'人工智能在中國航天的應用與展望'
摘要：隨著物聯網、大規模並行計算、大數據和深度學習算法等技術的突破，人工智能近年來取得了突飛猛進的發展，在圖像識別、語音識別、自然語言處理、無人駕駛、智能機器人等眾多領域展現出令人期待的發展前景，並得到了國內外各政府的關注和支持;該文將人工智能技術與運載火箭、深空探測器、武器裝備等航天應用相結合，論述其在自主規劃航天任務、高效智能地面測試、全面快速設計保障等方面的應用模式，並從產品規劃、頂層設計、產品打造、具體實施幾個方面對中國航天后續發展人工智能技術提出了相關的對策建議。
關鍵詞：人工智能；大數據；航天應用
0 引言
在十二屆全國人大五次會議上，政府工作報告表示，要“全面實施戰略性新興產業發展規劃，加快新材料、人工智能、集成電路、生物製藥、第五代移動通信等技術研發和轉化”，這也是“人工智能”這一表述首次出現在政府工作報告中。
近年來，物聯網、大規模並行計算、大數據和深度學習算法這四大催化劑的發展，以及計算成本的降低，使得人工智能技術突飛猛進。2016年12月，升級版“AlphaGo”化名“master”在60場互聯網棋局車輪大戰中連勝柯潔九段、陳耀燁九段、樸廷桓九段、羋昱廷九段、唐韋星九段等高手，取得全勝戰績，引起各界對人工智能的廣泛關注與討論。
1、人工智能的四大先決條件
1.1 物聯網
隨著攝像頭、麥克風、各種類型傳感器的發展，基於物聯網技術的智能設備得到了飛速提升，而大量智能設備的出現則進一步加速了傳感器領域的繁榮。這些傳感器負責採集數據、記憶、分析、傳送數據，將外部世界數字化，為智能系統提供了多維度的數據輸入，成為數字世界與物理世界交互、反饋的接口和手段。
1.2 大規模並行計算
並行計算(Parallel Computing)指同時使用多種計算資源解決一個計算問題的過程，能夠有效的提高計算速度和處理能力的一種有效手段。海量的分佈式計算資源和超高速計算能力，令快速處理大量數據、訓練複雜模型、用知識體系代替人類常識成為可能。這些知識和模型為人類和機器人提供智能的輔助決策，讓人工智能成為現實。
1.3 大數據
大數據具備Volume(大量)、Velocity(高速)、Variety(多樣)、Value(低價值密度)、Veracity(真實性)的5V特點。在過去，要儘可能全面地認識某項事物，必須合理設計抽樣調查的策略，使樣本能夠儘量覆蓋全集特徵。隨著計算能力的提升，可以不再採用隨機分析法這樣的權衡之策，而採用所有數據進行分析處理。大數據需要特殊的技術，以有效地處理大量的容忍經過時間內的數據。海量的數據為人工智能的學習和發展提供了資源。通過知識挖掘，可以從大量有噪聲的隨機實際應用數據中，提取人們事先不瞭解但是隱藏在數據中的有價值的信息和知識。這種對隱性信息的挖掘是大數據價值的核心，也是實現人工智能的關鍵。
1.4 深度學習算法
深度學習算法作為機器學習的一個分支，由Hinton等人於2006年提出，是人工智能迎來新一輪飛速發展最重要的核心技術[1]。深度學習算法用非監督式或半監督式的特徵學習和分層特徵提取高效算法來替代手工獲取特徵，其中最廣為使用的算法包括卷積神經網絡(convolutional neural networks，CNN)、循環神經網絡(recurrent neural network，RNN)長短期記憶網絡(long short-term memory，LSTM)等，需要根據具體應用場景和數據特徵加以選擇。深度學習是對人類思維方式的建模，讓機器能夠理解人的行為，並將知識運用到與用戶的交互中，達到機器“人性化”的終極目標，實現人工智能技術在商業中的落地。
2、人工智能的細分領域
2.1 圖像識別
