人工智能技術在航天裝備領域應用探討 *

姚保寅，毛磊，王智斌

（航天科工集團智能科技研究院有限公司，北京 100041）

0 引言

大數據、云計算、人工智能（artificial intelligence，AI）等高新技術促進了航天事業飛速發展，加速了可回收火箭、智能遙感衛星、新型載人飛船、太空機器人等一系列新型高科技航天裝備落地應用，初步展現了人工智能技術+航天的時代雛形［1-6］。自2006 年深度學習取得突破以來，人工智能因可感知或認知外界環境并產生交互，可自我學習，有望進一步提升航天裝備可靠性、快速性及自主性，實現航天活動能力質的飛躍［7-8］。人工智能在航天裝備領域的應用，涉及運載火箭、衛星、載人飛船、太空態勢感知裝備等方面［9-12］。本文重點討論人工智能在軍事航天裝備領域的應用。

世界各主要強國均大力推進航天裝備的智能化戰略，人工智能技術在航天裝備領域的應用成為國內外研究熱點。Gianluca Furano 重點探討了人工智能技術在遙感、導航以及航天器健康監測等航天裝備原位測量中的應用［13］。郝曉龍等分析了智能航天體系的概念內涵及架構［14］。然而，當前研究大多從航天裝備的某幾個具體應用點展開討論，從進入太空、利用太空、控制太空維度，系統全面分析人工智能在航天裝備領域應用的較少。

本文在簡要分析航天裝備領域對人工智能技術需求、人工智能技術發展態勢以及人工智能航天裝備應用發展態勢的基礎上，對應進入/利用/控制太空，從運載火箭、衛星遙感、衛星通信、載人飛船、太空態勢感知等方面，系統研究人工智能在航天裝備領域應用場景，探討人工智能在航天裝備領域應用發展趨勢。

1 需求分析

智能化戰爭條件下，航天任務復雜度將進一步增加，特別是長時間、遠距離探測以及多航天器編隊協同等，對航天裝備可靠性、快速性及自主性等提出了很高要求。航天裝備領域人工智能技術發展需求體現在以下幾方面（圖1）。

圖1 人工智能航天裝備領域應用的需求分析Fig. 1 Demand analysis of AI applications in space equipment

一是運載火箭快速低成本發射的需求。構建快速響應空間體系，要求運載火箭在緊急情況時，不受發射環境影響，快速部署、增強、重構、補充、維護空間系統。借助人工智能技術，實現快速低成本發射，是提高進入空間能力的必然要求。二是衛星數據處理和多星編隊協同的需求。借助人工智能技術，提高衛星數據利用率和星群自適應能力，是未來衛星在太空環境執行任務的必然要求。三是航天員降低人身安全意外風險的需求。借助人工智能技術，實現載人飛船和空間站等的智能決策和控制，是降低載人航天風險的必然要求。四是航天器長期可靠運行的需求。復雜航天器是由大量元器件和軟件組成，在長期運行中，難免出現元器件故障和軟件不完善，借助人工智能技術，實現航天器智能診斷和維護，是提高航天器可靠性的必然要求。五是隨著太空微小目標的日漸增多，對現有空間監視系統的探測精度、搜索覆蓋率以及探測速度提出了更高的要求。借助人工智能技術，提高探測水平，是提高太空感知能力的要求。

2 發展態勢

2.1 技術發展態勢

人工智能概念自1956 年首次被提出，至今已經歷了3 次發展浪潮，并在自然語言理解、類腦計算、機器學習、人機交互、運動控制等多項關鍵技術方面取得豐碩成果，并呈現出向自主無人化方向發展、向人機結合方向發展、向分布式群體智能方向發展、向多語言處理等跨媒體方向發展等態勢［15］。

雖然主流人工智能仍處于依賴大量數據、基于統計方法、適用于特定任務的弱人工智能階段，但是強人工智能布局已初現端倪。美國國防高級研究計劃局（DARPA）于2018 年啟動“下一代人工智能”（AI Next）項目，開啟強人工智能探索，計劃5 年內投資20 億美元，旨在構建具備自我意識和邏輯推理能力的人工智能工具［16］。此外，美國等發達國家積極開展類腦科學研究，通過開發類腦新型計算芯片等硬件手段，和使智能計算模型在結構或認知/學習行為上更加類腦等軟件手段，推動強人工智能探索。

