- Η NASA (JPL) ανέθεσε στο Claude της Anthropic μέρος του προ-σχεδιασμού διαδρομής για το ρόβερ Perseverance στον Άρη.
- Το ρόβερ διένυσε περίπου 400 μέτρα με βάση AI-generated path, με ανθρώπινο έλεγχο και διορθώσεις μέσω προσομοίωσης.
- Σύμφωνα με την Anthropic, η προσέγγιση μπορεί να μειώσει στο μισό τον χρόνο route planning, χωρίς να καταργεί τον ρόλο των μηχανικών.
Η NASA «επιστρατεύει» το Claude για να χαράξει πορεία στον Άρη
Το μοντέλο μηχανικής μάθησης Claude της Anthropic σχεδίασε —με τρόπο που δεν είχε ξανακάνει κανένα Claude— μια διαδρομή πάνω στον Άρη για το ρόβερ Perseverance της NASA.
Το Perseverance ταξίδεψε περίπου 400 μέτρα στην επιφάνεια του Άρη τον περασμένο μήνα, ακολουθώντας μια διαδρομή που είχε παραχθεί από AI.
Αυτό έγινε με την έγκριση μηχανικών στο Jet Propulsion Laboratory (JPL) της NASA, οι οποίοι αποφάσισαν να αναθέσουν στο Claude τη λεπτομερή και χρονοβόρα εργασία του σχεδιασμού διαδρομής.
Γιατί ο σχεδιασμός διαδρομής στον Άρη είναι τόσο δύσκολος
Όπως εξηγεί η Anthropic, η επιφάνεια του Άρη μπορεί να είναι ιδιαίτερα επικίνδυνη για ρόβερ.
Κανείς δεν θέλει να μείνει ακινητοποιημένος πολύτιμος εξοπλισμός στο αρειανό έδαφος, όπως συνέβη με το ρόβερ Spirit το 2009, όταν κόλλησε στην άμμο.
Έτσι, η ομάδα του Perseverance αφιερώνει σημαντικό χρόνο στον σχεδιασμό διαδρομών. Η διαδικασία περιλαμβάνει:
- μελέτη δορυφορικών και επιφανειακών εικόνων του Άρη,
- ορισμό μιας σειράς waypoints (σημεία-σταθμούς) για την καθοδήγηση του ρόβερ,
- αποστολή του πλάνου σε απόσταση περίπου 140 εκατομμυρίων μιλίων ή 225 εκατομμυρίων χιλιομέτρων (μέση απόσταση Γης–Άρη), ώστε να ληφθεί από το Perseverance ως πλάνο πλοήγησης.
Η «ζωντανή οδήγηση» με joystick δεν είναι ρεαλιστική λόγω της απόστασης και των καθυστερήσεων επικοινωνίας.
Στον Άρη, οι ημέρες αποστολής αναφέρονται ως sols (αρειανές ημέρες), που διαρκούν λίγο περισσότερο από ένα 24ωρο στη Γη.
AutoNav: η αυτόνομη λήψη αποφάσεων στο πεδίο
Το Perseverance διαθέτει σύστημα AutoNav για αποφάσεις σε πραγματικό χρόνο.
Όπως εξηγεί η NASA, το AutoNav επιτρέπει στο ρόβερ να ανασχεδιάζει αυτόνομα τη διαδρομή του γύρω από βράχους ή άλλα εμπόδια, καθ’ οδόν προς έναν προκαθορισμένο προορισμό.
Θεωρητικά, όσο καλύτερος είναι ο αρχικός (προκαταρκτικός) σχεδιασμός, τόσο λιγότερη ανάγκη υπάρχει για αναπροσαρμογές.
Πώς χρησιμοποίησαν το Claude: από δορυφορικές εικόνες σε waypoints
Ο προ-σχεδιασμός χαρακτηρίζεται «χρονοβόρος» και «επίπονος», όπως τονίζει η Anthropic, γι’ αυτό ερευνητές του JPL αποφάσισαν να δοκιμάσουν το Claude αξιοποιώντας τις δυνατότητές του στην όραση.
Σύμφωνα με ανάρτηση του JPL:
«Η γενετική AI παρείχε την ανάλυση υψηλής ανάλυσης δορυφορικών εικόνων από την κάμερα HiRISE (High Resolution Imaging Science Experiment) του Mars Reconnaissance Orbiter της NASA και δεδομένων κλίσης εδάφους από digital elevation models. Αφού εντόπισε κρίσιμα χαρακτηριστικά εδάφους — συμπαγές πέτρωμα, εξάρσεις, επικίνδυνα πεδία ογκόλιθων, κυματισμούς άμμου κ.ά. — παρήγαγε μια συνεχόμενη διαδρομή με waypoints.»
RML: οι εντολές ρόβερ που παρήγαγε το AI
Το Claude παρήγαγε εντολές ρόβερ σε Rover Markup Language (RML), το οποίο βασίζεται σε XML. Η web έκδοση του Claude, όταν ρωτήθηκε, δεν μπορούσε να παράγει RML και αρχικά δήλωσε ότι δεν γνωρίζει το RML.