通過結合大數據的訓練，人工智能可以對圖像進行預處理、圖像分割、特徵提取和判斷匹配。在圖像識別的技術框架中，人臉識別應用非常廣泛。人臉識別是基於人的臉部特徵信息進行身份識別的一種生物識別技術。目前國內領先企業曠視科技的人臉識別準確率已高達99.999%。此外，在產品生產質量檢驗上，圖像識別技術應用也非常廣泛，例如：機械類產品的裂紋自動識別檢測。
2.2 語音/語義識別
利用特徵提取技術、模式匹配準則及模型訓練技術，語音識別能夠讓機器對採集到的語音信息進行識別和理解，轉化為文本或命令。例如在軍事上，可通過語音識別確認說話人的身份、偵聽情報內容、或下發操作指令，具有非常重要的價值。目前，針對中小詞彙量非特定人的語音識別系統識別精度已超過98%，針對特定人的識別精度甚至更高。
2.3 自然語言處理
語言是人類區別其他動物的本質特性，因此理解語言也是人工智能的一個核心方向。綜合語言學、計算機科學、數學等多種科學，自然語言處理研究能實現人與計算機之間有效通信的各種理論和方法，以一種智能高效的方式，對文本數據進行系統化分析、理解與信息提取。通過使用自然語言處理技術，可以管理大塊的文本數據，或執行大量的自動化任務，並且解決如自動摘要，機器翻譯，命名實體識別，關係提取等語言相關任務[2]。
2.4 無人駕駛
無人駕駛的核心技術是即時空間建模和人工智能技術。低成本高效率的感知解決方案是無人駕駛的基礎，高精度底圖的建立是無人駕駛的關鍵，具有深度學習的算法芯片是無人駕駛的核心。在過去六年內，谷歌無人駕駛汽車在公路上安全行駛220多萬公里，僅發生17起交通以外，而且均是由人類失誤引發的。
2.5 智能機器人
智能機器人融合了幾乎所有人工智能分支技術，它至少需要具備感覺要素、反應要素和思考要素。它能夠理解人類語言，感知、分析周圍環境信息並調整自己的動作。目前已發展出多樣化的機器人種類，從智能水平較低的工業機器人，到智能陪護機器人再到高級智能機器人。
3、人工智能在中國航天上的應用前景
3.1 更自主的任務規劃
航天飛行任務規劃是一個典型的知識處理過程，其中涉及較為複雜的邏輯推理和眾多的約束條件，這種問題適合採用人工智能的方式加以解決，實現“人工智能+”。
3.1.1 “人工智能+運載火箭”——高容錯飛行
運載火箭的飛行入軌面臨的是一個地面難以複製和仿真等效的全新環境，飛行階段程序轉彎、發動機關機、級間分離、再次點火、姿態修正、載荷分離諸多環節中數百個零部件任一失效偏差都可能給火箭帶來不可挽回的損失，是運載火箭成敗與否的核心一環。高機動性、短飛行週期、惡劣環境都意味著人無法有效干預，因此，發動機推力下降、姿控極性接反均直接造成了任務失敗，飛行風險居高不下。
目前的箭載計算機大多不具備重新規劃飛行任務的能力，或需要地面人工計算制導諸元后，通過測量系統進行了上行注入，一定程度上實現彈道的重規劃，將衛星送入軌道[3]。
未來，將運載火箭設計階段梳理的飛行過程故障模式與傳感器參數相結合，研究基於人工智能的運載火箭飛行階段故障自診斷以及深度學習訓練方法，在分秒必爭的運載火箭飛行段完成故障預測、故障定位與故障隔離工作，並通過軌跡彈道重規劃、制導姿控模型重生成，有效隔離局部故障，規避失敗風險，最優化飛行軌跡與姿態控制，有效挖掘潛在運力資源[4]。
除此之外，在運載火箭發動機關機、級間分離後，分離的艙部段通過自主感知和自主控制技術，與衛星定位信息、地形佈局信息動態匹配，通過發動機再次點火，實現艙部段自主飛行、平穩下落、精準落地以及主動防護，通過艙部段及各級發動機的回收再利用，顯著壓縮運載火箭任務週期，降低運載火箭製造成本。
3.1.2 “人工智能+深空探測器”——自主規劃