2.2 應用發展態勢

主要強國紛紛加強頂層規劃，促進人工智能在航天裝備領域應用［17］。美國前國防部代理部長沙納漢2019 年強調太空發展局應利用人工智能機器學習技術發展獨立作戰能力，建立彈性太空體系架構等［18］，而太空司令部2021 年則進一步表示將利用人工智能維持“數字優勢”，奪取制天權［19］。加拿大2019 年3 月發布的新版太空戰略強調建設基于人工智能的太空機器人等［20］。日本根據《防衛白皮書》要求，于2020 年正式建立太空部隊，強調利用人工智能技術發展無人裝備［21］。

人工智能技術在航天裝備領域預算投入集中在衛星和航天器，以圖像處理最為活躍。從人工智能應用于航天裝備領域的技術途徑來看，有機器學習、類腦計算、人機交互等，目前以機器學習尤其是深度學習、強化學習為主，且應用最為成熟，可使航天裝備從大量原始數據中提取深層次特征，并提升決策能力。類腦計算［22-23］和人機交互等人工智能關鍵技術在航天裝備領域應用尚處于探索階段。

3 典型應用場景

按照進入太空、利用太空和控制太空的維度，人工智能在航天裝備領域的應用主要體現在運載火箭、衛星、載人飛船和太空態勢感知等方面（圖2）。

圖2 人工智能技術在航天裝備領域應用體系Fig. 2 Application architecture of AI in space equipment

3.1 人工智能在運載火箭領域的應用

人工智能技術在運載火箭中的應用包含一次性運載火箭的發射支持、子級落區控制［24］以及重復性運載火箭的著陸相關輔助裝備。以日本的“艾普斯龍”（Epsilon）三級固體運載火箭［25］（圖3）的自動發射操作技術和“獵鷹”-9 火箭的著陸技術為代表。

圖3 “艾普斯龍”自動/自主檢測系統Fig. 3 Automatic/autonomous checking system of Epsilon rocket

3.1.1 一次性運載火箭的快速發射

日本“艾普斯龍”三級固體運載火箭采用人工智能自動檢測技術以及高速網絡，提高發射操作自動化水平，大幅縮短火箭發射準備時間，從接到發射命令到完成火箭發射僅需6 天。其基于人工智能的自動檢測技術包括：自動執行程序、判斷閾值、記錄作業的功能；進行動態模擬數據趨勢評價、確定故障部位等的功能。這些技術未來在洲際彈道導彈中也具有潛在的應用價值。

此外，也有研究人員基于加法標度的變可信度（variable-fidelity model，VFM）模型和分層Kriging 模型（Hierarchical Kriging，HK）的氣動特性人工智能預測方法，應用于低成本和快速的運載火箭子級柵格舵落區控制中［26-27］。

3.1.2 重復性運載火箭的自主降落

美國SpaceX 公司在“獵鷹”-9 系列火箭中，利用人工智能強化學習技術和蒙特卡羅方法，結合反饋控制器，指導火箭選擇最優彈道方案著陸，完成自動轉向等操作，大幅減少了地面專家操控的工作量。

研究人員首先設置了一個與“獵鷹”-9 火箭降落環境交互的“代理”，它的初始狀態對環境一無所知。初始輸入是火箭的水平、垂直速度、角速度以及與垂直軸的夾角等。評估函數是火箭在下落過程是否以垂直姿態、較小速度降落和較小燃料消耗等，還需考慮火箭是否損毀和接近著陸點。通過不斷訓練迭代約20 萬次，形成高度智能化的控制算法（圖4）。

圖4 “獵鷹”-9 系列火箭應用強化學習技術實現著陸智能控制Fig. 4 Reinforcement learning for SpaceX’s self-landing rocket Falcon 9

此外，美國桑迪亞國家實驗室（Sandia）還將人工智能模式識別等技術用于高超聲速飛行器的路徑規劃和飛行控制。

3.2 人工智能在衛星中的應用

人工智能技術在衛星中的應用包括衛星圖像等數據的智能處理，大幅提高分析速度；衛星通信中智能頻譜分配，實現高可靠通信和頻譜資源的高效利用；衛星編隊協同任務的智能控制，完成復雜航天任務等。

3.2.1 對地觀測數據的快速處理

人工智能對地觀測應用涉及光學和合成孔徑雷達（synthetic aperture radar，SAR）等多種手段，其中以光學對地觀測應用更為普遍［3-4，28-30］。其具體的應用場景包括開發先進圖像處理算法，高效分析靜態目標；推動對地觀測視頻分析，快速識別動態目標；探索地面站人機交互［31-32］，促進流程管理自動化；探索多星協同作業，提升對地觀測效率；探索單星原位數據處理，實現智能圖像分發等［5］。

