DAOrayaki DAO研究奖金池：

资助地址:  DAOrayaki.eth

投票进展：DAO Reviewer  1/0 通 过

赏金总量：30 USD

研究种类：Space Exploration, AI

原文作者:  Yaman Saini

创作者：hayyawn@DAOrayaki.org

审核者：Tan Zhi Xuan@DAOrayaki.org

原文:  AI in space exploration

在过去的几十年里，人工智能(AI) 一直在提高我们在地球上的生活水平。但是在我们的星球之外呢？人工智能如何协助太空任务和太空探索？

人工智能协助宇航员和地面作业，成为太空旅行和太空探索的重要组成部分。它有助于执行人类在太空中无法完成的任务，例如分析宇宙事件、系统控制、绘制恒星和黑洞图表等等。

许多公司，如 NASA、谷歌和欧洲航天局 (ESA) 已经在使用人工智能来寻找新的天体，并改善宇航员在太空中的生活。

人工智能在太空探索中的应用

自主漫游车

NASA 的自主漫游车作为最重要的人工智能应用之一。这些漫游车目前在火星表面上漫游。它们需要在没有任务控制的情况下计算出最佳路线，做出决策并避免障碍物。自主漫游车是火星上一些最重要发现的幕后推手。

助手和机器人

神经语言处理 (NLP) 的一个子领域，也就是情感分析（也称为情感 AI 或意见挖掘），是科学家幕后开展的工作，以创建基于智能的助手，在未来的月球、火星等任务中支持宇航员。

情感分析将从评论、论坛、社交媒体等文本数据中提取和识别意见。然后，这些助手将理解和预测成员的需求，同时了解其心理健康和情绪，以便在紧急情况下采取行动。

机器人还可以在物理任务中提供帮助，例如对接、航天器导航等。

智能导航系统

谷歌地图使用像 GPS 这样的导航系统来绘制我们的星球，但是，我们目前还没有类似的工具用于地外物体。如果火星或月球周围没有导航卫星，科学家们不得不发挥创造力。

NASA 的一组研究人员与英特尔合作，于 2018 年开发了一个智能导航系统。该系统使用 AI 探索行星，其模型使用了几次任务中的数百万张照片进行了训练，以创建虚拟月球地图。

卫星数据处理

卫星产生了海量数据。科罗拉多州的太空科技公司 Maxar Technologies 拥有超过 110 PB 的图像数据，每天增加超过 80 TB。人工智能算法有助于有效地处理这些数据。

机器学习算法可以在几秒钟内研究数百万张图像，实时分析变化。使用 AI 自动化地处理这些过程，可以让卫星在传感器检测到特定信号时独立拍摄图像。

英国利兹大学的研究人员分析了欧空局盖亚卫星收集的图像，并将机器学习技术应用于数据，发现了 2000 多颗新的原恒星（Protostar），这些原恒星是在气体和尘埃云中形成的婴儿恒星。

人工智能还可以监测远程卫星的健康、预测其性能和对其出现的问题做出明智的决策。

任务设计和操作

人工智能可以协助太空任务的自动化操作。意大利初创企业 AIKO 开发了 MiRAGE。MiRAGE 是一个用于实现太空任务操作的软件库。这是 ESA 技术转让计划的一部分。

它允许航天器执行自主重新规划，检测内部和外部事件。因此，它可以采取适当的行动，使基于地面的决策不会影响任务目标。

借助人工智能和机器学习，还可以评估操作风险分析，确定安全关键任务。然后，风险缓解系统可以处理来自正常操作和先前性能的大量数据。在训练模型识别风险的分类后，它可以进行实时风险评估。

任务策略

进入、下降和着陆 ( Entry，Descent，Landing，简称为 EDL。) 飞行动力学团队依靠人工智能进行复杂的调度系统和任务规划，以度过毅力号任务期间的“恐惧七分钟”。

科学家和工程师将调度视为人工智能可以提供帮助的东西，因为系统需要复杂的规划，否则需要大量的人力。人工智能可以对航天器进行编程，根据过去的数据和环境，自主决定如何根据特定功能执行命令。

