Uma equipe do Centro Espacial ITA, em São José dos Campos (SP), apresentou na 40ª Small Satellite Conference, nos Estados Unidos, um dos principais encontros mundiais sobre satélites pequenos, um sistema de inteligência artificial capaz de descobrir onde está uma nave em órbita da Lua apenas olhando para as crateras abaixo dela. O projeto se chama LINNA, sigla em inglês para Arquitetura Neural de Navegação Lunar Inteligente.
O LINNA é um experimento tecnológico que deve voar a bordo do SelenITA, um CubeSat de 16 unidades descrito pela equipe como a primeira missão lunar brasileira. A apresentação foi feita pelo pesquisador Gleisson Bezerra, primeiro autor do artigo publicado nos anais da conferência.
O problema: se perder perto da Lua
Na Terra, qualquer celular sabe onde está graças aos satélites de GPS. Na Lua, não existe nada parecido. Uma nave em órbita lunar depende de rastreamento feito da Terra e de sensores próprios, como os inerciais, que medem acelerações e rotações. O problema é que esses sensores acumulam pequenos erros que vão se somando com o tempo.
A dificuldade cresce nas órbitas muito baixas, que a equipe chama de VLLO (sigla em inglês para órbita lunar muito baixa). O SelenITA deve descer, na sua fase mais baixa, até cerca de 30 quilômetros de altitude no ponto mais próximo da superfície. Ali, a gravidade da Lua é irregular por causa dos mascons, concentrações de massa sob grandes bacias de impacto, que desviam a nave da trajetória prevista. Em órbitas tão baixas, a Terra também fica escondida atrás da Lua com frequência, o que reduz as oportunidades de correção vinda daqui.
As crateras são marcos naturais: abundantes, estáveis por bilhões de anos e já catalogadas com posições conhecidas.
A ideia: navegar por crateras
A proposta do LINNA é usar uma câmera apontada para baixo para fotografar a superfície e reconhecer crateras, comparando-as com um catálogo de crateras de posição conhecida. Se o sistema sabe quais crateras está vendo e onde elas aparecem na imagem, consegue calcular a latitude, a longitude e a altitude da nave, sem depender de nenhum sinal externo.
Tudo precisa caber no computador de bordo de um satélite pequeno, com pouca energia e capacidade de processamento. Por isso, o detector de crateras usa uma rede neural leve, baseada na arquitetura MobileNetV2, criada para rodar em equipamentos com poucos recursos, como celulares. Para cada imagem, a rede indica o centro de cada cratera, o seu raio e a classe de tamanho, entre cinco faixas de 5 a 30 quilômetros de diâmetro.
Treinada com uma Lua virtual
Como não existiam imagens reais com a geometria, a altitude e a iluminação esperadas para a missão, a equipe criou a própria Lua virtual. Usando mapas de relevo e de textura feitos pelas sondas Lunar Reconnaissance Orbiter (NASA) e SELENE (Japão), o grupo gerou imagens sintéticas da superfície no programa de computação gráfica Blender, com sombras e iluminação do Sol calculadas para cada posição ao longo de uma órbita simulada.
As crateras de referência vieram de um catálogo científico com mais de 2 milhões de crateras lunares, do qual foram usadas as que têm entre 5 e 30 quilômetros. Ao todo, mais de 72 mil imagens foram usadas no treinamento e mais de 31 mil em testes. Nos testes, o erro na medida do raio das crateras detectadas ficou abaixo de 5% do tamanho delas em todas as classes.
A equipe também testou uma técnica de realce de contraste, chamada CLAHE, para as imagens com pouca luz, perto da linha que separa o dia da noite lunar. A conclusão foi que o realce ajuda nas imagens de baixo contraste, recuperando crateras que ficariam escondidas nas sombras, mas atrapalha nas imagens já bem iluminadas, em que só aumenta o ruído. Por isso, deve ser aplicado apenas quando necessário.
De 35 quilômetros para menos de 300 metros de erro
O principal avanço apresentado está na forma de calcular a posição. Numa versão anterior do trabalho, o sistema comparava cada imagem só com a anterior para estimar o deslocamento, um método chamado odometria visual. Ele funciona por pouco tempo, mas os erros se acumulam: nas simulações, o erro mediano de posição horizontal chegava a cerca de 35,6 quilômetros, com picos acima de 100 quilômetros.
Na nova versão, cada imagem é comparada diretamente com o catálogo de crateras de posição conhecida. Como as referências são fixas na superfície, o erro não se acumula: é corrigido a cada imagem. A equipe também passou a considerar a altitude real do relevo, em vez de tratar a Lua como uma esfera lisa, o que eliminou um erro sistemático na estimativa de altitude.
- Posição horizontal: o erro mediano caiu para 0,29 quilômetro, estável ao longo de toda a órbita simulada, uma melhora de cerca de cem vezes.
- Altitude: erro mediano de 128 metros, praticamente sem viés.
- Cobertura: em 985 das 1.000 imagens da sequência de teste (98%), o sistema calculou a posição diretamente pelo catálogo; nas outras, recorreu à odometria visual por poucos instantes.
O sistema faz isso sem usar modelos da órbita nem da gravidade lunar, o que, segundo os autores, o torna robusto justamente às perturbações causadas pelos mascons.
O que ainda falta
É importante notar que os resultados vêm de simulações: imagens sintéticas e uma órbita calculada em computador. O objetivo do LINNA em voo é justamente testar o sistema no ambiente real, comparando as posições calculadas pela rede neural com os dados de referência da órbita da nave. O experimento não comanda a navegação do SelenITA: funciona de forma independente, como demonstração de uma tecnologia que no futuro pode servir de sistema auxiliar.
Entre os próximos passos citados no artigo estão simular a iluminação com as posições reais do Sol, testar sequências mais longas de imagens, descartar crateras rasas demais para serem bem vistas e comparar o desempenho com o de sistemas inerciais simulados.
No LinkedIn, Gleisson Bezerra escreveu que a equipe está "conduzindo uma das pesquisas mais avançadas do mundo no uso de Inteligência Artificial Embarcada para órbita lunar" e agradeceu aos colegas Pedro Varela, Felipe Oliveira Tavares, Renan Guilherme Soares Menezes, Lidia Shibuya Sato, Ana Carolina Di Iorio Jeronymo e Luis Eduardo Loures.
Para ler o trabalho completo
O artigo "Lunar Intelligent Navigation Neural Architecture (LINNA)", de Gleisson Bezerra, Pedro Fernandes Varela, Felipe Oliveira Tavares, Renan Guilherme Menezes, Lidia Shibuya Sato e Luis Eduardo Loures, do Instituto Tecnológico de Aeronáutica (ITA), está disponível nos anais da Small Satellite Conference (código SSC26-RAIII-04), em inglês. A pesquisa foi financiada pela FINEP, com bolsas de mestrado e doutorado da CAPES.
