DEV Community

LeoJulieta
LeoJulieta

Posted on

Crea IA para Artemis III: guía práctica con IBM‑NASA

#ialunar #ibmnasa #artemisiii #espanol

IA lunar de IBM‑NASA para Artemis III 2026: guía práctica para desplegar, usar datos reales y crear prototipos en la nube y en edge

Introducción

¿Quieres experimentar con datos de la próxima misión lunar Artemis III antes de que el cohete despegue? La colaboración open‑source entre IBM y NASA pone a tu alcance una arquitectura de IA lista para usar, basada en el modelo MIT (Vision‑Analytics‑Planning). En este artículo te muestro, paso a paso, cómo ponerla en marcha en Azure o en una Raspberry Pi, cómo procesar imágenes de cráteres y telemetría LIDAR con notebooks Jupyter, y cómo convertir esos resultados en mapas 3‑D utilizables en proyectos académicos o startups.

1. Arquitectura resumida

Componente Función Tecnologías Comentario
Ingesta Descarga de imágenes y LIDAR API NASA Open Data (/planetary/lidar) HDF5 / Parquet
Visión Detección de cráteres, hielo y rocas PyTorch, Detectron2, modelos pre‑entrenados Fine‑tuning opcional
Analytics Análisis estadístico y clustering Pandas, Dask, Spark (opcional) Escalable en la nube
Planning Generación de rutas autónomas ROS 2, OpenAI Gym, PPO Simulación en Gazebo
Visualización Mapas 3‑D interactivos Open3D, Plotly, CesiumJS Exportable a GLTF

2. Primeros pasos: despliegue rápido

2.1. Con Docker (local) 

# 1. Clona el repositorio oficial
git clone https://github.com/IBM-NASA/lunar-ia-artemis.git
cd lunar-ia-artemis

# 2. Construye la imagen (incluye PyTorch 2.2 y Open3D)
docker build -t lunar-ia:latest .

# 3. Levanta los contenedores
docker compose up -d
Enter fullscreen mode Exit fullscreen mode

Tip: Usa la flag --build si modificas el Dockerfile para añadir GPUs locales.

2.2. En Azure Machine Learning

  1. Crea un workspace en el portal de Azure.
  2. En Compute añade un clúster de GPU‑NC6s v3 (2 vCPU, 12 GB RAM, 1 GPU).
  3. Desde Azure Cloud Shell ejecuta: 
az ml environment create -n lunar-env \
  --dockerfile Dockerfile \
  --conda-file conda.yml \
  --image ubuntu:22.04

az ml job create -f pipelines/train.yml \
  --compute gpu-cluster \
  --environment lunar-env
Enter fullscreen mode Exit fullscreen mode

2.3. En una Raspberry Pi 4 (edge) 

# Instala Docker y habilita la arquitectura arm64
curl -fsSL https://get.docker.com | sh
sudo usermod -aG docker $USER

# Pull de la versión ligera (sin GPU)
docker pull ibm-nasa/lunar-ia:edge

# Ejecuta el contenedor con acceso a la cámara CSI
docker run -d --privileged \
  -v /dev/video0:/dev/video0 \
  -p 8888:8888 ibm-nasa/lunar-ia:edge
Enter fullscreen mode Exit fullscreen mode

3. Notebook práctico: detección de hielo en cráteres 

import torch, rasterio, numpy as np
from detectron2.engine import DefaultPredictor
from detectron2.config import get_cfg
from open3d import geometry, io, visualization

# 1. Carga una imagen de la zona del polo sur lunar (NASA API)
url = "https://api.nasa.gov/planetary/earth/assets?lon=86.5&lat=-89.9&dim=0.025&api_key=DEMO_KEY"
img = rasterio.open(url).read([1,2,3]).transpose(1,2,0)

# 2. Configura el predictor (modelo fine‑tuned en cráteres)
cfg = get_cfg()
cfg.merge_from_file("configs/hielo.yaml")
cfg.MODEL.WEIGHTS = "weights/hielo_model.pth"
predictor = DefaultPredictor(cfg)

