L’IA satellite de l’Université de Strathclyde signale des comportements inhabituels, mais la précision ne garantit pas la préparation opérationnelle
Des chercheurs de l’Université de Strathclyde ont annoncé un résultat de 88 % pour la détection d’anomalies satellitaires, ce qui crée un décalage évident avec le titre de Google News. Le modèle peut identifier des variations inhabituelles de luminosité et classer les mouvements à partir d’observations télescopiques. Il ne constitue toutefois pas encore un système opérationnel d’alerte anticollision.
Cette recherche est importante car les opérateurs de satellites font face à un flux croissant d’observations, d’alertes et de comportements incertains d’objets. Les systèmes de surveillance existants savent bien estimer la trajectoire d’un objet. Ils révèlent beaucoup moins s’il est stable, en rotation, en culbute ou s’il se comporte de manière inattendue.
L’équipe de Strathclyde et de l’Alan Turing Institute cherche à combler cette lacune grâce aux courbes de lumière, qui enregistrent l’évolution de la luminosité d’un objet au fil du temps. Son approche se distingue des outils de télémétrie embarquée développés par des organisations telles que l’Agence spatiale européenne. Ces systèmes examinent les données opérationnelles internes d’un engin spatial. Ce modèle tente d’interpréter un objet depuis le sol, même lorsque le télescope ne distingue guère plus qu’un point lumineux changeant.
Cette distinction est au cœur du sujet. Le système ne remplace ni le suivi orbital, ni le radar, ni le jugement des opérateurs. Il ajoute une couche comportementale qui pourrait aider les experts à déterminer quels objets méritent une attention plus soutenue.
L’IA interprète le comportement des satellites à partir de la lumière réfléchie
La recherche transforme les fluctuations de luminosité en signal comportemental, permettant au logiciel de signaler les objets qui ne correspondent pas aux schémas appris pendant l’entraînement.
Les chercheurs ont développé ce qu’ils appellent un modèle de fondation pour la sécurité et la durabilité spatiales. Un modèle de fondation est d’abord entraîné sur un vaste jeu de données, puis adapté à des tâches plus ciblées à l’aide d’exemples spécialisés.
Au lieu de mots ou d’images, ce modèle étudie des courbes de lumière recueillies par des télescopes au sol. Un satellite devient plus lumineux ou plus sombre lorsque ses surfaces réfléchissent la lumière du Soleil vers un observateur. Ces variations peuvent renseigner sur sa forme, son orientation et sa rotation.
Un satellite stable suivant un mode de pointage contrôlé produit un schéma différent de celui d’un objet qui tourne ou culbute. Les reflets de panneaux solaires ou d’autres surfaces réfléchissantes peuvent également créer des caractéristiques reconnaissables. La météo, la géométrie d’observation, les différences entre capteurs et le bruit compliquent l’interprétation.
L’équipe a utilisé un Perceiver Variational Autoencoder, ou Perceiver-VAE. Cette architecture neuronale compresse les observations en représentations apprises, puis tente de reconstruire le signal d’origine. Une courbe de lumière difficile à reconstruire peut être considérée comme inhabituelle.
Selon la recherche publiée, le modèle a été préentraîné par apprentissage auto-supervisé sur 227 000 courbes de lumière provenant de l’observatoire MMT-9. L’apprentissage auto-supervisé crée des objectifs d’entraînement à partir de données non étiquetées, réduisant la dépendance aux annotations humaines.
Cette approche convient au problème de surveillance spatiale. Les opérateurs disposent de nombreuses observations d’objets en orbite, mais les exemples confirmés de défaillances précises restent rares. Certaines informations opérationnelles sont également propriétaires ou sensibles du point de vue de la sécurité.
Après le préentraînement, les chercheurs ont affiné le modèle à l’aide de simulations issues de deux systèmes. CASSANDRA a fourni des exemples de détection d’anomalies, tandis que GRIAL a généré des exemples pour la prédiction des mouvements. Leurs engins spatiaux simulés incluaient des conceptions de type boîte-aile ainsi que des modèles basés sur les plateformes Sentinel-3, SMOS et Starlink.
Le modèle a produit une erreur de reconstruction de 0,01 % lors de son évaluation de préentraînement. Après l’affinage, il a atteint une précision de 88 % pour la détection d’anomalies et d’environ 82 % pour la prédiction du mode de mouvement. Les scores associés de la courbe ROC étaient de 0,90 et 0,95.
