Montreal Space Symposium 2019

Prédire la risqué d’une collision astéroïde avec la terre est un grand défi. Plusieurs astéroïdes sont trop petits, et leur orbite trop imprécise pour être détecté de la terre. Ils peuvent seulement être observé à leur approche finale a la terre. Au 15 Avril 2018 l’Astéroïde 2018 GE3 est venu entre la terre et la lune des heures avant sa détection. Les mécanismes utilisé aujourd'hui pour la détection des astéroïdes comptent trop sur des télescopes de grand champ situé sur la terre.

On doit aller au-delà de comment on analyse et détermine le risque des collisions d’astéroïdes avec terre. Pendant que la quantité d’information venant des surveillances de ciel augmente, le numéro d’astronomes pour analyser cette information reste la même.

L’intelligence artificiel est utilisé pour chercher des motifs dans des donnés énormes. J’ai utilisé un Réseau-de-Neurones « Feed-Forward » pour créer un index répertoriant le risque de collision Astéroïde-Terre à l’aide des données du Centre pour les objets proches de la Terre (CNEOS, NASA)

La couche d’entrée de ce réseau neuronal était composée de trois paramètres: la vitesse de l’astéroïde, son diamètre et sa magnitude absolu. La couche de sortie était le risque de cet astéroïde entrer en collision avec la terre. Il compare la probabilité de l'impact potentiel détecté avec le risque moyen présenté par des objets de taille identique ou supérieure au fil des ans jusqu'à la date de l'impact potentiel.

Curieusement, aucun des astéroïdes modélisés par mon algorithme n'a généré un indice de risque positif. Cela indique que le risque de collision entre un astéroïde et la Terre est très faible mais non nul. L'indice suivait un indice de risque normalisé centré sur la distribution de -4 sur échelle logarithmique. Cela implique que le risque actuel est dix mille fois inférieur à un événement de fond aléatoire.

Planetary exploration with robot teams
Since the beginning of space exploration, Mars and the Moon have been explored with orbiters, landers, and rovers. Over forty missions have targeted Mars, and more than a hundred, the Moon. Developing novel strategies and technologies for exploring celestial bodies continues to be a focus of space agencies. Multi-robot systems are particularly promising for planetary exploration, as they are more robust to individual failure and have the potential to explore larger areas; however, there are limits to how many robots an operator can individually control. We recently took part in the European Space Agency’s interdisciplinary equipment test campaign (PANGAEA-X) at a Lunar/Mars analog site in Lanzarote, Spain. 
We used a heterogeneous fleet of Unmanned Aerial Vehicles (UAVs)—a swarm—to study the interplay of systems operations and human factors. Human operators directed the swarm via ad-hoc networks and data sharing protocols to explore unknown areas under two control modalities: one in which the operator instructed each robot separately; and the other in which the operator provided general guidance to the swarm, which self-organized via a combination of distributed decision-making, and consensus-building.

For each condition, we assessed cognitive load via pupillometry and perceived task demand and intuitiveness via self-report. Our results show that implementing higher autonomy with swarm intelligence can reduce workload, freeing the operator for other tasks such as overseeing strategy, and communication. Future work will further leverage advances in swarm intelligence for exploration missions.