現有行星探測器的主要前進方式為：拍攝前方照片通過遙測發回地面站，操作人員根據圖像確定前進路線，再通過上行通道上注行動指令，實現探測車的行駛操作。這種模式過於依賴地面測試人員，效率較低，很多時候由於行星表面環境較為惡劣，或者由於距離的確過於遙遠，遙測控制信號也比較微弱，或者由於地球自轉引起相對位置改變，無法實現遙測遙控，更難以實現探測器的實時控制。基於人工智能、視覺計算、監控裝置的自動駕駛將大幅提高探測、地形勘測的效率。根據視頻攝像頭、雷達傳感器以及激光測距器來了解周圍的地形狀況，利用圖像識別等智能感知技術、智能決策和智能控制技術可以實現行星探測車的自主行動，選取最優探測路線，智能避開障礙物體，以最小的代價、最高的效率採集有用信息，大大輔助深空探測應用。
深空探測應用中，複雜航天器是由大量元器件和軟件組成，長期的在軌運行，元器件的故障和軟件的不完善在所難免，由於太空環境的特殊性，當某部分損壞時，難以通過人員進入太空進行判別和修復，利用人工智能技術結合空間高精度、高靈敏度機械臂，通過智能分析航天器數據，實現故障的自主定位、自動識別和在軌自主修復，在軌操作、組裝、拆卸、管理。
3.1.3 “人工智能+武器裝備”——智能作戰
通過多維度偵查探測系統，智能感知、發現、定位、跟蹤敵方動態、電磁頻譜信息、作戰行動等戰場態勢信息，以最少的人員、更少的代價、最大化地獲取戰場情報數據，輔助智能判別與智能決策應用。如利用覆蓋紅外、可見光、微波雷達等多種技術手段，實現一體化、集成化的多模融合探測裝置，智能感知多維度、多層次、多類型數據，然後應用數據配準、智能去噪等預處理手段獲取高質量多源數據，再利用深度學習、模糊推理、專家系統等智能技術，建立目標識別和威脅判別模型，實現武器裝備作戰環境中目標智能探測感知和識別。
通過給武器裝備各類傳感器、探測器，智能探測感知飛行空間信息、攔截彈信息等，數據傳輸給彈載智能“大腦”，設定相應的優化準則、目標等，通過數據分析，智能自主決策，規劃調整飛行彈道，通過動力學氣動調整，改變飛行軌跡，增強突防性能[5]。
人工智能使無人機個體具備較高的智能水平，協同作戰能力顯著提高，從而形成低成本的無人機蜂群戰術。目前，以美國國防高級研究計劃局(DARPA)為首的眾多機構，都投入了大量經費就無人機集群在空中的協同作戰理論和技術展開研究，包括無人機的快速編隊、多機間通信協同，自主戰術決策與下達作戰命令等，構建多無人飛行器的任務自組織系統分佈式體系結構。
3.2 更高效的地面測試
運載火箭的測試發射同樣是一個多學科交叉，多專業耦合的複雜系統工程，是運載火箭成敗與否的關鍵一環。狀態準備、測試操作、預案決策、數據判讀，每一環都是技術能力的保障，都是知識經驗的考驗，同樣每一步都離不開人的參與，成敗維繫在每一名人員身上，高水平人員的稀缺造成測試發射無法多任務並舉，以及連續疲勞帶來的風險造成測試發射週期無法進一步壓縮，通過應用人工智能技術，可顯著提升測試效率，降低發射成本[6]。
3.2.1 採集層
通過多樣化的手段代替傳統的傳感器採集或人工直接觀測，基於視頻語音識別技術的應用可以大大減少火箭本身測點的佈置。例如：發動機工作狀態，可以通過對其工作時的聲音進行頻譜分析；一些機構的動作，可以通過非接觸的攝像機直接觀察；儀器儀表的指示燈狀態監控，可以通過攝像頭攝錄信息，之後在後臺用圖像識別的方式的進行自動判斷。
3.2.2 處理層
人工智能技術極大的提升了設備的數據處理與故障診斷的能力。對地面測試數據進行統一管理和應用，除了完成流程自閉環的反饋判斷，還能夠對數據的趨勢、關聯進行綜合分析，設備不但可以掌握自身的運行狀態，實現故障檢測與隔離，啟用合適的故障預案，還能夠想設計操作人員提供輔助決策和任務規劃建議。
3.2.3 執行層
前端無人值守是未來火箭發展的必然趨勢。電測過程中的脫查脫拔等人為操作、異常故障時的搶險操作，可以採用帶視覺定位系統的機械臂來完成。此外，後端的人機交互也可以加入語音識別、手勢感知等新型指揮手段，提高測試效率。
3.3 更全面的設計保障
3.3.1 智能設計
