在機器人探測器能夠降落到遠離人類影響的外星世界並執行其他雄心勃勃的深空壯舉之前，它們的大腦需要升級。深度學習領域（讓計算機學會根據訓練數據識別模式）對於航天器決策來說風險太大。但計算軟件公司MathWorks空間部門經理osaid Ossi Saarela表示，隨著任務變得越來越複雜，以及發射小型航天器的成本降低，這種情況可能會發生改變。對於著陸在行星、小行星和彗星上的物體來說，第一個大問題就是到達它們——考慮到這些物體離我們有多遠以及它們能有多小，需要的導航精度是相當驚人的。
博科園-科學科普：當然，另一個挑戰是，特別是小行星、彗星和行星，通常我們甚至不知道它們是什麼樣子，直到我們到達那裡。因此，這是一個必須解決的挑戰，如果我們要繞著它們飛行，特別是如果我們要嘗試著陸或返回樣本。目前，美國國家航空航天局(NASA)在火星上的機遇號(Opportunity)月球車顯然處於自主節電模式，在這種模式下，它會定期檢查正在進行的大規模火星沙塵暴是否足以讓月球車用太陽能為電池充電，然後與地球r進行通信。
機遇號和大多數漫遊者和航天器一樣，可以通過非常具體的算法，在短期內做出自己的決定。為了提前引導航天器通過一些複雜的東西，比如定位一個特定的特徵，程序員必須非常精確地描述這個特徵，以及任何可能的變化，以便探測器在旅行中識別。大多數航天器都可以自己做出微小的自主決定——例如，注意到它們正在通過觀察恆星偏離軌道，並調整以回到軌道上——但軌道本身是從地面上傳。同樣，航天器也可以關閉故障部件，但故障排除和重啟則留給遙遠的人類專家。
這是一張小行星灶神星地形的圖片，它是根據美國宇航局“黎明”號宇宙飛船的數據建立的形狀模型計算出來的。當航天器訪問外星世界和小行星時，它們並不總是能得到關於在那裡能找到什麼的好數據。圖片：NASA/JPL-Caltech/UCLA/MPS/DLR/IDA
但是，研究人員無法解釋當到達一個新的小行星或行星時發生的每一件意外事件，如上圖所示，或者與另一個航天器對接時發生的情況。我們人類非常善於觀察事物，能夠辨別事物的本質，換句話說，就是對事物進行分類。如果我們需要穿過這扇門，我們從經驗中知道這是一扇門，以及如何穿過它。但如果你試著把這個問題用代碼表達出來，它實際上會變成一個非常非常複雜的問題：你必須用代碼解釋門的意思，所以你可能會把它分解成像邊和開口之類的東西，它會變得比你想象的複雜得多。
然而，使用深度學習過程，計算機可以學習如何從訓練數據中識別自己的特徵。例如研究人員可能會給電腦看很多圖片，其中一些圖片裡有貓，這樣電腦就能識別什麼時候圖片裡有貓。這個過程被用於計算機視覺和語音識別，在天文學中，它被用於精確定位外行星，尋找引力波的證據，以及分析扭曲天空的引力透鏡。但人類程序員無法窺視並看到計算機在分析中使用了什麼特性——例如，只有在有綠色區域的情況下，才能使用圖像識別算法識別綿羊。
當應用深度學習時，你並不能真正控制算法提取出來的特徵集合，這些特徵可能與人類從算法中提取出來的特徵不一樣。理解這種行為很困難，因為理解這種行為很困難，所以人們會猶豫是否要使用它。當人們發射價值數百萬美元的飛船進行開創性的任務時，這種不確定性並不是他們想要的。通常，當航天器的算法被設計出來時，它們會經過非常嚴格的驗證/驗證過程，這在本質上是高度確定性的。該領域的工程師習慣於在給定特定輸入的情況下對算法的輸出進行高度的預測，即使給機器學習算法相同的輸入，機器學習算法也會產生相同的輸出，如果輸入發生了一點變化，那麼輸出就會變得比行業習慣的更加多變或更加不可預測。
找到一種方法來測試足夠多的情況，從而對網絡的決策有信心，這是一個關鍵挑戰，而找到足夠高質量的訓練數據——比如經過處理的真實位置或航天器的圖像，或者某天可能特別生成的數據——是另一個挑戰。像美國宇航局這樣的機構研究人員開始考慮使用機器學習，並且正在研究共享訓練數據集。MathWorks的產品MATLAB和Simulink已經用於航天器制導、導航和控制算法。所以增加MATLAB提供的機器學習能力——以及深度學習(這些能力的子集)——是一個自然的擴展。
隨著任務變得更加複雜，發射成本降低，預計這種方法會越來越普遍。希望概念的證據來自於創業公司或低成本項目，那些願意承擔更高風險的項目。將開始看到它的原因僅僅是因為人們無法抗拒他們能夠實現的性能提升。一旦有了一個低成本的任務，風險就變得值得了諸如立方體衛星之類的小型衛星平臺的能力不斷增強——其中一些甚至已經進入了深空——是降低成本的一個關鍵例子。另一件事是，即使是大型科學任務也有越來越複雜、越來越雄心勃勃的普遍趨勢。為了實現這些科學目標，可能會看到機器學習算法的部署——可能不是在負責航天器安全的航天器的主要控制器上。
而是在一些較小的科學實驗和有效載荷上。這項技術對於這些項目來說是有價值的。很快訓練有素的航天器靠近太空中的物體，可能會比遙遠的工程師更有優勢，即使存在誤解的風險。也許你飛過的是一顆行星、一顆小行星、一顆彗星，其中有一個特徵可能具有很高的科學價值或商業價值，但為了獲得你需要的信息，必須移動航天器或移動攝像機……如果現在不這麼做，就會錯過它，因為已經飛過了。除非你非常、非常瞭解你的目標，否則不會得到這些信息。機器學習過程可能在不久的將來某一天會讓宇宙飛船在飛行中發現它並得到那個關鍵的測量。
博科園-科學科普｜文：Sarah Lewin/Space
博科園-傳遞宇宙科學之美
閱讀更多 博科園 的文章
