Tudtátok, hogy a SpaceX Transporter-7 rideshare (költségmegosztó) küldetésének keretében egy magyar űreszköz is indul a világűrbe? Kővágó Angéla a múltkori MRC-100 bemutató cikke után ezúttal a másik technológiai demonstrációt, a VIREO-t mutatja be, ami már holnap startolhat!
Ha a Tisztelt Olvasó idejével takarékoskodni szeretnék, akkor röviden úgy lehet összefoglalni, hogy nem a Knight Riderből ismert Pontiac Firebird, hanem az ő lényegéhez hasonló mesterséges intelligencia gyorsító chip (NPU, Neural Processing Unit) megy a világűrbe, és egyfelől ez a színtiszta igazság. Na de valamiért csak megemlítettem a címben KITT-et, és persze tudom, hogy az „AI a világűrben” kifejezés, a legtöbb sci-fi rajongónak azonnal az űrodüsszeiák HAL-ját idézi fel, de… megint csak nem, most nem olyan AI-ról lesz szó, akinek minden vágya kiirtani a fél emberiséget.
A VIREO magyar műhold mesterséges intelligenciája ugyanis, bár csak távoli kuzinja lehet a filmből ismert KITT-nek, de virtuális bölcsője mégiscsak egy autóipari cégnél ringott, és persze a hollywood-i unokatestvérhez hasonlóan a feladata is az emberekkel való együttműködés lesz. Még mielőtt a Tisztelt Olvasó megkövezne, hogy miért jövök itt KITT-el, mikor 2018, -és a SpaceX-korszak- óta van nekünk egy tűzpiros Teslánk is a világűrben, – sajnos mindenkit ki kell ábrándítsak, VIREO több szempontból is „okosabb” lesz, mint Elon Musk Tesla Roadstere, amely indításának ötödik évfordulóján nemrég épp a Mars pályáját keresztezte. Többek között azért, mert a Tesla csak három éve rendelkezik saját mesterséges intelligencia gyorsító chippel, előtte az Nvidia Corp. megoldását használták, amelyben nem voltak erre a célra külön dedikált áramkörök. De mennyivel is tud majd többet a híres piros Teslánál, de még annak pilótájánál Starmannél is, a C3S és az aiMotive, VIREO névre keresztelt közös fejlesztésű műholdja? Tud-e annyit, mint az Artemis-1 küldetés során az Orionra telepített Alexa?
A C3S űripari vállalkozás még 2019-ben a Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal által kiírt piacvezérelt kutatás-fejlesztési és innovációs projektek támogatása (2019-1.1.1.-PIACI KFI) pályázati felhívás keretében, „Mesterséges intelligenciával támogatott, kis- és nagyműholdas környezetbe integrálható, nagy teljesítményű számítási kapacitású fedélzeti számítógép hardver fejlesztése” címen nyert el 847 millió forint értékű támogatást.
Mint azt Milánkovich Dorottya, a C3S VIREO projektvezetője elmondta, kezdetben az aiMotive -val egy hardveres mesterséges intelligencia alapú megoldást kezdtek fejleszteni, később a projektet a műhold megtervezésére, gyártására, valamint tesztelésére és üzemeltetésére is sikerült kiterjeszteni. A műhold integrációját, a kaliforniai San Joséban végezték el. A start több halasztást követően, a cikk írásakor, még április 1-re volt kitűzve, majd az utolsó pillanatban ezt az időpontot is módosították.
Horváth Péter a C3S rendszermérnöke azt emelte ki, hogy ez magyar viszonylatban egy forradalmian új technológiai demonstráció, hiszen ezúttal egy autóipari cég alrendszerét integrálták a műholdba. Korábban ugyan volt már példa arra, hogy mesterséges intelligenciát telepítettek műholdak fedélzetére, de ezek adatai vagy ténylegesen titkosak (pl.: amerikai Sentient program) vagy érthető jogvédelmi okokból szinte semmit nem lehet tudni a működés technikai hátteréről (pl.: német OKAPI: Orbits projektje). Ugyanez mondható el a 2020 őszén elstartolt PhiSat-1-ről is, ami nagyon hasonló ugyan a VIREO alapötletéhez, a különbség annyi, hogy más gyártó, konkrétan az Intel HW/SW infrastruktúrára épülő megoldásáról van szó. Horváth Péter szerint a tapasztalatszerzéshez és a fejlődéshez mindenképpen szükséges egy saját projekt kivitelezése, ezért is szerencsés, ha ezúttal az eredeti elképzelések kibővítésével, két féle technológiát is sikerül űrkörnyezetben kipróbálni.