密蘇里大學曾于2017 年基于深度學習算法，45 min 內在9 萬km2區域搜索到90 個地空導彈基地，是傳統人類視覺搜索效率的80 多倍，定位準確度可達90%，與人工視覺搜索相同。除深度學習外，類腦計算是人工智能應用于對地觀測的另一項關鍵技術，具有超低功耗和超低延時特性。美國空軍授予IBM 合同，研發“真北”類腦計算芯片（圖5），可幫助衛星等更智能地識別坦克或防空系統等車輛，而功耗不到原來的1/5［33-35］。

圖5 “真北”類腦芯片及其組成的系統Fig. 5 Brain-like TrueNorth chip and its system

運用人工智能技術直接在太空中對衛星對地觀測數據進行原位處理，可以減少傳回地面的數據量，降低成本。ESA 于2020 年9 月成功發射歐洲首顆對地觀測6U 立方星Phi-sat-1。該星搭載英特爾Myriad 人工智能視覺處理器（圖6），功耗僅1 W，基于深度學習算法，可實現在軌數據處理并自動過濾不可用數據。

圖6 英特爾Myriad 人工智能視覺處理器Fig. 6 Intel Myriad vision processing unit using AI

3.2.2 衛星通信的智能頻譜分配及抗干擾

NASA 正探索將人工智能技術（包括認知無線電）用于航天器之間以及地面站之間的通信。認知無線電技術，通過感知外界環境、使用人工智能技術從環境中學習，實時改變傳輸功率、載波頻率和調制技術等操作參數，使其內部狀態適應接收到的無線信號統計變化，從而實現任何時間、任何地點的高可靠通信以及頻譜資源高效利用。其本質即通過頻譜感知和系統學習能力，實現動態頻譜分配和頻譜共享。

認知無線電無須人類干預即可發現電磁頻譜中未得到充分利用部分或者“白空間”向地面傳輸科學和探索數據。搭載在國際空間站的NASA 空間通信與導航（SCaN）試驗臺（圖7）旨在為研究人員在空間環境測試認知無線電提供試驗平臺。國際空間站目前搭載有各種天線、設備儀器以及3 臺軟件定義無線電臺。

圖7 NASA 空間通信與導航（SCaN）試驗臺Fig. 7 Space communications and navigation （SCAN）testbed of NASA

此外，隨著衛星頻段的日益擁擠，衛星通信干擾也越來越多。為此，研究人員擬將人工智能用于衛星-地面網絡中的移動終端和基站，提出綜合運用不同人工智能方法的框架，包括在衛星選擇、天線指向和跟蹤中，采用無監督學習、深度強化學習（deep reinforcement learning，DRL）和 支 持 向 量 機（support vector machine，SVM）等。常用的信號探測分類方法包括長短期記憶（long short-term memory，LSTM）和深度神經網絡自編碼器（DNN AE）等。

長短期記憶［36-37］人工智能方法是一種自動實時干擾探測的方法，在歷史無異常頻譜上進行訓練，以預測將要接收的后續信號頻譜。隨后，基于設計好的度量機制，比較實際接收信號和預測的頻譜，以探測異常。

深度神經網絡自編碼器人工智能方法使用無干擾信號對自編碼器進行訓練，并在無干擾情況下與其他信號進行測試，以獲得實際閾值。之后，利用有干擾和無干擾信號間的誤差差異來探測干擾［38］。

3.2.3 衛星導航系統的頻譜監測和威脅探測

人工智能在導航系統的應用集中體現在對導航頻譜信號的監測，以及對干擾欺騙威脅的高效應對。

使用人工智能的優化全球衛星導航系統（global navigation satellite system，GNSS）頻譜監測網絡的區塊盒（Block-box）項目是歐空局導航創新與支持計劃（navigation innovation and support program，NAVISP）下的子項目，基于GNSS 頻譜采樣器，利用人工智能和機器學習技術監測和清除信號，其具備調諧、監控和實時信號處理功能，并基于人工智能算法檢測和分類信號，檢測系統異常和干擾。該項目主要任務包括基于人工智能的先進信號監測和清除技術；明確用例、環境和業務概念；設計、開發和制作區塊盒的模型和軟件算法；驗證和演示基本功能性能。