Όταν της υποδείχθηκε η σχετική δήλωση της Anthropic, απάντησε ότι «έχετε απόλυτο δίκιο» και ζήτησε συγγνώμη για την αρχική απάντηση.
Παρ’ όλα αυτά, δεν παρείχε παράδειγμα RML, κάτι που απέδωσε στην έλλειψη δημόσια τεκμηριωμένου προτύπου.
Ωστόσο, το Claude προφανώς παρήγαγε RML όταν είχε πρόσβαση στα δεδομένα της NASA. Και τότε οι άνθρωποι έκαναν αυτό που οφείλουν να κάνουν σε τέτοιες αποστολές: έλεγχο.
Ακόμη και τα καλύτερα μοντέλα AI κάνουν λάθη. Σε αποστολές υψηλού ρίσκου, ο ανθρώπινος έλεγχος και η προσομοίωση παραμένουν απαραίτητα.
Έλεγχος από JPL: 500.000 μεταβλητές τηλεμετρίας και μικρές διορθώσεις
Χρησιμοποιώντας προσομοιωτή που αναπαριστά ένα «εικονικό αντίγραφο» του ρόβερ, οι μηχανικοί του JPL έλεγξαν πάνω από 500.000 μεταβλητές τηλεμετρίας σχετικά με την προβλεπόμενη θέση του ρόβερ και πιθανά εμπόδια, και έκαναν διορθώσεις.
Η Anthropic αναφέρει:
«Όταν οι μηχανικοί του JPL εξέτασαν τα σχέδια του Claude, διαπίστωσαν ότι χρειάζονταν μόνο μικρές αλλαγές. Για παράδειγμα, εικόνες από κάμερες στο επίπεδο του εδάφους (που το Claude δεν είχε δει) έδωσαν καθαρότερη εικόνα των κυματισμών άμμου στα δύο άκρα ενός στενού περάσματος· οι οδηγοί του ρόβερ επέλεξαν να “σπάσουν” τη διαδρομή με μεγαλύτερη ακρίβεια σε εκείνο το σημείο. Κατά τα άλλα, η διαδρομή στάθηκε καλά. Τα σχέδια στάλθηκαν στον Άρη και το ρόβερ διέσχισε επιτυχώς την προγραμματισμένη πορεία.»
Στον έλεγχο προσομοίωσης εξετάστηκαν 500.000+ μεταβλητές τηλεμετρίας πριν σταλούν οι εντολές στον Άρη.
Πότε ακολούθησε AI-planned διαδρομές το Perseverance
Στις αρειανές ημέρες (sols) 1.707 και 1.709 (με αφετηρία την προσεδάφιση στις 18 Φεβρουαρίου 2021, 20:55 GMT), που αντιστοιχούσαν στις 8 και 10 Δεκεμβρίου 2025, το Perseverance εκτέλεσε διαδρομές που είχαν σχεδιαστεί από AI αντί για ανθρώπους.
Το ρόβερ δεν ακολούθησε ακριβώς τη χαραγμένη διαδρομή.
Εικόνα της NASA από τη διαδρομή της 10ης Δεκεμβρίου δείχνει ότι η προ-σχεδιασμένη πορεία και η πραγματική πορεία διαφέρουν ελαφρώς, πιθανότατα λόγω αποφάσεων του AutoNav.
Παρ’ όλα αυτά, η AI έπαιξε ρόλο — έναν ρόλο που αναμένεται να επαναλαμβάνουν όλο και περισσότερα μοντέλα, καθώς τα vision-language-action συστήματα γίνονται ικανότερα και ενσωματώνονται σε ρομπότ.
Τι είπε η NASA: περισσότερη αποδοτικότητα και μεγαλύτερη επιστημονική απόδοση
«Αυτή η επίδειξη δείχνει πόσο έχουν προχωρήσει οι δυνατότητές μας και διευρύνει το πώς θα εξερευνήσουμε άλλους κόσμους», δήλωσε ο διοικητής της NASA Jared Isaacman. «Αυτόνομες τεχνολογίες όπως αυτή μπορούν να βοηθήσουν τις αποστολές να λειτουργούν πιο αποδοτικά, να ανταποκρίνονται σε δύσκολα εδάφη και να αυξάνουν την επιστημονική απόδοση όσο μεγαλώνει η απόσταση από τη Γη.
Είναι ένα ισχυρό παράδειγμα ομάδων που εφαρμόζουν νέα τεχνολογία προσεκτικά και υπεύθυνα σε πραγματικές επιχειρήσεις.»
Η Anthropic αναφέρει ότι, σύμφωνα με μηχανικούς του JPL, το Claude μπορεί να μειώσει στο μισό τον χρόνο που απαιτείται για τον σχεδιασμό διαδρομής, χωρίς ωστόσο να διευκρινίζεται ακριβώς ποιο χρονικό μέγεθος «κόβεται» στη μέση.
