Место посадки советской станции «Луна-9», которая в 1966 году первой в истории выполнила мягкую посадку на Луну и передала панорамы с поверхности, могут наконец локализовать с высокой точностью благодаря машинному зрению. Команда исследователей представила легкий алгоритм компьютерного зрения YOLO-ETA (You-Only-Look-Once — Extraterrestrial Artefact), адаптированный для поиска искусственных объектов в снимках камеры LROC NAC аппарата Lunar Reconnaissance Orbiter.
Модель натренировали на данных с посадочных площадок Apollo. В тестах на неизвестных для нее изображениях она показала сбалансированное качество (F1 ≈ 0,60) и в среднем около 80 % достоверности для обнаружения посадочных модулей, а также правильно локализовала «Луну-16» — важную проверку способности обобщать на советской технике другой конструкции.і іншої конструкції.
Далее YOLO-ETA применили к участку 5×5 км вокруг исторически неопределенного района посадки «Луны-9». Алгоритм выдал несколько уверенных срабатываний вблизи координат примерно 7,03° с. ш., 64,33° в. д., где на орбитальных фото есть признаки объектов / нарушений почвы, совместимые с присутствием аппаратуры. Следующий шаг — независимая верификация кандидатов более подробными наблюдениями (в частности, упоминают пролет Chandrayaan-2 над районом в марте 2026 года).
Как это работает? Алгоритм работает как детектор объектов на спутниковых фотографиях. Сначала модель YOLO-ETA обучают на снимках LROC NAC, где вручную размечены известные места посадок (например, модули Apollo): на каждом кадре указывают прямоугольники, охватывающие аппарат и характерные следы (возмущение реголита, дорожки, тени). Далее нейросеть, просматривая новое изображение, разбивает его на области и за один проход вычисляет: (1) где есть подозрительные пятна с геометрией / контрастом, не похожими на естественный рельеф; (2) координаты рамки вокруг них; (3) вероятность, что это именно искусственный объект. После этого срабатывания фильтруют по порогу уверенности, проверяют на нескольких смежных кадрах / с разным освещением и сопоставляют с картами рельефа и историческими оценками траектории, чтобы оставить наиболее правдоподобных кандидатов на место посадки.
Почему это важно? Такие модели превращают океан орбитальных снимков в управляемый поиск: они могут быстро каталогизировать артефакты, отслеживать изменения поверхности, помогать планированию посадок и маршрутов роботов и разгружать ученых от рутинного просмотра данных. Для астрономии и планетологии это означает больше времени на интерпретацию — от геологии реголита до анализа освещения / теней и условий наблюдений, а также лучшую подготовку к длительным лунным миссиям с большими потоками изображений.
По материалам nature