Ces chiffres décrivent des tâches distinctes. La détection d’anomalies évalue si une courbe de lumière observée paraît inhabituelle. La classification du mouvement détermine si le signal correspond à des comportements tels que le pointage solaire, la rotation ou la culbute.
Cette distinction évite une interprétation trompeuse du cadrage de Google News. L’IA n’examine pas un satellite, ne diagnostique pas un composant défaillant et n’ordonne pas une manœuvre d’évitement de collision. Elle hiérarchise des schémas d’observation afin qu’un analyste humain puisse les examiner.
Cette capacité plus restreinte reste utile. Un changement comportemental peut révéler une perte de contrôle d’attitude, une manœuvre inattendue ou le passage à une phase de culbute. Il peut aussi être sans gravité, causé par la géométrie ou par un mode opérationnel normal.
Le rôle du modèle s’apparente donc davantage au triage qu’au commandement. Il contribue à réduire un important flux d’observations à une file plus courte de cas nécessitant l’attention d’experts.
Pourquoi les opérateurs de satellites ont besoin d’une couche de surveillance supplémentaire
Les prévisions orbitales indiquent où va un objet, tandis que l’analyse comportementale peut aider à expliquer s’il reste contrôlé et prévisible.
La sécurité des satellites dépend fortement de la connaissance de la situation spatiale. Les réseaux de suivi estiment la position et la trajectoire des satellites, étages de fusées et débris. Les opérateurs utilisent ces estimations pour évaluer les rapprochements et décider si une manœuvre est nécessaire.
Ce processus génère déjà une charge de travail importante. La UK Space Agency a indiqué que son National Space Operations Centre surveillait en moyenne 56 rentrées non contrôlées par mois au cours de la période de référence 2025 à 2026. Il a également émis en moyenne 1 913 alertes mensuelles de collision à destination des opérateurs britanniques.
Une alerte ne signifie pas qu’une collision va se produire. Les premières estimations orbitales comportent des incertitudes, et les observations ultérieures peuvent réduire ou augmenter le risque calculé. Les opérateurs doivent combiner les données de conjonction avec l’état de l’engin spatial, sa capacité de manœuvre et les informations de coordination.
Les preuves comportementales peuvent renforcer ce tableau. Un satellite fonctionnel peut répondre à une alerte. Un engin spatial en culbute ou un objet inerte ne le peut pas. Un changement d’attitude inattendu peut également affecter la traînée, la prédiction orbitale, les communications et la sécurité d’une mission de maintenance planifiée.
L’équipe de recherche estime que l’analyse automatisée devient nécessaire, car les humains ne peuvent pas inspecter manuellement chaque courbe de lumière entrante. Cette pression augmente avec le nombre d’engins spatiaux actifs et d’objets de débris suivis.
L’annonce du projet affirme que plus de 4 000 satellites ont été lancés en 2025, contre 159 lancements dans le monde en 2000. Elle indique également que le système Starlink a dépassé 10 000 satellites en orbite, avec une ambition déclarée d’atteindre 42 000 unités.
Ces chiffres illustrent l’échelle du phénomène, mais le défi opérationnel ne consiste pas simplement à compter les engins spatiaux. Chaque objet peut produire des observations répétées dans des conditions d’éclairage et de visualisation changeantes. Les analystes doivent distinguer les variations normales des comportements qui justifient une intervention.
L’environnement plus large des débris ajoute une autre dimension. Une vue d’ensemble du gouvernement britannique cite des estimations statistiques d’environ 40 500 objets de débris de plus de 10 centimètres. Elle recense également 1,1 million d’objets entre un et dix centimètres, ainsi que 130 millions de fragments plus petits.
De nombreux petits objets ne peuvent pas être suivis en continu. Une collision peut générer davantage de débris, augmentant la charge de surveillance pour tous les opérateurs partageant la région orbitale concernée.
Le modèle de Strathclyde ne détecte pas tous ces fragments. L’analyse des courbes de lumière exige une cible observable et des mesures optiques exploitables. Sa valeur réside dans l’ajout d’une interprétation aux observations d’objets spatiaux résidents, c’est-à-dire d’objets artificiels restant en orbite terrestre.