Πίνακας: Από τα δεδομένα στην πορεία — τα βασικά βήματα
| Βήμα | Τι γίνεται | Ποιος/Τι το κάνει |
|---|---|---|
| 1. Ανάλυση εδάφους | HiRISE εικόνες + μοντέλα υψομέτρου/κλίσης | Claude (vision) + δεδομένα NASA |
| 2. Παραγωγή waypoints | Συνεχής διαδρομή με σημεία-σταθμούς | Claude |
| 3. Παραγωγή εντολών | Εντολές σε RML (XML-based) | Claude |
| 4. Έλεγχος/διόρθωση | Προσομοίωση & διορθώσεις | JPL μηχανικοί |
| 5. Εκτέλεση στο πεδίο | AutoNav μικρο-αποφάσεις γύρω από εμπόδια | Perseverance AutoNav |
Πίνακας: Κύρια στοιχεία της δοκιμής AI route planning
| Παράμετρος | Τιμή/Πληροφορία |
|---|---|
| Ρόβερ | NASA Perseverance |
| AI μοντέλο | Anthropic Claude |
| Πηγή εικόνων | HiRISE (Mars Reconnaissance Orbiter) |
| Απόσταση μετάδοσης πλάνου | ~225 εκατ. km (μέση Γη–Άρης) |
| Έλεγχος πριν την αποστολή | 500.000+ μεταβλητές τηλεμετρίας σε προσομοίωση |
| Ημέρες εκτέλεσης | Sols 1707 & 1709 (8 & 10 Δεκ. 2025) |
Η προεκτάσεις του ζητήματος
Η δοκιμή με το Claude είναι ενδιαφέρουσα όχι επειδή «η AI οδήγησε το ρόβερ», αλλά επειδή μετατοπίζει ένα κομμάτι της δουλειάς από την ανθρώπινη ομάδα προς μια διαδικασία ημι-αυτόματου προ-σχεδιασμού.
Στην πράξη, αυτό μπορεί να αποδειχθεί κρίσιμο σε μελλοντικές αποστολές όπου η απόσταση (και η καθυστέρηση επικοινωνίας) θα είναι ακόμη μεγαλύτερη ή οι στόχοι θα είναι πιο φιλόδοξοι, άρα θα απαιτούνται περισσότερες μετακινήσεις σε λιγότερο χρόνο.
Τι κερδίζει μια αποστολή όταν «κόβεται» ο χρόνος route planning
Αν ο χρόνος προ-σχεδιασμού μειωθεί αισθητά, ανοίγουν τρία πρακτικά οφέλη:
- Περισσότερη κίνηση ανά sol: λιγότερες «χαμένες» ημέρες μόνο για σχεδιασμό σημαίνουν περισσότερες ευκαιρίες για συλλογή δειγμάτων και εικόνων.
- Γρηγορότερη αντίδραση σε νέα επιστημονικά ευρήματα: π.χ. αν εντοπιστεί ενδιαφέρον γεωλογικό χαρακτηριστικό, μπορεί να σχεδιαστεί γρήγορα νέα προσέγγιση.
- Αποφόρτιση ειδικών: οι μηχανικοί μπορούν να αφιερώσουν χρόνο σε αξιολόγηση ρίσκου και βελτιστοποίηση, αντί για μηχανιστική χάραξη waypoints.
Γιατί ο ανθρώπινος έλεγχος παραμένει «μη διαπραγματεύσιμος»
Σε ρόβερ, ένα λάθος waypoint δεν είναι απλώς «λάθος κατεύθυνση»—μπορεί να σημαίνει φθορά τροχών, κίνδυνο ακινητοποίησης, ή απώλεια πολύτιμου χρόνου αποστολής. Γι’ αυτό η σωστή αρχιτεκτονική είναι ένα μοντέλο human-in-the-loop:
- Η AI προτείνει διαδρομή και εντολές.
- Η ομάδα τις επικυρώνει με προσομοιώσεις, κανόνες ασφάλειας και δεδομένα που η AI ίσως δεν «βλέπει» (π.χ. νεότερες επιτόπιες εικόνες).
- Το AutoNav κάνει μικρο-προσαρμογές στο πεδίο.
Τι να παρακολουθούμε στη συνέχεια
Αν τέτοιες δοκιμές επεκταθούν, έχει αξία να δούμε:
- αν θα υπάρξει πιο σαφής τυποποίηση γλωσσών τύπου RML ή ασφαλέστερα “command templates”,
- πόσο επαναλήψιμη είναι η επιτυχία σε διαφορετικά εδάφη (άμμος, χαλίκια, βραχώδεις πλαγιές),
- πώς θα μετρηθεί η «επιστημονική απόδοση» (science return) όταν αυξάνεται η αυτονομία.
Συμπέρασμα: το Claude δεν αντικαθιστά τους οδηγούς του ρόβερ· τους δίνει ένα νέο, ισχυρό εργαλείο για να σχεδιάζουν γρηγορότερα, με τον ίδιο (ή αυστηρότερο) έλεγχο ασφάλειας. Αυτό είναι πιθανό να γίνει πρότυπο για τη ρομποτική εξερεύνηση των επόμενων δεκαετιών.