„A projekt scope – növelés egyik pozitív hozadéka, hogy nem csak az aiMotive technológiáját építettük be végül a payload-térbe, hanem a mesterséges neurális hálónak egy másik fajta megvalósítását is. Az aiMotive megoldása gyakorlatilag egy dedikált céláramkör, a miénk pedig, egy közép-európai együttműködésben kifejlesztett szoftver, amely egy általános célú mikroprocesszoron futtatva állítja elő az eredményeket. Ez utóbbinak az az előnye, hogy alkalmazása kevéssé függ a hardver környezettől, ami széleskörűbb alkalmazást tesz lehetővé. Mivel nem igényel dedikált célhardvert, így akár olyan in orbit rendszerekre is telepíthető, amelyek eredeti célkitűzései között, egyáltalán nem szerepelt mesterséges neurális hálóval segített adatfeldolgozás. Ez a rugalmasság természetesen nincs ingyen, a szoftveres megvalósítás számítási teljesítménye (és ezáltal energiahatékonysága) elmarad a céláramkörös megoldás teljesítményéhez képest. Azt, hogy a későbbi missziók során éppen melyiket válasszuk, az adott feladat ismeretében kell majd mérlegelni. Tehát az egész projekt alapvető kérdésfelvetése az volt, hogy hogyan lehet a mesterséges neurális hálót műhold fedélzeten alkalmazni? Ezt akarjuk demonstrálni, úgy hogy két szignifikánsan eltérő technológiai megoldással, mindkettőt kipróbáljuk a VIREO fedélzetén. A VIREO 3U méretű, a 10×10×10 cm-es payload-tér az aiMotive kártyáján kívül tartalmazza még a mi payload-vezérlő áramkörünket is, amit ezúttal plusz funkciókkal egészítettünk ki. A mi hozzájárulásunk ez az új alrendszer, ami hogyha beválik, ezentúl minden műholdunknak alaptartozéka lesz.”
A payload-térben tehát gyakorlatilag két LINUX-ot futtató teljes értékű számítógép van egy-egy kártyán. Ami a teljesítményt illeti, egy-egy négy magos Cortex A9 architektúrájú processzort építettek be, amelyek nagyjából 1 GHz frekvencián üzemelnek. Horváth Péter hangsúlyozta, hogy ezt is most próbálják ki először, mert ez a konfiguráció nagyobb számítási teljesítményt képvisel, mint amit az eddigi platformok alaprendszerében használtak. A gyártók ezeket a termékeket alapvetően nem „világűrre optimalizálva” állítják elő. Számítások, és becslések vannak arra nézve, hogy a diódák, az ellenállások, az energiatároló rendszer stb. hogyan fog odafent működni, de a tényleges kipróbálás, hogy az űrbéli környezet hatására hol vannak a hardver korlátai, ennek a missziónak a feladata lesz. De lássuk, mit kell tudni a VIREO fedélzetén működő mesterséges intelligenciáról.
Az aiMotive 2015 óta foglalkozik fejlett vezetéstámogató rendszerek fejlesztésével. A cég portfoliója nagyon széles skálát lefed, a fék-, a kormány-, a gázpedál automatizálásától kezdve a teljes önvezetésig bezárólag.
„A munkánk során szeretnénk azokat az algoritmusokat megvalósítani, amelyek a vezetéstámogató rendszerben dolgoznak. Leginkább a mesterséges intelligencia alapú feladatokat szeretnénk hatékonyan gyorsítani. Azonban nem chipet állítunk elő! Neurális háló-gyorsító megoldásokat licenszelünk a vevőink számára. Egy koreai vevőnk (Nextchip) licenszelte az egyik konfigurációnkat, és erre épített egy eléggé jól integrált System on a chip-et (SoC technology). Az Apache5 IEP (Imaging Edge Processor) tulajdonképpen egy teljes értékű számítógép, van benne memória, CPU, GPU, video bemenetek-kimenetek stb…Tehát ez egy speciális feladatra megépített mini számítógép, egy darab chipben. (hasonló megoldás mint a pl. a Raspberry Pi). Ennek több mint a felét tőlünk licenszelték, és a neurális háló gyorsítása a feladata, -akár egy Linuxot, vagy Windowst is el tudnék rajta indítani. A kártya, amit a VIREO-ba tettünk kb. 10-szer 10 cm, a chip rajta kicsit nagyobb mint fél négyzet cm”– magyarázta Fehér Márton senior vice president, hardver részlegvezető.