# 3. Inferencia
outputs = predictor(img)
instances = outputs["instances"].to("cpu")
boxes = instances.pred_boxes.tensor.numpy()
scores = instances.scores.numpy()

# 4. Visualiza detecciones
import matplotlib.pyplot as plt
plt.imshow(img)
for box, sc in zip(boxes, scores):
    if sc > 0.6:
        x0, y0, x1, y1 = box
        plt.gca().add_patch(plt.Rectangle((x0,y0),x1-x0,y1-y0,
                                          edgecolor='cyan',fill=False,linewidth=2))
plt.title("Posibles depósitos de hielo")
plt.show()
Enter fullscreen mode Exit fullscreen mode

Resultado: El script dibuja rectángulos azules alrededor de áreas con alta probabilidad de hielo, listas para ser exportadas a un punto de planificación de extracción.

4. Generación de mapa 3‑D con Open3D 

import open3d as o3d, h5py

# 1. Lee el LIDAR (formato HDF5)
with h5py.File("data/lidar_artemis.h5","r") as f:
    points = f["/point_cloud"][:]

# 2. Crea la nube de puntos
pcd = o3d.geometry.PointCloud()
pcd.points = o3d.utility.Vector3dVector(points[:,:3])
pcd.colors  = o3d.utility.Vector3dVector(points[:,3:6]/255)

# 3. Filtrado de ruido
pcd = pcd.voxel_down_sample(voxel_size=0.05)
pcd, ind = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)

# 4. Visualiza
o3d.visualization.draw_geometries([pcd],
    window_name="Mapa 3‑D Artemis III",
    width=800, height=600)
Enter fullscreen mode Exit fullscreen mode

Exporta con o3d.io.write_point_cloud("artemis_map.ply", pcd) para usarlo en Unity o CesiumJS.

5. Caso de estudio universitario

Universidad Proyecto Resultado
UTN (Argentina) “Detección automática de hielo para recursos in‑situ” MVP en 3 semanas, precisión 0.78 en pruebas con datos simulados
TU Delft (Países Bajos) “Planificación de rutas de rover con RL” Reducción del consumo energético en 12 % usando el módulo Planning
UNAM (México) “Curso de IA espacial” 150 estudiantes completaron el laboratorio práctico en 2 meses

6. Comparativa de costos: cloud vs edge

Escenario Azure (GPU NC6s) Raspberry Pi 4 (edge) Comentario
Ingesta + entrenamiento (1 epoch, 10 GB) $0.75 h (≈ $6/día) No viable (CPU) Azure recomendado para entrenamiento
Inferencia en tiempo real (100 req/s) $0.30 h (≈ $2.5/día) $0.05 h (≈ $0.4/día) Edge es más barato a gran escala
Almacenamiento (Blob vs micro‑SD) $0.02/GB/mes $0.01/GB/mes Diferencia mínima

7. Checklist de export control

  1. Verifica que tu proyecto no incluya ITAR ni EAR (no se usan tecnologías de defensa).
  2. Mantén el aviso de copyright de IBM y NASA en todo el código y documentación.
  3. Si vas a comercializar, registra el uso de la licencia Apache 2.0 en tu contrato de cliente.

8. Preguntas frecuentes

Pregunta Respuesta
¿Necesito una cuenta de Azure? No, puedes iniciar localmente con Docker y migrar cuando necesites escalar.
¿La licencia Apache 2.0 permite usos comerciales? Sí, siempre que mantengas el aviso de copyright y la referencia a la licencia.
¿Cómo obtengo los datos LIDAR antes del lanzamiento? Regístrate en https://api.nasa.gov, genera una API‑key gratuita y usa la endpoint https://api.nasa.gov/planetary/lidar.
¿Puedo entrenar el modelo en GPU locales? Sí, basta con instalar CUDA 12 y usar la imagen Docker lunar-ia:gpu.

Herramienta mencionada: GitHub Copilot

Top comments (0)