Ces informations deviennent particulièrement importantes pour la maintenance en orbite. Un engin de maintenance s’approchant d’un autre satellite doit comprendre sa rotation et son orientation. Confondre une lente culbute avec un pointage stable pourrait compromettre le plan d’approche.
Le professeur Massimiliano Vasile, directeur du Centre d’excellence aérospatiale de Strathclyde, a déclaré que le projet testait la capacité de l’IA moderne à détecter des comportements réguliers et anormaux « même à partir d’un seul pixel dans le ciel ». Cette formule résume à la fois l’attrait et la difficulté de l’approche.
Un pixel changeant coûte peu comparé à une inspection détaillée à courte distance. Il reste aussi ambigu. Un même signal peut refléter le mouvement de l’engin spatial, les matériaux de surface, l’angle de vue, les conditions atmosphériques ou le comportement du capteur.
La promesse opérationnelle dépend donc de la combinaison de cette couche comportementale avec les systèmes de suivi établis. Les opérateurs de satellites sont contraints de traiter davantage d’observations, mais ils ne peuvent pas sacrifier l’explicabilité et la validation au profit d’alertes plus rapides.
L’attention de Google News masque le véritable mécanisme du modèle
L’avantage du modèle ne tient pas au fait qu’il connaît tous les schémas de défaillance ; il apprend une représentation générale et mesure dans quelle mesure les nouvelles observations s’en écartent.
Les systèmes supervisés traditionnels nécessitent des exemples étiquetés. Un développeur montre au modèle de nombreux signaux identifiés comme normaux, en culbute, en rotation ou défaillants. Le modèle apprend à distinguer ces catégories.
Cette méthode se heurte à des difficultés lorsque les défaillances sont rares. Une anomalie majeure d’un engin spatial peut ne survenir qu’une seule fois, et les opérateurs peuvent ne pas publier les données associées. Les étiquettes peuvent aussi être incomplètes, car les experts ne s’accordent pas toujours sur le début et la fin d’une période anormale.
L’approche auto-supervisée de l’équipe utilise la reconstruction pour contourner ce goulot d’étranglement. Pendant l’entraînement, le modèle apprend à reconstituer des courbes de lumière complètes ou partiellement masquées. Ce processus l’encourage à encoder des structures temporelles récurrentes sans exiger d’étiquette comportementale pour chaque observation.
Lorsqu’un nouveau signal s’écarte fortement de ces structures, sa reconstruction devient plus difficile. Le système peut alors signaler l’observation, même si aucun développeur n’a auparavant créé de catégorie correspondant exactement à ce schéma.
C’est le mécanisme qui sous-tend le résultat sur les anomalies mis en avant dans la couverture de Google News. Il ne s’agit pas d’une recherche dans une base de données de dysfonctionnements prédéfinis. C’est une estimation apprise de la question de savoir si une observation correspond à l’expérience du modèle.
L’architecture prend également en charge la classification des mouvements après affinage. Les chercheurs ont regroupé des modes de mouvement apparentés, car distinguer des comportements de lacet étroitement liés s’est avéré plus difficile que séparer de grandes catégories telles que la culbute et le pointage solaire.
L’enregistrement du préprint rapporte une précision de 82,74 % sur un jeu de données retenu pour la classification des mouvements. La ROC-AUC moyenne du modèle a atteint 0,95, une mesure de sa capacité à séparer les classes selon différents seuils de décision.
Pour la détection d’anomalies, l’équipe a rapporté une précision de 88 % et une ROC-AUC de 0,90. L’analyse des prédictions à forte confiance sur des observations réelles a identifié des schémas associés aux profils d’objets et aux reflets de satellites.
Ces résultats justifient la poursuite des tests, mais n’établissent pas un détecteur universel de défaillances. Un modèle peut reconnaître une courbe de lumière inhabituelle sans savoir si sa cause est dangereuse. Il peut également prendre une observation rare mais sûre pour une anomalie.
Le projet a utilisé la simulation pour créer des exemples sélectionnés destinés à l’affinage. La simulation est utile, car les chercheurs peuvent contrôler la géométrie et le mouvement d’un engin spatial. Ils peuvent générer des cas qu’il serait coûteux, dangereux ou impossible de mettre en scène en orbite.