Mint azt aiMotive szakértőjétől megtudtuk, a neurális háló informatikai és matematikai értelemben egy hatalmas nagy egyenlet, ami tele van változóval. Ezt a 3-30 000 millió paramétert, statisztikai alapon, egy tanítási folyamat alatt magának állítja be a rendszer, de természetesen kell hozzá egy informatikai szakember, aki irányítja ezt a folyamatot és a gép minden próbálkozásánál kontrollálja az eredményt, majd korrigálja a bevitt értékeket. A neurális háló matematikája úgy fogalmazható meg, hogy a fő alkotóelemei több bemenettel és kimenettel rendelkező egységek, neuronok, vagy műveleti elemek, amelyek a ki- és bemenetek között valamilyen nem lineáris leképezést valósítanak meg. Tehát ha pl. fotórészleteket elemzünk, akkor a kimeneteken mindenféle valószínűségeket kapunk, és a tanítás során azt próbáljuk elérni, hogy minél nagyobb valószínűséggel állítsa azt, hogy ez pl. egy autó, felhő stb. A tanítás során az informatikus, a kimeneti hiba alapján az adatfeldolgozás súlyozását módosítja úgy, hogy a kapott eredmény minél inkább közelítsen a valóságban elvárthoz. Így nagyon sok próbálkozás és korrekció után tanulja meg az AI pl. a tárgyak felismerését, vagy, hogy hol vannak azok körvonalai. A gépi tanulás elméleti síkon egyébként már a 60-70-es években megjelent, de csak az elmúlt 15 évben jutottunk el arra a szintre, hogy számítási kapacitásunk is van, amivel tényleg ilyen random nagy mennyiségű paramétert inicializálni lehet, és így az egyenlet valami bemenetre egy értelmes kimenetet ad. Fehér Márton azt is fontosnak tartotta, hogy két fogalmat biztosan meg tudjon különböztetni egymástól a Tisztelt Olvasó, ezek pedig az alkalmazott mesterséges intelligencia, aminek egy konkrét feladata van, illetve van egy teljesen másik ág, ami az általános célú mesterséges intelligencia fejlesztése.
„A célzott feladatokra trenírozott mesterséges intelligencia bármennyire is okos, soha nem lesz általános célú, míg az általános célú irány az emberi intelligenciához hasonlóan általánosan használható, több mindenre bevethető megoldást keres. Jelenleg a világon a kutatások 99,9 százaléka az első típusba tartozik. Valami konkrét kérdés megoldására használják ezt a technológiát, -de mivel a legfejlettebb ilyen rendszer is csak egy buta automata, és nem is várunk tőle egy pillanatig sem többet-, nem kell „a Skynet öntudatra ébredésétől és a Terminátor eljövetelétől” tartani. Az aiMotive is ilyen alkalmazásspecifikus hálózatokat fejleszt. Nagyon leegyszerűsítve az a feladatuk, pl. hogy kiszínezzenek képeket, annak megfelelően, hogy éppen milyen közlekedési helyzetet lát, és az a pixel, az éppen autó, motor, gyalogos, zebra, közlekedési lámpa vagy micsoda. Ezt egy kb. 10-15-100 millió paraméterű neurális hálóval tesszük, és végeredményként ezt a feladatot tanulják meg olyan jól megoldani, mint ahogy ezt akár egy ember is csinálná. Amiben felülmúlják az embert az a feladatmegoldás sebessége, ezért fontos az a részlet, hogy ez egy alkalmazásspecifikus AI-gyorsító chip. Az internet hőskorában, -biztos sokan emlékeznek- amikor egy videoklipet akartunk lejátszani a You Tubeon akkor felzúgott a ventilátor, és a CPU teljesítményéből akár 50 wattot is megevett ez a probléma. Manapság egy telefon vagy tablet is képes ugyanezt kb. 0,2 wattból megoldani. Ez a több mint százszoros energiahatékonyság- javulás a kijelező meghajtásáért felelős egység, erre a feladatra dedikált kis áramkörének köszönhető, ami az ilyen kódolt, erősen tömörített video tartalmakat kitömöríti, majd helyre állítja a képet. Magyarul, a CPU nem egy általánosan használható számítási kapacitással oldja meg ezt a problémát, ahol assembly műveletekből rakja ki a kitömörítési algoritmust, ehelyett van egy dedikált szilícium részletünk, aminek csak a kitömörítési eljárás futtatása a feladata. Összefoglalva a VIREO-ban elhelyezett chipben is van egy céláramkör, amit azért építettünk, hogy a neurális háló működése energiahatékony legyen.”
