为了去遥远的行星，宇宙飞船需要更好的计算机大脑

angizao

在机器人探测器能够降落到远离人类影响的外星世界并执行其他雄心勃勃的深空壮举之前，它们的大脑需要升级。深度学习领域（让计算机学会根据训练数据识别模式）对于航天器决策来说风险太大。但计算软件公司MathWorks空间部门经理osaid Ossi Saarela表示，随着任务变得越来越复杂，以及发射小型航天器的成本降低，这种情况可能会发生改变。对于着陆在行星、小行星和彗星上的物体来说，第一个大问题就是到达它们——考虑到这些物体离我们有多远以及它们能有多小，需要的导航精度是相当惊人的。

博科园-科学科普：当然，另一个挑战是，特别是小行星、彗星和行星，通常我们甚至不知道它们是什么样子，直到我们到达那里。因此，这是一个必须解决的挑战，如果我们要绕着它们飞行，特别是如果我们要尝试着陆或返回样本。目前，美国国家航空航天局(NASA)在火星上的机遇号(Opportunity)月球车显然处于自主节电模式，在这种模式下，它会定期检查正在进行的大规模火星沙尘暴是否足以让月球车用太阳能为电池充电，然后与地球r进行通信。

机遇号和大多数漫游者和航天器一样，可以通过非常具体的算法，在短期内做出自己的决定。为了提前引导航天器通过一些复杂的东西，比如定位一个特定的特征，程序员必须非常精确地描述这个特征，以及任何可能的变化，以便探测器在旅行中识别。大多数航天器都可以自己做出微小的自主决定——例如，注意到它们正在通过观察恒星偏离轨道，并调整以回到轨道上——但轨道本身是从地面上传。同样，航天器也可以关闭故障部件，但故障排除和重启则留给遥远的人类专家。

这是一张小行星灶神星地形的图片，它是根据美国宇航局“黎明”号宇宙飞船的数据建立的形状模型计算出来的。当航天器访问外星世界和小行星时，它们并不总是能得到关于在那里能找到什么的好数据。图片：NASA/JPL-Caltech/UCLA/MPS/DLR/IDA

但是，研究人员无法解释当到达一个新的小行星或行星时发生的每一件意外事件，如上图所示，或者与另一个航天器对接时发生的情况。我们人类非常善于观察事物，能够辨别事物的本质，换句话说，就是对事物进行分类。如果我们需要穿过这扇门，我们从经验中知道这是一扇门，以及如何穿过它。但如果你试着把这个问题用代码表达出来，它实际上会变成一个非常非常复杂的问题：你必须用代码解释门的意思，所以你可能会把它分解成像边和开口之类的东西，它会变得比你想象的复杂得多。

然而，使用深度学习过程，计算机可以学习如何从训练数据中识别自己的特征。例如研究人员可能会给电脑看很多图片，其中一些图片里有猫，这样电脑就能识别什么时候图片里有猫。这个过程被用于计算机视觉和语音识别，在天文学中，它被用于精确定位外行星，寻找引力波的证据，以及分析扭曲天空的引力透镜。但人类程序员无法窥视并看到计算机在分析中使用了什么特性——例如，只有在有绿色区域的情况下，才能使用图像识别算法识别绵羊。

当应用深度学习时，你并不能真正控制算法提取出来的特征集合，这些特征可能与人类从算法中提取出来的特征不一样。理解这种行为很困难，因为理解这种行为很困难，所以人们会犹豫是否要使用它。当人们发射价值数百万美元的飞船进行开创性的任务时，这种不确定性并不是他们想要的。通常，当航天器的算法被设计出来时，它们会经过非常严格的验证/验证过程，这在本质上是高度确定性的。该领域的工程师习惯于在给定特定输入的情况下对算法的输出进行高度的预测，即使给机器学习算法相同的输入，机器学习算法也会产生相同的输出，如果输入发生了一点变化，那么输出就会变得比行业习惯的更加多变或更加不可预测。

找到一种方法来测试足够多的情况，从而对网络的决策有信心，这是一个关键挑战，而找到足够高质量的训练数据——比如经过处理的真实位置或航天器的图像，或者某天可能特别生成的数据——是另一个挑战。像美国宇航局这样的机构研究人员开始考虑使用机器学习，并且正在研究共享训练数据集。MathWorks的产品MATLAB和Simulink已经用于航天器制导、导航和控制算法。所以增加MATLAB提供的机器学习能力——以及深度学习(这些能力的子集)——是一个自然的扩展。

随着任务变得更加复杂，发射成本降低，预计这种方法会越来越普遍。希望概念的证据来自于创业公司或低成本项目，那些愿意承担更高风险的项目。将开始看到它的原因仅仅是因为人们无法抗拒他们能够实现的性能提升。一旦有了一个低成本的任务，风险就变得值得了诸如立方体卫星之类的小型卫星平台的能力不断增强——其中一些甚至已经进入了深空——是降低成本的一个关键例子。另一件事是，即使是大型科学任务也有越来越复杂、越来越雄心勃勃的普遍趋势。为了实现这些科学目标，可能会看到机器学习算法的部署——可能不是在负责航天器安全的航天器的主要控制器上。

而是在一些较小的科学实验和有效载荷上。这项技术对于这些项目来说是有价值的。很快训练有素的航天器靠近太空中的物体，可能会比遥远的工程师更有优势，即使存在误解的风险。也许你飞过的是一颗行星、一颗小行星、一颗彗星，其中有一个特征可能具有很高的科学价值或商业价值，但为了获得你需要的信息，必须移动航天器或移动摄像机……如果现在不这么做，就会错过它，因为已经飞过了。除非你非常、非常了解你的目标，否则不会得到这些信息。机器学习过程可能在不久的将来某一天会让宇宙飞船在飞行中发现它并得到那个关键的测量。