人工智能技术在航天装备领域的应用

  大数据 、云计算 、人工智能（artificial intelligence，AI）等高新技术促进了航天事业快速的提升，加速了可回收火箭、智能遥感卫星、新型载人飞船、太空机器人等一系列新型高科技航天装备落地应用 ，初步展现了人工智能技术+航天的时代雏形。自 2006 年深度学习取得突破以来，人工智能因可感知或认知外界环境并产生交互，可自我学习，有望逐步提升航天装备可靠性、快速性及自主性，实现航天活动能力质的飞跃。AI在航天装备领域的应用，涉及运载火箭、卫星、载人飞船、太空态势感知装备等方面。本文重点讨论AI在军事航天装备领域的应用。

  世界各主要强国均大力推进航天装备的智能化战略，人工智能技术在航天装备领域的应用成为国内外研究热点。Gianluca Furano 重点探讨了人工智能技术在遥感、导航以及航天器健康监测等航天装备原位测量中的应用。郝晓龙等分析了智能航天体系的概念内涵及架构。然而，当前研究大多从航天装备的某几个具体应用点展开讨论，从进入太空、利用太空、控制太空维度，系统全方面分析AI在航天装备领域应用的较少。

  本文在简要分析航天装备领域对人工智能技术需求、人工智能技术发展形态趋势以及人工智能航天装备应用发展形态趋势的基础上，对应进入/利用/控制太空，从运载火箭、卫星遥感、卫星通信、载人飞船、太空态势感知等方面，系统研究AI在航天装备领域应用场景，探讨AI在航天装备领域应用发展趋势。

  智能化战争条件下，航天任务复杂度将进一步增加，特别是长时间、远距离探测以及多航天器编队协同等，对航天装备可靠性、快速性及自主性等提出了很高要求。航天装备领域人工智能技术发展需求体现在以下几方面。

  一是运载火箭快速低成本发射的需求。构建快速响应空间体系，要求运载火箭在紧急状况时，不受发射环境影响，快速部署、增强、重构、补充、维护空间系统。借助人工智能技术，实现快速低成本发射，是提高进入空间能力的必然要求。

  二是卫星数据处理和多星编队协同的需求。借助人工智能技术，提高卫星数据利用率和星群自适应能力，是未来卫星在太空环境执行任务的必然要求。

  三是航天员降低人身安全意外风险的需求。借助人工智能技术，实现载人飞船和空间站等的智能决策和控制，是降低载人航天风险的必然要求。

  四是航天器长期可靠运行的需求。复杂航天器是由大量元器件和软件组成，在长时间运行中，难免出现元器件故障和软件不完善，借助人工智能技术，实现航天器智能诊断和维护，是提高航天器可靠性的必然要求。

  五是随着太空微小目标的日渐增多，对现有空间监视系统的探测精度、搜索覆盖率以及探测速度提出了更高的要求。借助人工智能技术，提高探测水平，是提高太空感知能力的要求。

  人工智能概念自 1956 年首次被提出，至今已经历了 3 次发展浪潮，并在自然语言理解、类脑计算、机器学习、人机交互、运动控制等多项关键技术方面取得丰硕成果，并呈现出向自主无人化方向发展、向人机结合方向发展、向分布式群体智能方向发展 、向多语言处理等跨媒体方向发展等态势。

  虽然主流人工智能仍处于依赖大量数据、基于统计方法、适用于特定任务的弱人工智能阶段，但是强人工智能布局已初现端倪。美国国防高级研究计划局（DARPA）于 2018 年启动“下一代人工智能”（AI Next）项目，开启强人工智能探索，计划 5 年内投资 20 亿美元，旨在构建具备自我意识和逻辑推理能力的AI工具。此外，美国等发达国家积极开展类脑科学研究，通过开发类脑新型计算芯片等硬件手段，和使智能计算模型在结构或认知/学习行为上更加类脑等软件手段，推动强人工智能探索。

  主要强国纷纷加强顶层规划，促进AI在航天装备领域应用。美国前国防部代理部长沙纳汉 2019 年强调太空发展局应利用AI机器学习技术发展独立作战能力，建立弹性太空体系架构等 ，而太空司令部2021年则进一步表示将利用人工智能维持“数字优势”，夺取制天权。加拿大2019 年 3 月发布的新版太空战略强调建设基于AI的太空机器人等。日本根据《防卫白皮书》要求，于 2020 年正式建立太空部队，强调利用人工智能技术发展无人装备。

  人工智能技术在航天装备领域预算投入集中在卫星和航天器，以图像处理最为活跃。从AI应用于航天装备领域的技术途径来看，有机器学习、类脑计算、人机交互等，目前以机器学习尤其是深度学习、强化学习为主，且应用最为成熟，可使航天装备从大量原始数据中提取深层次特征，并提升决策能力。类脑计算和人机交互等人工智能关键技术在航天装备领域应用尚处于探索阶段。