Ami a kamerákat illeti, Horváth Péter rendszermérnök tájékoztatása szerint, az aiMotive kártyájához két autóipari kamera kapcsolódik. Ezekben objektíveket cseréltek, -nem azt a halszemoptikát használják, amit az autók fedélzetén-, mert így jobban rá tud közelíteni a vizsgálandó objektumokra. A felbontásuk kb.100-szor 100 méter.
„Ezeken túlmenően van még két teljesen átlagos jpg kamera, de a felbontásuk ezeknek még jobb, a pályától függően kb. 75 méterre fog kijönni. Tudjuk, hogy messze nem csúcstechnológia, amit ezek képviselnek, de a mesterséges intelligencia – technológia, amit demonstrálni akarunk, az ezekkel készült felvételeken is tökéletesen működik. Nem érdemes ettől jobbat beletenni. Kis lépésekben haladunk, a következő misszióban persze már az lesz az érdekes, amikor a csúcstechnológiás kamerarendszert házasítjuk össze a most letesztelt és tovább fejlesztett mesterséges intelligenciával. Jelenleg a misszió egyik lényeges pontja, hogy a mesterséges intelligencia képes legyen a kamerák által szolgáltatott hatalmas mennyiségű adatból egy előszűrést végezni, el tudja dönteni, hogy mi hasznos adat, amit le kell küldeni a Földre és mi nem az. Ezúttal 4Gbit-es SD kártya a tárhely, mert ebből tudtunk beszerezni olyat, amiről tudjuk, hogy szokás műhold fedélzeten használni. Elvileg lehetne 256 Gbit is, de arról meg azt tudjuk, hogy nem annyira optimális a világűrben, így a tárhelybővítés akadálya igazából nem a műhold hardverrendszere, a technológia fejlődésével ez később biztos megoldható. Ha komoly igény lesz nagyobb tárhelyre, akkor berakunk egy nagyobb SD kártyát, amit esetleg egy másik payload-vezérlővel fogunk összekötni.”
Az elkészült képek néhány Mb nagyságúak lesznek, a képfeldolgozás sebessége, pedig mint azt Fehér Márton az aiMotive-nál elmondta, nemcsak a kamerafelbontási képességétől, hanem az alkalmazott neurális háló komplexitásától is függ, amit alapvetően a megrendelők igényeire szabnak majd.
„A VIREO egy platform alapú műhold, amit a vevő a tetszése szerint a saját igényeinek megfelelően tud a továbbiakban bővíteni. Jelenleg a hardver tudásának limitje 800 Gop (giga operation / sec)Mint azt korábban már említettem mi csak a neurális háló architektúráját fejlesztjük (CPU-ban is volt pl. a Commodore, vagy a X86 architektúra) és az architektúrának megfelelő gyorsító implementációt csináljuk meg. Gyakorlatilag egy logikai kapuhálózatot építünk, „és/vagy” kapukból kirakjuk ezt a gyorsítót, és ezt licenszeljük. Az aiMotive-nál meg van a kompetencia ahhoz, hogy ilyen neurális hálókat létrehozzunk, és ezt a technológiát alkalmazzuk, így a VIREO-ban működő referenciaalkalmazást is mi fejlesztettük, ami egy felhő-felismerő neurális háló. Tehát egy egyetemi együttműködés keretében felhasználhattunk egy publikusan elérhető adatcsomagot, kerestünk egy neurális háló architektúrát ami erre jó, betanítottuk és ráraktuk a C3S műhold-platformra, hogy a reménybeli megrendelők láthassák, hogy ez valóban hasznos. Amikor az ember vesz egy mobiltelefont akkor is vannak rajta előre telepített alkalmazások, hogy lássuk működőképes. Később a saját céljainknak megfelelően lehet rá más programokat tölteni, vagy akár írni is egyet, ez a VIREO esetében is így van. A mostani misszióban működő igen/nem alapú felhő felismerő rendszer csak egy bizonyító erejű példa, hogy a rendszer hasonló dolgokra képes. A továbbiakban az, hogy a mi termékünk a valós idejű szenzoradatokból a környezetéről komplex, több dimenziós, akár az időtényezővel is kalkuláló információt tud összeállítani, nagyon sokféle alkalmazás előtt nyithat utat.”