引入人工智能技術，可以將目前的半智能化計算機輔助設計系統升級為智能化計算機輔助設計系統，整合現有的海量資料及資源，模擬人腦思考的過程，徹底解決上述三類問題。採用人工智能技術的“航天大腦”可以根據型號需求提供總體文件的初稿，總體設計師進行決策修改後，“航天大腦”將系統需要的文件自動下發至系統級，並形成系統級文件的初稿，系統設計師進行決策修改後，“航天大腦”再將單機需要的文件下發至單機。在進行具體設計時，設計師僅需將設計輸入文件提交至“航天大腦”，系統則會根據需求以及所學習的設計文件完成設計工作。如設計電纜網圖時，設計師僅需將電纜的幾何尺寸、點位定義等提交至“航天大腦”，“航天大腦”會自動繪製出電纜網圖的模板，並自動給出諸如線纜型號推薦、連接器型號推薦等輔助決策信息，設計師將不需逐個翻閱廠家的手冊即可完成設計，設計效率將大大提高。此外，由於“航天大腦”能夠在很短的時間內完成大量文件的學習工作，並從中找出最優方案，設計的標準化和設計水平也能夠得到保證。
3.3.2 智能製造
智能製造是一種由智能機器和人類專家共同組成的人機一體化智研製造系統，通過人與智能機器的合作共事，擴大、延伸和部分地取代人類專家在製造過程中的腦力勞動。它把製造自動化的概念更新，擴展到柔性化、智能化和高度集成化。
利用大數據技術，對於運載火箭製造裝配需要的物資、工具、生產線、場地、工裝、人員、運輸車輛都統一進行編碼採集與實時定位管理，將散佈在全國各地的運載火箭製造裝配資源條件，進行投籌管理，真正做到全國一盤棋。並與運載火箭發射任務計劃有機對接，通過態勢分析與智能預測，實現生產規模進度的最優化預測管理，成本進度最優化，並能夠實現突發風險的動態應變處置，實現成本最優化管理。
在生產過程中，也完成了對火箭全生命週期信息的收集與保障。建立火箭的綜合檔案履歷資料庫，收集製造、裝配、測試各個過程的數據與知識，構建大數據分析中心，作為智慧火箭的數據支撐與健康診斷的依據，降低設計和研製成本、提升測發效率、提升火箭的可靠性[7]。
3.3.3 遠程支持
隨著在運載火箭高密度發射、零窗口點火變得常態化，靠大量人力在靶場保障發射任務的模式已難以適應未來的發展需求。發射中心將從逐步從靶場向遠程後方遷移，以日本epsilon火箭為例，科研人員遠程使用兩臺筆記本就可實現火箭發射控制。
遠程支持中心能夠統一接收、存儲各靶場各型號發回的測試數據並存儲，並通過智能搜索引擎隨時搜索查看關心的數據及相關文檔；針對當發測試數據，結合歷史數據進行大數據分析，提前識別出可能有質量隱患的關鍵節點；當靶場出現故障時，遠程支持中心通過多媒體、虛擬現實等手段開展協同排故工作。
4、中國航天發展人工智能的對策建議
4.1 聚焦航天 “大腦”技術體系，做好戰略規劃和頂層設計
基於對大數據與人工智能的探索和積累，提出以技術-產品-服務為核心的航天“大腦”，其技術體系設想如圖1所示。
摘要：隨著物聯網、大規模並行計算、大數據和深度學習算法等技術的突破，人工智能近年來取得了突飛猛進的發展，在圖像識別、語音識別、自然語言處理、無人駕駛、智能機器人等眾多領域展現出令人期待的發展前景，並得到了國內外各政府的關注和支持;該文將人工智能技術與運載火箭、深空探測器、武器裝備等航天應用相結合，論述其在自主規劃航天任務、高效智能地面測試、全面快速設計保障等方面的應用模式，並從產品規劃、頂層設計、產品打造、具體實施幾個方面對中國航天后續發展人工智能技術提出了相關的對策建議。
關鍵詞：人工智能；大數據；航天應用
0 引言
在十二屆全國人大五次會議上，政府工作報告表示，要“全面實施戰略性新興產業發展規劃，加快新材料、人工智能、集成電路、生物製藥、第五代移動通信等技術研發和轉化”，這也是“人工智能”這一表述首次出現在政府工作報告中。
近年來，物聯網、大規模並行計算、大數據和深度學習算法這四大催化劑的發展，以及計算成本的降低，使得人工智能技術突飛猛進。2016年12月，升級版“AlphaGo”化名“master”在60場互聯網棋局車輪大戰中連勝柯潔九段、陳耀燁九段、樸廷桓九段、羋昱廷九段、唐韋星九段等高手，取得全勝戰績，引起各界對人工智能的廣泛關注與討論。
