文章发表于2024-12-10 09:50:43，归属【科技前沿】分类，已有118人阅读
太空探索是人类最伟大的事业之一，它源于人类的好奇心以及对地球之外知识的探索欲。美国国家航空航天局（NASA）的 “毅力号” 火星车安全着陆，这是人类好奇心和技术进步的最新重大成果，标志着在火星上寻找生命迹象这一宏大任务的开始。“毅力号” 的任务是收集土壤和岩石样本，以便后续研究是否有生命迹象。除了采集岩石样本，火星车还为我们提供了这颗红色星球的新图像，以及有史以来第一段火星的视频和音频记录。
“毅力号” 在火星上并不孤单。与它一起的还有被送往另一颗行星的第一架直升机 ——“机智号”。这架重 4 磅、大小如纸巾盒的直升机在太空探索中也迈出了一大步。除了是在另一颗行星上进行的首次空中飞行外，“机智号” 还是第一架在另一颗行星上尝试受控飞行的飞行器。考虑到火星稀薄的大气和严寒的条件，这是极其困难的。这架直升机是一项创新实验，但如果它成功了，将会为未来火星探索中的其他先进机器人飞行器开启一个新的空中探索维度，这些飞行器能够到达火星车难以抵达或者轨道飞行器因距离过远而无法触及的区域。“毅力号” 和 “机智号” 在整个任务过程中都使用人工智能，从而成功着陆，使工程师能够远程瞄准和控制火星车的化学相机，并实现自主导航。
太空探索为何需要人工智能？
在过去的 60 年里，NASA 一直在制造性能强大的航天器，这些航天器几乎访问了太阳系中的所有主要天体，并在星际空间开拓新的领域。
然而，过去的太空探索并不总是包含智能机器。实际上，首次将人类送上月球的阿波罗任务能够成功着陆得益于Neil Armstrong的驾驶能力，他手动操控了航天器。另一个例子是 “好奇号” 火星车，它是性能最强大的太空机器之一，但它是由地球上的任务控制室里的人员进行远程操作的。
尽管过去有人工操作的太空机器，但它们无法满足未来任务的规模需求。Shreyansh解释说：“未来的航天器越来越需要具备自主性、自我感知能力，并能够自行做出关键决策。” 这主要有两个因素。第一个因素是深空通信和关键任务（特别是涉及太阳系外行星的任务）的困难。由于距离遥远且无线电信号带宽有限，探索遥远行星的唯一方法是派遣完全自主的机器人。第二个因素是可扩展性。未来的任务将需要更多的卫星和太空设备，这将需要 100 多名工程师和科学家从地球进行远程控制。如果我们想要扩大太空经济，我们的太空设备就需要能够自我维持。人工智能是实现这两个因素的关键要素。
Shreyansh概述了未来机器人任务中需要人工智能驱动的太空探索的几个关键能力，例如自主导航、自主科学和任务操作、调度与规划、精确着陆、自主操作以及未来的人机团队任务。太空探索中除了机器人技术和自动化领域之外，还有许多其他人工智能应用，但这些不在Shreyansh的工作范围之内。在他的演讲中，他重点介绍了人工智能在自主导航中的应用。
NASA 自主导航中的人工智能
为了让火星车在火星表面安全导航，NASA 使用地表或轨道图像。人类操作员利用几何和纹理信息来评估地形的安全性。
相比之下，不同类型的 NASA 导航软件要么只使用几何信息，要么只使用地形信息，这无法提供完整的地形纹理信息。这导致在之前的火星任务中火星车被困在沙地中。
Shreyansh解释说，为了解决这个导航障碍，NASA 创建了 SPOC—— 一种基于深度学习的火星车地形分类器。SPOC 能够根据纹理特征分辨图像中的地形类型。他们开发了两种版本的 SPOC 算法 —— 一种使用火星车图像，另一种使用轨道图像。
有了 SPOC，NASA 试图让算法具备类似人类的能力，能够根据地形和地形类型评估火星车行驶的可通行性和安全性。
在火星环境中训练深度学习模型的挑战和解决方案
得益于计算机视觉、深度学习和人工智能的持续发展，NASA 在太空探索任务中取得了巨大进步。然而，Shreyansh指出，将深度学习模型和神经网络应用于火星环境面临着一系列巨大的挑战，例如数据可用性、星载计算能力严重受限以及系统验证以获取信任。
为了获取用于训练和迁移学习的数据集，他们请火星车任务中的火星车驾驶员和科学家用高质量的标签标注少量数据。为了扩充标注数据，他们利用互联网社区的免费众包发起了 AI4Mars 公民科学项目，使用一个基于网络的工具来标注 “好奇号” 的图像。为了克服人们知识不足以及标注数据存在噪声这一额外挑战，他们开发了一个包含 10 多种语言的工作坊式教程和互动工具。
此外，他们还研究了高保真模拟和生成合成数据这一快速发展的领域，以改进他们的深度学习流程。基于这种方法，他们成功创建了 SPOC 分类器来划分火星地形类型。
为了应对计算能力有限的挑战，他们在一辆测试火星车上部署了 SPOC - lite 算法并进行了测试。SPOC - lite 能够轻松地从岩石表面中识别出沙地表面。
Shreyansh强调，系统集成和端到端验证的第三个挑战在数据科学和机器学习领域最容易被忽视，但在像航天器这样高度复杂的安全关键型信息 - 物理系统中却尤为重要。深度学习算法和神经网络模型对火星车的训练很有帮助，但它们本质上是 “黑箱”，这在模型验证和性能评估方面是一个主要障碍。当火星车发射到太空后，如果出现问题，他们无法进行修复。由于他们的机器学习系统部署必须一次成功，这就需要进行详尽的系统集成、验证和测试工作，包括创建火星上可能出现的各种场景并进行大量测试。
未来 NASA 的人工智能驱动任务
将 “毅力号” 和 “机智号” 送往火星是 NASA 和人工智能领域的巨大成就。未来，NASA 计划向月球、火星以及更远的地方发送类似的火星车。Shreyansh表示，未来几十年的机器人太空探索将涉及外行星及其卫星。
为了为计划中的木卫二（木星的卫星）任务做准备，NASA 一直在研发能够学会在其冰冻表面行走、滑雪、驾驶以及在海洋中潜水以寻找生命迹象的机器人。这些机器人必须完全自主，并且能够在数小时内不依赖人类干预。另外一个挑战是该环境未知的地下状况。Shreyansh补充说：“这是本世纪人工智能和机器人技术面临的最大挑战之一。”
对于未来的火星任务，下一个目标是探索那些最有可能建立人类殖民地的洞穴。为了培养在陡坡上导航的能力，NASA 一直在研发能够攀爬几乎垂直坡面的 LEMUR 机器人。
展望未来，NASA 最令人兴奋的任务之一将是人工智能驱动的人类探索，人类和机器人将一起执行探索任务。所以，对于Shreyansh和他的团队来说，下一个里程碑将是探索如何实现人类火星探索以及人工智能在其中（特别是在人机团队的背景下）将发挥的作用。