此外，美國陸軍授予諾斯羅譜·格魯曼公司研發合同，利用人工智能和機器學習開發GPS 威脅探測軟件，在對抗戰場環境下應對導航系統干擾和欺騙威脅。該軟件將部署到各種軟件定義無線電和其他類型嵌入式系統上，可快速檢測傳統上很難觀測到的低功耗GPS 威脅并對其進行分類。目前該技術已在美國陸軍地面車輛上進行了現場演示，展示了威脅檢測方面的重大改進。

這種GPS 威脅探測軟件掃描射頻信號環境，使用機器學習在海量數據中搜索威脅特征。一旦檢測到并識別出威脅，威脅檢測器將與更大的用戶網絡共享其了解到的威脅類型和位置，然后用戶可以決定如何對威脅作出反應。該算法還使用威脅數據自動更新自己的已知威脅列表，以便在射頻環境的后續掃描中查找，支持現場快速修改、重新訓練和重新部署。

3.2.4 衛星編隊飛行的集群控制

作為人工智能領域的分支之一，群體運動控制集人工智能感知、決策和反饋于一體，聯合多個具有有限傳感能力的個體，實現整體智能的突破，主要應用于機器人和無人系統。群體控制可使星座或編隊實現自主運行，建立起自控的協同分工體系，充分發揮群體的互補優勢，大幅提高任務執行效率［39-40］。

DARPA 的“黑杰克”（Blackjack）衛星星座，由90～100 顆衛星組成，旨在研發具有較低尺寸、質量、功耗及成本的低軌軍事通信與監視衛星。每顆衛星均配有名為“賭場老板”（Pit Boss）的人工智能系統，內含高速處理器和加密裝置，可用作通用的網絡和電氣接口，并提供任務層面的自主功能，可實現星座級和節點級指揮與控制、健康監測與修復、星間和星內數據管理以及在軌資源調度等（圖8）［41-42］。

圖8 Pit Boss 人工智能系統用于“黑杰克”低軌衛星星座集群控制Fig. 8 Pit Boss in Blackjack program for low-earth-orbit satellite constellation control

3.3 人工智能在載人飛船中的應用

人工智能技術在載人航天領域的應用，可有效降低航天員的人身風險，為空間任務提供極大的便利，集中體現在宇航員的交互伴侶及載人飛船的自主控制［43-44］。

世界上首款人工智能宇航員“ 西蒙”-1（CIMON-1）于2018 年由“獵鷹”-9 火箭送入國際空間站，用作宇航員的交互式移動伴侶。CIMON 是一個無手腳的圓形機器人（圖9），其麥克風和攝像機可識別宇航員聲音和面部表情，與任何喚其名字的宇航員進行語音交互，并輔助宇航員進行科學實驗。“西蒙”-2 于2019 年飛往國際空間站，在“西蒙”-1 基礎上進行了多項改進，具有更靈敏的對講器、更先進的定位能力、更穩定的應用程序和更先進的人工智能算法，壽命延長至3 年。“西蒙”-2 采用的人工智能技術可分析語調變化，評估航天員的情緒并作出合適反應，未來可用于陪伴航天員。

圖9 首款人工智能宇航員“西蒙”-1Fig. 9 The first AI astronaut CIMON-1

軍事空間站依然是人工智能在載人航天領域的應用重點。美國國防部國防創新單元（defense innovation unit，DIU）于2019 年啟動研發“軌道前哨”小型低軌自主軍事空間站（圖10）。

圖10 美國防部提出的低軌小型軍事自主空間站概念圖Fig. 10 Self-contained and free-flying orbital outpost proposed by the Department of Defense，the United States

該空間站利用人工智能自主控制技術，可實施自主在軌維護、軌道轉移和運行控制，利用機械臂和標準化接口實施在軌裝配，還可與其他模塊化“前哨”臨時或永久連接，最終擴大作戰人員活動范圍。該空間站容積1 m3，最多可載1 人，載荷80 kg，持續供電系統功率1 kW，通信速率100 kb/s，氣壓0～101 kPa 之間可調。

對于長期生活在空間站的航天員來說，長期微重力環境會對航天員肌肉組織和骨骼組織造成傷害，導致骨質流失和肌肉萎縮等癥狀。可使用基于腦機交互和肌電圖結合的人體外骨骼裝置，幫助航天員進行恢復訓練。

3.4 人工智能在空間態勢感知領域的應用

人工智能技術可用于空間監視網絡，提高態勢感知能力。

美國空軍授予Stottler Henke 公司研發合同，利用人工智能技術開發出先進算法（圖11），提高空間監視網絡（space surveillance network，SSN）的性能，包括提高基于越來越多互補跟蹤的空間目錄的準確性，提升實時變化響應度，以及通過有效利用傳感器，更高效地跟蹤低地球軌道上的小碎片、更有效地處理日益增多的檢測對象和新型傳感器，并利用改進的通信和控制技術實現SSN 調度的全球優化。