1、人工智能的四大先決條件
1.1 物聯網
隨著攝像頭、麥克風、各種類型傳感器的發展，基於物聯網技術的智能設備得到了飛速提升，而大量智能設備的出現則進一步加速了傳感器領域的繁榮。這些傳感器負責採集數據、記憶、分析、傳送數據，將外部世界數字化，為智能系統提供了多維度的數據輸入，成為數字世界與物理世界交互、反饋的接口和手段。
1.2 大規模並行計算
並行計算(Parallel Computing)指同時使用多種計算資源解決一個計算問題的過程，能夠有效的提高計算速度和處理能力的一種有效手段。海量的分佈式計算資源和超高速計算能力，令快速處理大量數據、訓練複雜模型、用知識體系代替人類常識成為可能。這些知識和模型為人類和機器人提供智能的輔助決策，讓人工智能成為現實。
1.3 大數據
大數據具備Volume(大量)、Velocity(高速)、Variety(多樣)、Value(低價值密度)、Veracity(真實性)的5V特點。在過去，要儘可能全面地認識某項事物，必須合理設計抽樣調查的策略，使樣本能夠儘量覆蓋全集特徵。隨著計算能力的提升，可以不再採用隨機分析法這樣的權衡之策，而採用所有數據進行分析處理。大數據需要特殊的技術，以有效地處理大量的容忍經過時間內的數據。海量的數據為人工智能的學習和發展提供了資源。通過知識挖掘，可以從大量有噪聲的隨機實際應用數據中，提取人們事先不瞭解但是隱藏在數據中的有價值的信息和知識。這種對隱性信息的挖掘是大數據價值的核心，也是實現人工智能的關鍵。
1.4 深度學習算法
深度學習算法作為機器學習的一個分支，由Hinton等人於2006年提出，是人工智能迎來新一輪飛速發展最重要的核心技術[1]。深度學習算法用非監督式或半監督式的特徵學習和分層特徵提取高效算法來替代手工獲取特徵，其中最廣為使用的算法包括卷積神經網絡(convolutional neural networks，CNN)、循環神經網絡(recurrent neural network，RNN)長短期記憶網絡(long short-term memory，LSTM)等，需要根據具體應用場景和數據特徵加以選擇。深度學習是對人類思維方式的建模，讓機器能夠理解人的行為，並將知識運用到與用戶的交互中，達到機器“人性化”的終極目標，實現人工智能技術在商業中的落地。
2、人工智能的細分領域
2.1 圖像識別
通過結合大數據的訓練，人工智能可以對圖像進行預處理、圖像分割、特徵提取和判斷匹配。在圖像識別的技術框架中，人臉識別應用非常廣泛。人臉識別是基於人的臉部特徵信息進行身份識別的一種生物識別技術。目前國內領先企業曠視科技的人臉識別準確率已高達99.999%。此外，在產品生產質量檢驗上，圖像識別技術應用也非常廣泛，例如：機械類產品的裂紋自動識別檢測。
2.2 語音/語義識別
利用特徵提取技術、模式匹配準則及模型訓練技術，語音識別能夠讓機器對採集到的語音信息進行識別和理解，轉化為文本或命令。例如在軍事上，可通過語音識別確認說話人的身份、偵聽情報內容、或下發操作指令，具有非常重要的價值。目前，針對中小詞彙量非特定人的語音識別系統識別精度已超過98%，針對特定人的識別精度甚至更高。
2.3 自然語言處理
語言是人類區別其他動物的本質特性，因此理解語言也是人工智能的一個核心方向。綜合語言學、計算機科學、數學等多種科學，自然語言處理研究能實現人與計算機之間有效通信的各種理論和方法，以一種智能高效的方式，對文本數據進行系統化分析、理解與信息提取。通過使用自然語言處理技術，可以管理大塊的文本數據，或執行大量的自動化任務，並且解決如自動摘要，機器翻譯，命名實體識別，關係提取等語言相關任務[2]。
2.4 無人駕駛