Les données simulées créent également un écart avec la réalité. Les satellites réels présentent des propriétés de surface incertaines, des matériaux vieillissants, des composants flexibles et des modèles de forme incomplets. Les observatoires introduisent leurs propres erreurs d’étalonnage, effets météorologiques et lacunes d’échantillonnage.
Le chiffre de 88 % du modèle doit être interprété dans ce contexte expérimental. Il s’agit d’un résultat d’évaluation, et non d’une garantie de niveau de service vérifiée de manière indépendante. Les performances face à des observatoires inconnus, à différents régimes orbitaux et à diverses conceptions de satellites restent une question distincte.
La recherche fait néanmoins progresser le domaine, car elle relie trois fonctions au sein d’une même représentation apprise. Le système peut prendre en charge la détection d’anomalies, la prédiction des mouvements et la génération de courbes de lumière synthétiques. Cette combinaison peut améliorer à la fois la surveillance et la création de futures données d’entraînement.
Elle offre également une voie au-delà des caractéristiques conçues manuellement. L’analyse conventionnelle des courbes de lumière dépend souvent d’experts qui choisissent des mesures censées représenter la rotation ou la forme. L’apprentissage de représentations permet au modèle de découvrir des motifs difficiles à définir à l’avance.
La meilleure comparaison n’est donc pas l’IA contre l’absence de surveillance. Il s’agit d’un triage comportemental automatisé face à un volume croissant d’observations que les analystes ne peuvent pas examiner de manière cohérente.
Un résultat de test à 88 % laisse subsister de difficiles questions de sécurité
Un résultat de recherche utile ne devient un outil de sécurité qu’une fois que les opérateurs comprennent ses fausses alertes, ses détections manquées, son incertitude et son comportement hors de la distribution d’entraînement.
L’exactitude condense plusieurs types d’erreurs en un seul chiffre. Pour les opérations spatiales, ces erreurs n’ont pas toutes les mêmes conséquences.
Un faux positif envoie des analystes inspecter un satellite normal. Des fausses alertes répétées consomment du temps de personnel et peuvent éroder la confiance dans le système. Un faux négatif laisse passer un objet anormal sans examen supplémentaire.
Le coût de chaque erreur dépend du contexte. Manquer un ajustement d’attitude inoffensif a peu d’importance. Ne pas détecter le début d’une rotation incontrôlée avant une approche rapprochée ou une opération de maintenance est bien plus grave.
L’équilibre entre les classes affecte également l’exactitude. Si la plupart des exemples de test sont normaux, un système peut produire un chiffre accrocheur tout en étant peu performant sur les anomalies rares. L’étude rapporte l’AUC-ROC en plus de l’exactitude, ce qui offre une vision plus large, mais les équipes opérationnelles ont toujours besoin de précision et de rappel à des seuils d’alerte pratiques.
Les chercheurs doivent également définir ce qui est considéré comme inhabituel. Un satellite peut changer d’orientation dans le cadre d’une activité de mission planifiée, passer en mode sans échec, déployer du matériel ou effectuer une manœuvre. Un observateur externe peut ne pas savoir si ce comportement était intentionnel.
Cela crée un écart sémantique. Le modèle peut détecter un changement de motif, mais l’intention peut nécessiter de la télémétrie ou une communication avec l’opérateur. L’analyse comportementale seule ne peut pas distinguer de manière fiable une défaillance d’une manœuvre confidentielle.
Les courbes de lumière présentent d’autres limites. Les télescopes optiques dépendent de l’éclairage et de la visibilité. Les nuages, la distorsion atmosphérique, des fenêtres d’observation limitées et l’évolution des angles de phase peuvent dégrader les données. Certains satellites sont plus faciles à observer que d’autres.
Les chercheurs doivent également tester le transfert géographique. Un modèle entraîné principalement sur les données d’un seul observatoire pourrait assimiler les caractéristiques de son capteur. Les performances peuvent diminuer lorsqu’un autre télescope produit un bruit, une cadence, un étalonnage ou une réponse spectrale différents.
L’équipe s’est entraînée sur 227 000 observations, ce qui est considérable pour ce domaine spécialisé. La taille du jeu de données ne garantit pas une couverture représentative. Le catalogue orbital comprend de nombreuses formes, matériaux, profils de mission et états de rotation.