  按照进入太空、利用太空和控制太空的维度，人工智能在航天装备领域的应用主要体现在运载火箭、卫星、载人飞船和太空态势感知等方面。

  人工智能技术在运载火箭中的应用包含一次性运载火箭的发射支持、子级落区控制以及重复性运载火箭的着陆相关辅助装备。以日本的“艾普斯龙”（Epsilon）三级固体运载火箭（图 3）的自动发射操作技术和“ 猎鹰 ”-9 火箭的着陆技术为代表。

  日本“艾普斯龙”三级固体运载火箭采用人工智能自动检测技术以及高速网络，提高发射操作自动化水平，大幅缩短火箭发射准备时间，从接到发射命令到完成火箭发射仅需 6 天。其基于人工智能的自动检测技术包括：自动执行程序、判断阈值、记录作业的功能；进行动态模拟数据趋势评价、确定故障部位等的功能。这些技术未来在洲际弹道导弹中也具有潜在的应用价值。此外，也有研究人员基于加法标度的变可信度（variable-fidelity model，VFM）模型和分层 Kriging 模型（Hierarchical Kriging，HK）的气动特性人工智能预测方法，应用于低成本和快速的运载火箭子级栅格舵落区控制中。

  美国 SpaceX 公司在“猎鹰”-9 系列火箭中，利用人工智能强化学习技术和蒙特卡罗方法，结合反馈控制器，指导火箭选择最优弹道方案着陆，完成自动转向等操作，大幅减少了地面专家操控的工作量。研究人员首先设置了一个与“猎鹰”-9 火箭降落环境交互的“代理”，它的初始状态对环境一无所知。初始输入是火箭的水平、垂直速度、角速度以及与垂直轴的夹角等。评估函数是火箭在下落过程是否以垂直姿态、较小速度降落和较小燃料消耗等，还需考虑火箭是否损毁和接近着陆点。通过不断训练迭代约 20 万次，形成高度智能化的控制算法（图 4）。

  此外，美国桑迪亚国家实验室（Sandia）还将人工智能模式识别等技术用于高超声速飞行器的路径规划和飞行控制。

  人工智能技术在卫星中的应用包括卫星图像等数据的智能处理，大幅提高分析速度；卫星通信中智能频谱分配，实现高可靠通信和频谱资源的高效利用；卫星编队协同任务的智能控制，完成复杂航天任务等。

  人工智能对地观测应用涉及光学和合成孔径雷达（synthetic aperture radar，SAR）等多种手段，其中以光学对地观测应用更为普遍。其具体的应用场景包括开发先进图像处理算法，高效分析静态目标；推动对地观测视频分析，快速识别动态目标；探索地面站人机交互，促进流程管理自动化；探索多星协同作业，提升对地观测效率；探索单星原位数据处理，实现智能图像分发等。

  密苏里大学曾于 2017 年基于深度学习算法，45 min 内在 9 万 km2 区域搜索到 90 个地空导弹基地，是传统人类视觉搜索效率的 80 多倍，定位准确度可达 90%，与人工视觉搜索相同 。除深度学习外，类脑计算是AI应用于对地观测的另一项关键技术，具有超低功耗和超低延时特性。美国空军授予 IBM 合同，研发“真北”类脑计算芯片（图 5），可帮助卫星等更智能地识别坦克或防空系统等车辆，而功耗不到原来的 1/5。

  运用人工智能技术直接在太空中对卫星对地观测数据进行原位处理，可以减少传回地面的数据量，降低成本。ESA 于 2020 年 9 月成功发射欧洲首颗对地观测 6U 立方星 Phi-sat-1。该星搭载英特尔Myriad 人工智能视觉处理器（图 6），功耗仅 1 W，基于深度学习算法，可实现在轨数据处理并自动过滤不可用数据。

  NASA 正探索将人工智能技术（包括认知无线电）用于航天器之间以及地面站之间的通信。认知无线电技术，通过感知外界环境、使用人工智能技术从环境中学习，实时改变传输功率、载波频率和调制技术等操作参数，使其内部状态适应接收到的无线信号统计变化，从而实现任何时间、任何地点的高可靠通信以及频谱资源高效利用。其本质即通过频谱感知和系统学习能力，实现动态频谱分配和频谱共享。

  认知无线电无须人类干预即可发现电磁频谱中未得到充分利用部分或者“白空间”向地面传输科学和探索数据。搭载在国际空间站的 NASA 空间通信与导航（SCaN）试验台（图 7）旨在为研究人员在空间环境测试认知无线电提供试验平台。国际空间站目前搭载有各种天线 台软件定义无线电台。