A cikk elején már említett a Braunschweig-i Műegyetemen működő Okapi:Orbits, pl. az űrszemét előrejelzésre használja a mesterséges intelligenciát. A LatConnect60 szintén földmegfigyelési adatok gyűjtésével kísérletezik, ahol az AI képes lesz a legoptimálisabb adatkapcsolatot kiválasztani. A Lockheed Martin pl.a műholdtesztek sebességének növelését várja a neurális hálózatok bevetésétől, de olyan algoritmuson is dolgoznak (SmartSat) amely a fedélzet kiberbiztonságát javítja a felmerülő veszélyforrások automatikus elemzésével. Az interneten alapos kutatással számos egyéb project is fellelhető, a C3S-nél azonban -mint azt korábban már kiemeltük- hangsúlyozták, hogy az ilyen próbálkozások dokumentációja nem elérhető. A technikai háttérről, a felmerülő problémákról, a hatékonyságról vagy az üzemeltetés költségeiről nagyon kevés, szinte semmi információ nem áll rendelkezésre. Milánkovich Dorottya projectvezető szerint az biztos, hogy az adatfeldolgozás hatékonyságának növelése nagy jelentőségű lehet mind az akadémiai mind az ipari alkalmazások területén.
„Hagyományosan big data módszerekkel dolgozzuk fel az adatokat. Ez ebben az esetben is fontos, de az előszűrt adatmennyiség által, az utófeldolgozásra fordított idő jelentősen lerövidülhet. Ezáltal csökkenhetnek pl. a katasztrófa-menedzsmentre, vagy a földmegfigyelésre elköltött összegek. De a hatékonyság szempontjából sem mindegy, hogy pl. szökőár előrejelzésnél mekkora óceán részletet kell átnézni, mert mire letöltjük az adatokat és pontról pontra átvizsgáljuk, lehet, hogy már minden mindegy. Ha a mesterséges intelligencia dönti el a műhold fedélzetén, hogy merre halad az áramlat, és hol kell beavatkozni, akkor már csak a GPS koordinátákat fogja küldeni, és több időnk van kiüríteni az adott partszakaszt. Egy másik jó példa a mélyűri missziók, ahol a korlátozott adatforgalom miatt lehet az előszűrés kiemelten fontos, pl. a Mars-programban, vagy az űrbányászatnál. ”
Horváth Péter mindehhez azt is hozzátette, hogy bár a nagyobb számítási teljesítmény ezúttal is a földi irányítási központban lesz, azt remélik, hogy a VIREO-val kevesebbet kell majd foglalkozni, mint a korábbi műholdakkal
„Most éppen azzal kísérletezünk, hogy abból a technológiából, ami itt lent van és tudjuk hogyan működik, abból próbáljunk meg valamit a műholdra tenni. Ezzel a projecttel azt is próbáljuk kideríteni, hogy a technológia jelenleg mit tesz lehetővé, mi történik, ha esetleg többféle, érzékenyebbnek vélt technikát felrakunk a fedélzetre. Elvileg a személyes beavatkozást, és az üzemeltetési feladatok egy részét ezzel kiválthatjuk, tehát nem kell valakinek folyamatosan ellenőriznie az adatokat mivel az a műholdon autonóm módon megtörténik. Ahhoz, hogy ez megvalósuljon, kellenek ilyen pilot jellegű projectek, hogy kipróbáljuk a technológiát.”
Az autonómia foka minden mesterséges intelligenciáról szóló beszélgetés sarkalatos pontja. Arról már esett szó, hogy egy ilyen speciális feladatra felkészített AI nem tudna kedélyesen elcsevegni az Orion űrhajó utasaival, hogy mit szolgáljon fel vacsorára, vagy melyik Holdbázisra fuvarozza őket aztán ott mikor és hogyan landoljon. De mégis milyen egyéb különbségek vannak az Artemis-1 küldetés során, az Orionba telepített Alexa, és a VIREO mesterséges intelligenciája között? Az Artemis-1 Alexája pl. képes volt az űrhajó lámpáit irányítani, és a későbbi missziókban tervezik, hogy a kamerák kezelését is rábízzák. A kamerarendszer ismertetése során a C3S-nél Horváth Péter azt is elmondta, hogy itt ezek a műholddal együtt mozognak, fixen rögzítettek a vázhoz.