空间碎片位置

ESA 指出，有近 34,000 个大于 4 英寸的物体威胁着现有的空间基础设施。部署在低地球轨道上的卫星可以设计成能以可控方式完全解体，从而防止空间碎片。

还有一种可能是与空间碎片发生碰撞，研究人员正在积极努力防止这种情况发生。这可以通过机器学习技术来设计避免碰撞机动性，或通过训练机器学习模型，并将这些模型传输到轨道上的航天器，以改善决策。

同样，航天器上已经训练过的的网络可以帮助保证太空飞行的安全，使卫星设计更加灵活，同时最大限度地减少轨道碰撞。

数据采集

人工智能自动化将有助于优化从深空探测器、地球观测航天器和漫游车等科学任务收集的大量数据。它还有助于评估这些数据并将其分发给终端用户。

通过在航天器上安装人工智能，将有可能构建数据集和地图，因为人工智能可以从非典型模式中（如火山活动产生的烟雾）找到正常特征（如常见的天气模式）并对其进行分类，而所有的这些都能独立完成。

但是我们如何知道哪些数据集需要发送给终端用户进行处理？人工智能技术可以最大限度地减少或消除不重要的数据，使网络在传输大量数据时能够更高效地工作。

系外行星发现

开普勒望远镜的建造是为了帮助确定围绕类似太阳的恒星运行的地球大小行星的频率，这需要对候选行星进行精确和自动的评估——即使信噪比很低。

谷歌与其他科学家一同，通过开发 AstroNet K2 ，一个卷积神经网络（CNN），绕过了这个限制。这个 CNN 可以确定来自开普勒望远镜的信号是否是真正的凌日系外行星（transiting exoplanet），而不是误报。

在将神经网络模型训练到 98% 的精确度后，他们发现了两颗新的系外行星：Kepler 80g 和 Kepler 90i，它们分别环绕着 Kepler 80 和 Kepler 90 恒星系统。

未来：前往太阳之旅

人工智能为太空探索提供了各种机会，例如美国宇航局的帕克太阳探测器，它将探索太阳的大气日冕，并于 2024 年 12 月进入距离太阳表面 400 万英里的范围内。该探测器可以承受高达 2500 华氏度（或 1370 摄氏度）的温度。它带有一个磁力计和一个成像光谱仪，可以帮助我们了解太阳与太阳系中的行星如何相互作用。这可以让人们了解通常会破坏通信技术的太阳风暴暴。

但这并不是人工智能所能提供的全部帮助。在未来，我们可能会看到基于人工智能的太空助手与宇航员一起在深空探索，或者机器人探索新行星。例如，NASA 与 Space Systems Loral 公司合作，测试人工智能如何帮助到达行星，我们可以期待更多的发现。

参考文献：

1.人工智能：

https://www.aiacceleratorinstitute.com/your-guide-to-artificial-intelligence/

2.智能导航系统：

https://moon.nasa.gov/resources/168/tour-of-the-moon-4k/

3.超过 110 PB 的图像数据：

https://datacenterfrontier.com/terabytes-from-space-satellite-imaging-is-filling-data-centers/

4.发现了 2000 多颗新的原恒星（Protostar）：

https://thenextweb.com/news/scientists-built-an-ai-to-discover-new-stars-in-the-quest-to-explain-our-galaxys-origin

5.34,000 个大于 4 英寸的物体威胁着现有的空间基础设施：

https://www.esa.int/Safety_Security/Space_Debris/Space_debris_by_the_numbers

6.设计避免碰撞机动性：

https://arc.aiaa.org/doi/full/10.2514/1.G005398

7.通过训练机器学习模型，并将这些模型传输到轨道上的航天器：

https://ieeexplore.ieee.org/abstract/document/9250908

8.谷歌与其他科学家一同，通过开发 AstroNet K2 ，一个卷积神经网络（CNN），绕过了这个限制：

https://www.aiacceleratorinstitute.com/understanding-compression-of-convolutional-neural-nets-part-1/

9.探索太阳的大气日冕：

https://blogs.nasa.gov/parkersolarprobe/2022/03/03/telescopes-trained-on-parker-solar-probes-latest-pass-around-the-sun/