酷应用

业界 | 不止无人车，宇宙探测飞船也有智能大脑了

百家作者：大数据文摘 2018-09-16 10:43:51

大数据文摘出品

编译：狗小白、小七、蒋宝尚

1961年4月12日，苏联发射世界上第一艘载人飞船“东方”1号。

1969年7月16日，美国阿波罗11号飞船离开地球，飞往月球。这次登月，宇航员的的一小步，实现了人类太空探索的一大步。

... ...

从第一艘载人航天飞船发射到今天，人类探索太空的脚步从未停止。

为了让人类“走”的更快，无数的组织机构，包括政府等设立了无数的科学项目。

但是，随着太空探索的越来越深入，大科学”项目变得越来越复杂、越来越耗时。

这时，大家开始考虑开始使用机器学习算法，例如，类似于NASA的私营企业和机构的研究者已经开始考虑使用机器学习，并与同业共享训练数据集。

并且在太空船引导、导航和控制算法等领域，已经应用了MathWorks的产品，例如MATLAB和Simulink。加入MATLAB提供的机器学习能力（深度学习又是这些能力中的其中一支）也是意料之中的扩展。

这是一张从形状模型中绘制出的四号小行星地形图，数据来自NASA的黎明号飞船。当太空船飞往外太空和小行星时，它们有时也难以从数据上推测出自己会遇到什么。

机器人探测器要想在远离人类影响的外太空着陆并实现它们的雄心壮志，它们的大脑就需要升级。

采用根据训练数据使电脑辨析模式的深度学习方法，对太空船的行为决策而言风险太高。但计算机软件公司MathWorks的太空部经理Ossi Saarela表示，随着太空任务越来越复杂，发射小型太空船的成本会降低，上述情况也许会发生改变。

Saarela在接受Space网站的采访时说道：“不管是着陆行星、小行星还是彗星，首当其中的重大问题是如何实现高精度的导航，那些星球离我们那么远，又那么小，必须有高精度的导航才能抵达，另一个挑战在于，直到我们在抵达这些星球之前，我们都不知道它们到底什么样子。

因而，如果我们想要绕其飞行，尤其是想要着陆的话，这个问题必须得到解决。”

当前，NASA在火星上漫游的机遇号已经进入了一种自动省电模式，在此期间，机遇号定期检查持续的大型火星尘风暴是否减缓，使其能够用太阳能充电，从而与地球联系上。

机遇号正在对奋进号陨坑的外缘地区进行考察

如同其它漫游者或太空船，遵循在地球上详尽而谨慎测试编写的特定算法，能够在短期内自行决策。为了能预先在一些复杂环境内引导太空船，比如说定位特定特征，工程师们需要精准定义这个特征，包括所有能想到的偏差，从而使漫游者们能够在其旅行中辨析它们。

大部分太空船能够自行做一些小决策，例如，如果它们偏离了轨道，则能够通过观测行星而转向从而回到既定轨道，但轨道本身却是由地球上传上去的。类似地，太空飞船可以关闭故障零件，但是排除故障和修理只能留给人类来处理。

但是如上述提到的着陆行星，或者是与其它太空船对接中发生的任何问题，不能总是依靠远在天边的研究者，Saarela将这些情况比作教太空船如何穿过门。

Saarela说道：“作为人类，我们擅长于分辨看到的事物，或者说，对事物进行归类。如果我们要通过一扇门，我们依靠经验判断这是一扇门，就如何穿过它。

但试图将“穿门”的这个问题以代码的形式阐述给机器，却是非常复杂的。你首先需要以代码形式描述什么是门，可能会将“门”的概念分解为有边框，可以开关之类的，事实上这个过程会比你想象的要复杂得多。”

但通过深度学习过程，计算机可以从训练数据中学习如何分辨特征。例如，研究者可能给计算机显示许多图片，有些是猫的图片，之后计算机就能分辨出哪些图里有猫。

深度学习常用于图像识别和语音识别技术，在天文学上，它可以用来精准定位太阳系外行星，还可以找寻引力波是否存在的证据，也可以用来分析天体扭曲引力透镜效应。

但是人类工程师无法看到计算机分析过程，也不知道计算机分辨时选用的特征是哪些；这就产生了一些问题，比如，图像识别算法只能在图片里有绿色区域识别出羊。

Saarela还介绍道：“应用深度学习技术时，人类无法控制算法里使用的特征群，这些特征可能并非人类会采用的特征，要理解深度学习算法并不容易，也正由于理解它很困难，所以是否使用它还存有疑虑。”

在突破性任务上发射花费几百万美元的太空船，人们可不想有不确定性。

Saarela表示“在设计太空船算法时，它们通常要经过非常严格谨慎的验证过程，这在本质上具有高度确定性，给定特定输入值，在此领域的工程师对他们的算法给出的预测值通常具有高度自信。虽然机器学习算法能够拿着这个输入值给出同样的预测值，但如果这个输入值存在小幅偏差，机器学习算法较之行业惯用的方法，其输出值变化更大，也更难预测。”

找到能够在足够多不同情况下验证深度学习算法的结论的方法已经是一大挑战了，而找到足够多的高质量训练数据（比如说，处理过的真实地点图像、太空船图片，或者也许未来可以是合成数据）又是另一个挑战了。

他还表示，他希望随着太空任务变得越来越复杂，太空船发射成本越来越低，这个方法能够得到更广泛的应用。

他希望这个概念能够从初创项目或者低成本项目，也就是能够承担更高风险的项目中首先收到成效，他还表示人们愿意使用它的原因在于没人能够抵挡它可能带来的收益。如果任务成本较小，承担这样的风险就值得了。

他还表示“在考虑成本风险收益的情况下，这项技术对这些项目已经变得值得一试了，很快，即便有搞错的可能，训练有素的太空船在近距离面对太空事物时会比远在天边的人类工程师更具有优势。”

Saarela认为“如果你正绕行于星球，飞过一颗行星或者彗星时，发现了一个具有重大科研意义或商业价值的特征。但为了得到所需信息，你需要移动太空船或者是改变摄像头位置；而且你必须抓住时机，如果当下不赶紧做，飞离过去就永远错过了，除非你对你的目标非常非常了解，但事实是你根本不知道它。”但机器学习过程在不远的未来也许能够在飞行过程中估算出来那个关键的测量结果。