”Azt, hogy merre nézzenek, a helyzetstabilizáló rendszer segítségével (ADCS) befolyásoljuk, tehát nadírba, a Föld felszíne felé irányítjuk őket. Ezt a feladatot még csak nem is a payload-vezérlő, hanem a fedélzeti számítógép (OBC) irányítja. Néhány paraméter van. amin változtatunk a kalibráció során (pl. felbontás, kalibrációs idő) annak érdekében, hogy lássuk, milyen beállítás mellett születnek a legjobb felvételek. Ezeket a paramétereket már a payload-vezérlő állítja be, az Ai-nek ehhez nincs köze, ő nem tud mást, mint feldolgozni a kész képeket, amiket a payload-vezérlőtől kap”
Akkor esetleg tárgyak kikerülése? Mint tudjuk az űrszemét reális probléma. Vagy a kommunikáció? Az emberek általában legalább a Star Trek Orvosi Segéd Hologramja, vagy a Gene Roddenberry egy másik remek ötlete alapján leforgatott Andromédában látható mesterséges intelligenciát várják el egy űreszköz fedélzetén. Fehér Márton, az AiMotive hardver részlegvezetője sajnos ez ügyben sem tudott jó hírekkel szolgálni, tekintve, hogy a járművek irányításába történő beavatkozás, vagy a kommunikáció ( legyen az autó, űrhajó, vagy műhold) teljesen más jellegű feladat, mint amire jelenleg az egyetlen chipbe integrált, célirányosan képzett mesterséges intelligenciát használni szeretnék.
„Az elején már említettem, hogy míg a VIREO AI-t kizárólag fekete-fehér képkockák elkülönítésére tanítottuk, ezzel szemben az Orionban vagy a sci-fi filmekben látható űrhajók virtuális asszisztensei, általános célú mesterséges intelligenciák. VIREO nemcsak arra képtelen, hogy hirtelen elkezdjen kereskedni a tőzsdén, vagy kiszámolja a műhold pályáját, mert még pl. egy egyszerű irányváltoztatás is meghaladja a képességeit. Bár a környezeti szenzorok adataiból képes komplex képet alkotni, de az, hogy ezek alapján az AI beavatkozzon a jármű mozgásába, az mind az űriparban, mind a járművezetésnél nem tisztán a mesterséges intelligencián alapul, hanem nagyon sok klasszikus irányítástechnikai megoldáson. Amúgy algoritmus oldalról is nagyon más a háttér, az ilyen percepciós probléma és az Orionban működő kommunikációs- és irányítástechnológia mögött. Már a számítási teljesítmény nagyságrendje különbözik. Az észlelési teljesítmény,- az, hogy nagyon gyorsan haladva több tíz szenzor bemenetére támaszkodva, egy redundáns világképet alkossak a környezetemről-, ez több száz giga-, vagy inkább most már Top/sec, és abból is 50-100-as nagyságrend szükséges. Az irányítási feladatokra max. 0,5-10 tíz Gop/sec teljesítmény elég, nem kell hozzá speciális célhardver. A másik fontos különbség, hogy a percepciós feladatra nekünk bőven elég a 8 bites számábrázolás és számolás, sőt a tudomány arra halad, hogy ezt még csökkentse. Erre bejöttek ezek a 8 bites Bfloat megoldások ahol a mantisszám már csak 3-4 bites, hogy még olcsóbb és még gyorsabb legyen a feldolgozás, és a szilíciumon még kevesebb helyet foglaljon. Míg a kontroll oldalon legalább a float 16 a jellemző, de inkább a float 32 maradt. További fontos különbség, hogy a filmekkel ellentétben a mi kártyánkon lévő mesterséges intelligencia nem képes az önálló tanulásra. A tanítás off line itt a Földön történik, a világűrben már csak a begyűjtött adatok kiértékelését végzi a rendszer. Fontos megérteni, hogy a tanítás alapja egy olyan adatcsomag, amelyben az eredményeket is ismerjük, és ennek alapján minél többször korrigáljuk a rendszer tévedéseit, annál jobb minőségű lesz a neurális háló. Tehát azt meg tudjuk tenni, hogy leküldött adatok alapján néhány BME-s diák körberajzolja a felhőt, és a következő műhold mesterséges intelligenciáját tanító algoritmusnak ezt új példaként megmutatjuk. Így a következő műhold már okosabb lesz, de ezt nem is mi tesszük meg, hanem az a vásárló, aki a következő műholdat megrendeli a C3S-től, illetve erre be kell vonni a célfeladatnak megfelelő tanító adatcsomaggal rendelkező cégeket.”
