to compare directly. The scale also changes: we move from regional maps with a resolution of 100 meters per pixel to terrain observations that reach one meter per pixel. Bringing this information together requires a lot of processing and alignment work. To address this, the team built SomBench , a benchmark dataset made up of nearly 2 million overlapping map tiles. Each tile collects observations of the same portion of the surface, organized into corresponding layers. In this way, images taken from different angles and measurements obtained at different resolutions can be associated with the same place. It is the basis that allows the model to relate otherwise separate information
Leggi l’articolo originale su Tom’s Hardware IT →
Fonte: Tom’s Hardware IT | Argomento: Tech News
#tecnologia #innovazione #technews