L’utilisation de quatre familles de plateformes simulées pour l’ajustement fin limite davantage ce que le score rapporté peut établir. Les modèles Box-wing, Sentinel-3, SMOS et Starlink apportent une diversité utile, mais ils ne couvrent pas l’ensemble de la population de satellites.
Un déploiement critique pour la sécurité exige également des estimations d’incertitude fiables. Une alerte devrait indiquer aux analystes si le modèle a rencontré une anomalie familière, un signal limite ou un cas très éloigné de son expérience d’entraînement.
Cette exigence relie le projet à un débat plus large dans l’industrie. L’apprentissage automatique peut analyser rapidement les données, mais les opérateurs ont besoin de cadres de validation avant de l’intégrer à des flux de travail aux conséquences importantes.
L’ESA examine déjà cette question à travers ses travaux sur la validation de l’apprentissage automatique. Son projet couvre la détection d’anomalies dans la télémétrie des satellites, la navigation fondée sur la vision et l’observation de la Terre. L’objectif comprend des recommandations et un cadre logiciel de vérification et de validation.
La détection d’anomalies de télémétrie offre une comparaison utile. Elle examine des mesures générées à l’intérieur d’un satellite, telles que les températures, les courants, les tensions ou les états logiciels. L’étude OPS-SAT de l’ESA a déployé une approche d’apprentissage profond à bord d’un satellite réel et a rapporté une exactitude de classification de 95,7 % sur son jeu de test validé.
L’expérience OPS-SAT a résolu un problème différent de celui du système de Strathclyde. La télémétrie peut révéler l’état de santé interne, mais elle appartient généralement à l’opérateur. Les courbes de lumière offrent une observation externe, mais fournissent un signal plus indirect.
Aucune de ces deux approches ne remplace l’autre. La télémétrie interne peut révéler une défaillance de composant avant que les changements de mouvement deviennent visibles. La détection externe peut surveiller des objets peu coopératifs, inactifs ou inaccessibles qui ne partagent aucune télémétrie.
Le système opérationnel le plus solide fusionnerait les deux types de preuves avec des données orbitales et radar. Cette combinaison peut réduire l’ambiguïté, mais elle soulève également des défis d’intégration, d’étalonnage et de gouvernance.
Les chercheurs n’ont pas encore montré que le modèle actuel de courbes de lumière peut réduire les collisions dans des opérations réelles. L’affirmation est qu’une compréhension comportementale plus précoce pourrait améliorer l’évaluation et l’intervention. Cela reste une application plausible nécessitant une validation sur le terrain.
La prochaine étape prudente du projet est donc plus importante que son exactitude mise en avant. Les opérateurs ont besoin d’essais qui mesurent la réduction de la charge de travail, les taux de fausses alertes, la latence de détection et les performances sur des satellites jamais vus auparavant.
Les tests multimodaux détermineront si le modèle sort du laboratoire
Les trois prochains signaux à surveiller sont les performances entre capteurs, les essais opérationnels et la preuve que les analystes humains prennent de meilleures décisions grâce aux alertes du modèle.
Le premier signal est une fusion multimodale réussie. Les chercheurs prévoient d’étendre le modèle au-delà des courbes de lumière optiques en incluant des données radar, hyperspectrales et orbitales.
Le radar peut fournir des observations lorsque les conditions optiques sont mauvaises et révéler des caractéristiques de distance ou de mouvement indisponibles avec la seule luminosité. Les mesures hyperspectrales séparent la lumière réfléchie par longueur d’onde, ajoutant potentiellement des indices sur les matériaux de surface. Les données orbitales fournissent le contexte de trajectoire nécessaire pour interpréter l’évolution des comportements.
Si ces entrées améliorent les performances sur des objets inconnus, l’argument en faveur d’un modèle de fondation devient plus solide. Si l’exactitude dépend fortement d’un seul jeu de données de courbes de lumière, le système restera une aide spécialisée à la recherche.
L’Alan Turing Institute mène déjà des travaux de détection connexes dans le cadre du projet Aemelia. Ce projet examine l’interprétation par IA du radar à synthèse d’ouverture inverse, qui utilise le mouvement relatif pour produire des représentations radar d’objets en orbite.
Cette orientation reflète une évolution plus large, du suivi d’objets vers leur caractérisation. Connaître l’emplacement d’un objet reste essentiel. Comprendre sa forme, son attitude, son état de contrôle et son comportement futur probable peut soutenir des opérations de proximité plus sûres.