Az aiMotive számára több szempontból is hasznos volt a C3S-el megvalósult együttműködés. Mivel jórész külföldi partnerekkel dolgoznak, ezt az alkalmat egyedi lehetőségnek értékelték, de a cég számára az egyetemista korosztály megszólítása is fontos, így azt remélik sok már végzett, vagy jövőbeli szakember érdeklődését fordíthatják az önvezetés informatikai problémái irányába. Ezen túlmenően Fehér Márton arról is beszámolt, hogy a projectnek köszönhetően sok tapasztalatot szereztek biztonságtechnikai illetve a tanulási folyamat megbízhatósági jellemzőit illetően.
„Minél fejlettebb egy vezetéstámogató rendszer, annál inkább beleavatkozik a jármű működésébe, és bármilyen hiba emberéletekbe kerülhet. Azt gondolnánk, hogy elő lehet venni egy vastag könyvet, amiben le vannak írva azok a szabályok, hogy pl. a mesterséges intelligenciát milyen módon kell tanítani, hogy megbízható legyen. Valójában ez egy nagyon kreatív folyamat, és a szabványok csak bizonyos sarokköveket fektetnek le azokról a célokról, amit a biztonság terén egy terméknek el kell érnie, de arról nem mondanak semmit, hogy ezt hogyan érjük el. Ezért különösen az én részlegemnek nagyon érdekes volt, milyen elvárások vannak az űriparban a hardver szempontjából. A most kikísérletezett megoldásokat esetleg később más projectekben is tudjuk majd alkalmazni. A C3S-el való együttműködésünk során ugrásszerűen megnőtt azon belső tesztjeink száma amelyek nem arra kíváncsiak, hogy mi történik akkor ha ez a gyorsító chip rosszul működik. Itt olyan tesztekre gondolok, ahol pl. direkt hibát generál a rendszer, tehát felülről beavatkozva elrontok valamit a szilícium területen. Ezzel lehet szimulálni egy olyan helyzetet, amikor a szilícium elfárad, az űriparban pl. ilyen történik, amikor töltött részecskék becsapódnak. Ilyenkor egy nagyon gyors lefolyású, hirtelen zavar támad, utána minden helyreáll, csak épp egy bit átfordul nulláról egyre átmenetileg. A tesztek során megszaporodtak az ilyen aktív és passzív hibadetektáló megoldásaink, és bővült a tesztelési kapacitásunk ezekre az esetekre.”
A sugárzás mellett űripari szempontból kritikus lehet még a hőmérséklet kérdése, de a C3S műholdjai ebből a szempontból nagyon megbízhatóan működnek, hiszen már eleve a rajzasztalon termikus tervezés történik, így aktív hűtésre nincs szükség. Mint azt a C3S-nél megtudtuk az energiamérleg számításait a RadCube -nél szerzett korábbi tapasztalatokra alapozzák. Így a payload-tér energiaigénye max. 5,5 W, – az alrendszerek azonban a szakaszos működésből adódóan néhány percig,- ettől többet is fogyaszthatnak. A napelem struktúra is ugyanaz lesz, mint a RadCube-nál: 7 tábla, táblánként 7 cella, de az egyik táblában egyel kevesebb tehát 48 darab cella lesz összesen, amelyek kb. 30 százalékos hatásfokkal működnek (összehasonlításképpen az otthon is használt cellák 10-14 százalék körül). Milánkovich Dorottya kihangsúlyozta, hogy a rendszer finomhangolása az üzemeltetés során fog megtörténni, a project fontos célja a skálázhatóság a vizsgálata, az alternatívák meghatározása és a sorozatgyártás lehetőségeinek felmérése.
„A felhasználás további lehetőségeit kutatva, már elindultak az egyeztetések külsős partnerekkel, potenciális megrendelőkkel, és a következő műholdunkba is szeretnénk ezt a tudást kamatoztatni. A technológiát akár egy továbbfejlesztett verzióban alkalmazni fogjuk, ha lesz rá igény. Tehát most azon dolgozunk, hogy mesterséges neurális háló futtatására alkalmassá tegyük az alaprendszert, így a következő műholdban ezt már plusz szolgáltatási lehetőségként tudjuk ajánlani. Akkor is ott lesz, ha az adott misszióban az adott pillanatban ez nem szükséges, de ha az üzemeltetés során derül ki, hogy a feladat mégis igényelné, akkor nem kell új műholdat építeni, az egész építési-, és startolási procedúrát újra kezdeni. Mivel ez gyakorlatilag a payload kontroller egy szoftverkomponense, a következő műholdunkba ezt már beépítettük, tehát a WREN is ezzel fog startolni néhány hónap múlva.”