  此外，随着卫星频段的日益拥挤，卫星通信干扰也越来越多。为此，研究人员拟将人工智能用于卫星-地面网络中的移动终端和基站，提出综合运用不同人工智能方法的框架，包括在卫星选择、天线指向和跟踪中，采用无监督学习、深度强化学习（deep reinforcement learning，DRL）和支持向量机（support vector machine，SVM）等。常用的信号探测分类方法包括长短期记忆（long short-term memory，LSTM）和深度神经网络自编码器（DNN AE）等。

  长短期记忆人工智能方法是一种自动实时干扰探测的方法，在历史无异常频谱上进行训练，以预测将要接收的后续信号频谱。随后，基于设计好的度量机制，比较实际接收信号和预测的频谱，以探测异常。深度神经网络自编码器人工智能方法使用无干扰信号对自编码器进行训练，并在无干扰情况下与其他信号进行测试，以获得实际阈值。之后，利用有干扰和无干扰信号间的误差差异来探测干扰。

  AI在导航系统的应用集中体现在对导航频谱信号的监测，以及对干扰欺骗威胁的高效应对。

  使用人工智能的优化全球卫星导航系统（global navigation satellite system，GNSS）频谱监测网络的区块盒（Block-box）项目是欧空局导航创新与支持计划（navigation innovation and support program，NAVISP）下的子项目，基于 GNSS 频谱采样器，利用人工智能和机器学习技术监测和清除信号，其具备调谐、监控和实时信号处理功能，并基于AI算法检测和分类信号，检测系统异常和干扰。该项目主要任务包括基于人工智能的先进信号监测和清除技术；明确用例、环境和业务概念；设计、开发和制作区块盒的模型和软件算法；验证和演示基本功能性能。

  此外，美国陆军授予诺斯罗谱•格鲁曼公司研发合同，利用人工智能和机器学习开发 GPS 威胁探测软件，在对抗战场环境下应对导航系统干扰和欺骗威胁。该软件将部署到各种软件定义无线电和其他类型嵌入式系统上，可快速检测传统上很难观测到的低功耗 GPS 威胁并对其进行分类。目前该技术已在美国陆军地面车辆上进行了现场演示，展示了威胁检测方面的重大改进。

  这种 GPS 威胁探测软件扫描射频信号环境，使用机器学习在海量数据中搜索威胁特征。一旦检测到并识别出威胁，威胁检测器将与更大的用户网络共享其了解到的威胁类型和位置，然后用户可以决定如何对威胁作出反应。该算法还使用威胁数据自动更新自己的已知威胁列表，以便在射频环境的后续扫描中查找，支持现场快速修改、重新训练和重新部署。

  作为人工智能领域的分支之一，群体运动控制集人工智能感知、决策和反馈于一体，联合多个具有有限传感能力的个体，实现整体智能的突破，主要应用于机器人和无人系统。群体控制可使星座或编队实现自主运行，建立起自控的协同分工体系，充分发挥群体的互补优势，大幅度提高任务执行效率。

  DARPA 的“ 黑杰克 ”（Blackjack）卫星星座 ，由90～100 颗卫星组成，旨在研发具有较低尺寸、质量、功耗及成本的低轨军事通信与监视卫星。每颗卫星均配有名为“赌场老板”（Pit Boss）的人工智能系统，内含高速处理器和加密装置，可用作通用的网络和电气接口，并提供任务层面的自主功能，可实现星座级和节点级指挥与控制、健康监测与修复 、星间和星内数据管理以及在轨资源调度等（图8）。

  人工智能技术在载人航天领域的应用，可有效降低航天员的人身风险，为空间任务提供极大的便利，集中体现在宇航员的交互伴侣及载人飞船的自主控制 。

  世界上首款人工智能宇航员“西蒙 ”-1（CIMON-1）于 2018 年由“猎鹰”-9 火箭送入国际空间站，用作宇航员的交互式移动伴侣。CIMON 是一个无手脚的圆形机器人（图 9），其麦克风和摄像机可识别宇航员声音和面部表情，与任何唤其名字的宇航员进行语音交互，并辅助宇航员进行科学实验。“西蒙”-2 于 2019 年飞往国际空间站，在“西蒙”-1 基础上进行了多项改进，具有更灵敏的对讲器、更先进的定位能力、更稳定的应用程序和更先进的人工智能算法，寿命延长至 3 年。“西蒙”-2 采用的人工智能技术可分析语调变化，评估航天员的情绪并作出合适反应，未来可用于陪伴航天员。

  军事空间站依然是人工智能在载人航天领域的应用重点 。美国国防部国防创新单元（defense innovation unit，DIU）于 2019 年启动研发“轨道前哨”小型低轨自主军事空间站。