Le deuxième signal est une évaluation dans le cadre d’un flux de surveillance réel. Un essai réaliste devrait alimenter le modèle avec des observations récentes de télescopes, acheminer les alertes vers des analystes formés et comparer les décisions aux procédures établies.
Un tel essai nécessite davantage qu’un chiffre global d’exactitude. Il devrait indiquer combien d’alertes les analystes reçoivent, à quelle vitesse le système réagit et s’il détecte des changements significatifs plus tôt que les méthodes existantes.
Les performances devraient également être ventilées selon le type de satellite, la luminosité, l’orbite, le capteur, la météo et la qualité d’observation. Un modèle performant uniquement sur des satellites brillants et familiers a une valeur plus limitée que ne le suggère le titre généraliste.
L’essai devrait inclure des cas volontairement difficiles. Ils pourraient impliquer des reflets temporaires, un échantillonnage clairsemé, des manœuvres d’attitude planifiées, des événements de déploiement ou des objets dont les formes diffèrent des simulations utilisées pour l’ajustement fin.
Si le système maintient des performances utiles tout en maîtrisant les fausses alertes, l’argument en faveur de son adoption opérationnelle se renforce. Si les analystes doivent écarter trop d’alertes, l’automatisation ne fait que déplacer la charge de travail au lieu de la réduire.
Le troisième signal est une amélioration mesurable des décisions humaines. L’utilisateur immédiat n’est pas un consommateur demandant à un chatbot IA une réponse définitive. C’est un spécialiste qui décide si un objet justifie des observations supplémentaires, une prise de contact avec l’opérateur ou une analyse de risque ajustée.
Une interface utile devrait présenter l’observation, le niveau de confiance, des motifs comparables et les raisons de l’escalade. Elle devrait permettre aux analystes de corriger la classification et de réinjecter ce retour dans le développement futur du modèle.
La supervision humaine n’est pas une concession temporaire. Le comportement des satellites implique un contexte de mission qu’une observation externe peut ne jamais contenir. Les opérateurs peuvent connaître des manœuvres planifiées, des transitions en mode sans échec ou des déploiements de matériel qui paraissent anormaux depuis le sol.
L’annonce du Turing décrit le système comme signalant des anomalies à des experts chargés de les examiner. C’est la limite appropriée à court terme.
Le succès signifierait que les analystes examinent moins d’observations de faible valeur tout en identifiant plus tôt les comportements conséquents. Cela ne signifierait pas qu’une IA commande indépendamment des satellites ou résout le risque de collision.
Le titre de Google News reflète un résultat convaincant, mais la phase suivante déterminera son importance pratique. Le modèle a montré qu’un seul pixel changeant peut contenir suffisamment de structure pour une analyse comportementale automatisée. Les chercheurs doivent maintenant démontrer que ce signal reste fiable à travers les capteurs, les satellites et les conditions opérationnelles.
Pour les développeurs, l’étude est un exemple d’apprentissage auto-supervisé répondant au manque d’étiquettes dans un domaine scientifique. Pour les entreprises de satellites, elle ouvre la voie à des services de surveillance capables d’ajouter un contexte comportemental sans accéder à la télémétrie privée. Pour les régulateurs et les agences publiques, elle soulève des questions sur les normes de preuve applicables aux décisions de sécurité soutenues par l’IA.
Les prochains mois devraient apporter des preuves plus claires concernant la recherche multimodale et les validations ultérieures. Les lecteurs devraient surveiller les jeux de données indépendants, les tests d’un observatoire à l’autre et les partenariats avec des centres de surveillance opérationnels.
Ces signaux comptent davantage qu’une nouvelle amélioration de référence. Un score plus élevé sur un jeu de test familier affinerait la recherche. Des performances stables dans des flux de travail réels changeraient la manière dont les équipes de sécurité satellitaire répartissent leur attention.
La question pratique est désormais simple : les chercheurs peuvent-ils transformer un résultat expérimental de 88 % en une alerte à laquelle les opérateurs font confiance lorsqu’un objet réel commence à se comporter de manière inattendue ? Tant que ces preuves ne seront pas disponibles, l’attention de Google News devrait marquer le début de l’évaluation, et non sa conclusion.