Ha már az új lehetőségek szóba kerültek, az önvezető járművek alaptulajdonsága, hogy tárgyakat képesek kikerülni. A világűrben pl. a dokkolás olyan alapvető irányítástechnológiai probléma, amelyekről joggal gondolhatjuk, hogy képes lesz megoldani a jövőben a mesterséges intelligencia. Horváth Péter elmondta, hogy az idén felbocsátásra kerülő műholdjaikba még nem tervezik hasonló rendszerek kipróbálását, de nemzetközi szinten léteznek ilyen irányú törekvések.
„Ennek a projectnek is hosszú távú célja, hogy hasonló szintre kellene eljutni. A neurális háló tipikus alkalmazási területe az, hogy autonóm módon a dokkolást segítse. Ez lényegében konfiguráció kérdése. Az űrszemét elkerülésére a mostani megoldások nem alkalmasak. Sok technikai részletet kellene megoldani, pl. az érzékelő rendszert összeházasítani a neurális hálóval, a beavatkozó rendszerekkel szintén… tehát nehéz ügy, messze van, de alapvetően ez az irány és ez a project nagyjából az első lépésének tekinthető. Az is a jövő zenéje, hogy egy ilyen AI-al felszerelt műholdat más égitest feltérképezésére küldjünk. Jelenleg erre a bolygóra van optimalizálva az egész optikai rendszer. A paraméterek áthangolásával elképzelhető, hogy működni fog, de pl. hogy hova érdemes bázist telepíteni a Holdon, ahhoz már egy komplexebb neurális háló kell. Ezért van, hogy most a technológia kipróbálásával kezdünk, mert ha ez a lépés meg van, akkor onnantól már csak szoftver kérdése mire használjuk és hol.”
Ami a további terveket illeti a C3S-nek több együttműködése is van az ESA-val. Erre példa az ARTES program, amelynek keretében egy transzponder-egységet (OWL) fejlesztenek. Ez kisműholdak felszínére kapcsolódva, és integrálódva tenné lehetővé a pozícióadatok letöltését, aminek akár az űrszemét csökkentésében is lehetne jelentősége, mivel műhold beazonosítása akkor is lehetővé válna, ha az meghibásodik, és a pályára állítás után nem szólal meg.
Fehér Márton az aiMotive hardver részlegvezetője a fiatal mérnök generációk inspirálásán túl azt is kiemelte, hogy a cég nemzetközi megítélésére is pozitívan hat egy ilyen típusú űrtechnológiai demonstráció.
„Jobb rálátásunk lett arra, hogy milyen állapottérben kell szükség esetén hibatolerancia szempontjából vizsgálnunk-, és a helyére tennünk az áramkört. Azt gondolom, az együttműködés egyik eredménye,hogy elértük azt a biztonságtechnikai szintet, ami nekünk fontos. Jelenleg ebből a szempontból a piaci igények előtt járunk, mivel azt a visszajelzést kaptuk, hogy a most elnyert biztonságtechnikai bizonyítványt, a projekt megvalósulásával egyel magasabb szintre is megkaphatnánk”
Végül visszatérve egy kicsit az írás elején már említett KITT-re: a Knight Rider első sorozatának harmadik részében az éppen aktuálisan egy katonai gyakorló térről kimentett szőke hölgy, midőn menekülés közben bevágódik KITT anyósülésére, a műszerfal láttán döbbent csodálkozással felteszi a kérdést, hogy „Ez egy autó vagy egy űrhajó?”
Mint az a fentiekből remélhetőleg kiderült, a VIREO egyik sem, ezért csak olcsó, hatásvadász újságírói trükk volt részemről KITT-hez hasonlítani. De abból a piros Tesla Roadsterből mégis csak lehetne esetleg „szuper intelligens autósűrhajót” varázsolni, ha majd 2047-ben, amikor a Föld közelébe ér, az akkor már sokkal fejlettebb technológia segítségével befognák, és beleépítenék azt az akkor már szintén jóval okosabb mesterséges intelligenciát, amelynek őse akár már áprilisban a VIREO-val jut fel elsőként a világűrbe.