圖11 基于人工智能的天基監視網絡調度算法架構Fig. 11 Allocation algorithm of space surveillance network

此外，美國空軍太空及導彈系統中心于2019 年授予彈弓航天（Slingshot Aerospace）研發合同，研發“軌道神”（Orbital Atlas）預測性太空態勢感知軟件，應用人工智能技術對來自衛星等平臺的數據進行分析，使作戰人員從關注太空目錄維護的傳統太空態勢感知解脫出來，有更多精力注重戰術層面、更具預測性的解決方案。軟件可提供每一個圍繞地球的太空目標的細節信息，并充當一個預測性引擎，將機器學習用于海量的太空觀察數據以及其他的背景數據流，如天氣數據等。該系統可描繪數據特征，可預測事件、碰撞及碎片軌道等。

4 發展展望

4.1 向強太空對抗方向發展

美軍已明確將“下一代太空體系架構”作為未來聯合全域作戰的指控中樞，可以預見，未來太空對抗將日益白熱化。各主要軍事強國將著力推動人工智能航天裝備的應用向強對抗方向發展。人工智能強化學習等技術在運載火箭的應用，將進一步降低進入太空的成本和時間間隔，在己方太空裝備遭受攻擊時，可快速補充力量，增強太空對抗體系彈性；人工智能深度學習、類腦計算、人機交互、群體運動控制等技術在遙感、通信、導航衛星以及星群的應用，將進一步提高衛星數據處理速度、戰區情報實時投送能力，增強運行鏈路抗欺騙和抗干擾能力；人工智能人機交互、自主控制等技術在軍事空間站的應用，將使太空對抗具備天基指揮中樞；美軍積極推動人工智能機器學習等技術在太空態勢感知方面的應用，將使太空域日益成為各強國軍事對抗的焦點。

4.2 向強人工智能方向發展

當前人工智能在航天裝備應用的技術途徑主要以機器學習，尤其是深度學習為主。在技術上存在如數據依賴性強、算力依賴性強、可解釋性差、易受電子欺騙等難點，主流人工智能仍處于弱人工智能階段，尚不具有知覺和自主意識。而強人工智能，又名通用人工智能，是達到人類水平的、能夠自適應地應對外界環境挑戰的、具有自我意識和思維能力的人工智能。DARPA 于2018 年啟動“下一代人工智能”（AI Next）計劃，開啟強人工智能探索序幕，并擬在5 年內投資20 億美元。未來，以類腦智能等為代表的強人工智能探索將在航天裝備中得到廣泛應用，并具備小樣本、抗欺騙和可解釋等特征。

4.3 向集群智能及人機混合智能方向發展

未來人工智能在航天裝備的應用將向集群化和人機混合化方向發展，以最大程度發揮智能化航天裝備的作戰效能。一是美國加快研發“黑杰克”等基于人工智能的低軌小衛星星座，支撐下一代太空體系架構，通過把復雜大衛星功能化整為零，實現太空作戰能力躍升和體系增強，滿足未來全域戰和馬賽克戰等需求。同時星上認知與自主決策能力也將進一步提高，實現深度學習在軌應用、強化學習在軌進化控制決策，為航天群智能的個體智能實現奠定基礎。二是以人機交互、人機協同等“人在回路”的人機混合智能將更廣泛應用于航天裝備，類似“軌道前哨”軍事空間站的航天裝備，未來將充分發揮人對不確定問題的高級認知機制和機器智能的各自優勢，形成增強智能形態，進一步發揮航天裝備效能，構建天地一體，全域聯合的作戰體系。

5 結束語

人工智能在航天裝備領域的應用將構建精確、快速、可靠、彈性且低成本的天基對抗體系，將更好地適應未來體系化、信息化、智能化戰爭，尤其是聯合全域一體化作戰要求。當前，人工智能在航天裝備領域的應用仍然存在數據依賴性強、可解釋性差、抗欺騙性弱等技術問題，以及數據共享等應用問題。未來隨著以自我意識和思維能力為特征的強人工智能相關技術的不斷取得突破，以及數據戰略、云戰略等政策的實施，人工智能在航天裝備中的應用范圍將越來越廣，并向強對抗方向演進，并呈現星座集群和人機混合等特征。