  该空间站利用人工智能自主控制技术，可实施自主在轨维护、轨道转移和运行控制，利用机械臂和标准化接口实施在轨装配，还可与其他模块化“前哨”临时或永久连接，最终扩大作战人员活动范围。该空间站容积 1 m3，最多可载 1 人，载荷 80 kg，持续供电系统功率 1 kW，通信速率 100 kb/s，气压0～101 kPa 之间可调。

  对于长期生活在空间站的航天员来说，长期微重力环境会对航天员肌肉组织和骨骼组织造成伤害，导致骨质流失和肌肉萎缩等症状。可使用基于脑机交互和肌电图结合的人体外骨骼装置，帮助航天员进行恢复训练。

  美国空军授予 Stottler Henke 公司研发合同，利用人工智能技术开发出先进算法（图 11），提高空间监视网络（space surveillance network，SSN）的性能，包括提高基于越来越多互补跟踪的空间目录的准确性，提升实时变化响应度，以及通过有效利用传感器，更高效地跟踪低地球轨道上的小碎片、更有效地处理日益增多的检测对象和新型传感器，并利用改进的通信和控制技术实现 SSN 调度的全球优化。

  此外，美国空军太空及导弹系统中心于 2019 年授予弹弓航天（Slingshot Aerospace）研发合同，研发“轨道神”（Orbital Atlas）预测性太空态势感知软件，应用人工智能技术对来自卫星等平台的数据来进行分析，使作战人员从关注太空目录维护的传统太空态势感知解脱出来，有更多精力注重战术层面、更具预测性的解决方案。软件可提供每一个围绕地球的太空目标的细节信息，并充当一个预测性引擎，将机器学习用于海量的太空观察数据以及其他的背景数据流，如天气数据等。该系统可描绘数据特征，可预测事件、碰撞及碎片轨道等。

  美军已明确将“下一代太空体系架构”作为未来联合全域作战的指控中枢，可以预见，未来太空对抗将日益白热化。各主要军事强国将着力推动人工智能航天装备的应用向强对抗方向发展。人工智能强化学习等技术在运载火箭的应用，将进一步降低进入太空的成本和时间间隔，在己方太空装备遭受攻击时，可快速补充力量，增强太空对抗体系弹性；人工智能深度学习、类脑计算、人机交互、群体运动控制等技术在遥感、通信、导航卫星以及星群的应用，将进一步提高卫星数据处理速度、战区情报实时投送能力，增强运行链路抗欺骗和抗干扰能力；人工智能人机交互、自主控制等技术在军事空间站的应用，将使太空对抗具备天基指挥中枢；美军积极推动人工智能机器学习等技术在太空态势感知方面的应用，将使太空域日益成为各强国军事对抗的焦点。

  当前人工智能在航天装备应用的技术途径主要以机器学习，尤其是深度学习为主。在技术上存在如数据依赖性强、算力依赖性强、可解释性差、易受电子欺骗等难点，主流人工智能仍处于弱人工智能阶段，尚不具有知觉和自主意识。而强人工智能，又名通用人工智能，是达到人类水平的、能够自适应地应对外界环境挑战的、具有自我意识和思维能力的人工智能。DARPA 于 2018 年启动“下一代人工智能”（AI Next）计划，开启强人工智能探索序幕，并拟在 5 年内投资 20 亿美元。未来，以类脑智能等为代表的强人工智能探索将在航天装备中得到广泛应用，并具备小样本、抗欺骗和可解释等特征。

  未来人工智能在航天装备的应用将向集群化和人机混合化方向发展，以最大程度发挥智能化航天装备的作战效能。一是美国加快研发“黑杰克”等基于AI的低轨小卫星星座，支撑下一代太空体系架构，通过把复杂大卫星功能化整为零，实现太空作战能力跃升和体系增强，满足未来全域战和马赛克战等需求。同时星上认知与自主决策能力也将进一步提高，实现深度学习在轨应用、强化学习在轨进化控制决策，为航天群智能的个体智能实现奠定基础。二是以人机交互、人机协同等“人在回路”的人机混合智能将更广泛应用于航天装备，类似“轨道前哨”军事空间站的航天装备，未来将充分的发挥人对不确定问题的高级认知机制和机器智能的各自优势，形成增强智能形态，进一步发挥航天装备效能，构建天地一体，全域联合的作战体系。

  AI在航天装备领域的应用将构建精确、快速、可靠、弹性且低成本的天基对抗体系，将更好地适应未来体系化、信息化、智能化战争，尤其是联合全域一体化作战要求。当前，AI在航天装备领域的应用仍然存在数据依赖性强、可解释性差、抗欺骗性弱等技术问题，以及数据共享等应用问题。未来随着以自我意识和思维能力为特征的强人工智能相关技术的不断取得突破，以及数据战略、云战略等政策的实施，AI在航天装备中的应用范围将越来越广，并向强对抗方向演进，并呈现星座集群和人机混合等特征。