無人駕駛的核心技術是即時空間建模和人工智能技術。低成本高效率的感知解決方案是無人駕駛的基礎，高精度底圖的建立是無人駕駛的關鍵，具有深度學習的算法芯片是無人駕駛的核心。在過去六年內，谷歌無人駕駛汽車在公路上安全行駛220多萬公里，僅發生17起交通以外，而且均是由人類失誤引發的。
2.5 智能機器人
智能機器人融合了幾乎所有人工智能分支技術，它至少需要具備感覺要素、反應要素和思考要素。它能夠理解人類語言，感知、分析周圍環境信息並調整自己的動作。目前已發展出多樣化的機器人種類，從智能水平較低的工業機器人，到智能陪護機器人再到高級智能機器人。
3、人工智能在中國航天上的應用前景
3.1 更自主的任務規劃
航天飛行任務規劃是一個典型的知識處理過程，其中涉及較為複雜的邏輯推理和眾多的約束條件，這種問題適合採用人工智能的方式加以解決，實現“人工智能+”。
3.1.1 “人工智能+運載火箭”——高容錯飛行
運載火箭的飛行入軌面臨的是一個地面難以複製和仿真等效的全新環境，飛行階段程序轉彎、發動機關機、級間分離、再次點火、姿態修正、載荷分離諸多環節中數百個零部件任一失效偏差都可能給火箭帶來不可挽回的損失，是運載火箭成敗與否的核心一環。高機動性、短飛行週期、惡劣環境都意味著人無法有效干預，因此，發動機推力下降、姿控極性接反均直接造成了任務失敗，飛行風險居高不下。
目前的箭載計算機大多不具備重新規劃飛行任務的能力，或需要地面人工計算制導諸元后，通過測量系統進行了上行注入，一定程度上實現彈道的重規劃，將衛星送入軌道[3]。
未來，將運載火箭設計階段梳理的飛行過程故障模式與傳感器參數相結合，研究基於人工智能的運載火箭飛行階段故障自診斷以及深度學習訓練方法，在分秒必爭的運載火箭飛行段完成故障預測、故障定位與故障隔離工作，並通過軌跡彈道重規劃、制導姿控模型重生成，有效隔離局部故障，規避失敗風險，最優化飛行軌跡與姿態控制，有效挖掘潛在運力資源[4]。
除此之外，在運載火箭發動機關機、級間分離後，分離的艙部段通過自主感知和自主控制技術，與衛星定位信息、地形佈局信息動態匹配，通過發動機再次點火，實現艙部段自主飛行、平穩下落、精準落地以及主動防護，通過艙部段及各級發動機的回收再利用，顯著壓縮運載火箭任務週期，降低運載火箭製造成本。
3.1.2 “人工智能+深空探測器”——自主規劃
現有行星探測器的主要前進方式為：拍攝前方照片通過遙測發回地面站，操作人員根據圖像確定前進路線，再通過上行通道上注行動指令，實現探測車的行駛操作。這種模式過於依賴地面測試人員，效率較低，很多時候由於行星表面環境較為惡劣，或者由於距離的確過於遙遠，遙測控制信號也比較微弱，或者由於地球自轉引起相對位置改變，無法實現遙測遙控，更難以實現探測器的實時控制。基於人工智能、視覺計算、監控裝置的自動駕駛將大幅提高探測、地形勘測的效率。根據視頻攝像頭、雷達傳感器以及激光測距器來了解周圍的地形狀況，利用圖像識別等智能感知技術、智能決策和智能控制技術可以實現行星探測車的自主行動，選取最優探測路線，智能避開障礙物體，以最小的代價、最高的效率採集有用信息，大大輔助深空探測應用。
深空探測應用中，複雜航天器是由大量元器件和軟件組成，長期的在軌運行，元器件的故障和軟件的不完善在所難免，由於太空環境的特殊性，當某部分損壞時，難以通過人員進入太空進行判別和修復，利用人工智能技術結合空間高精度、高靈敏度機械臂，通過智能分析航天器數據，實現故障的自主定位、自動識別和在軌自主修復，在軌操作、組裝、拆卸、管理。
3.1.3 “人工智能+武器裝備”——智能作戰
通過多維度偵查探測系統，智能感知、發現、定位、跟蹤敵方動態、電磁頻譜信息、作戰行動等戰場態勢信息，以最少的人員、更少的代價、最大化地獲取戰場情報數據，輔助智能判別與智能決策應用。如利用覆蓋紅外、可見光、微波雷達等多種技術手段，實現一體化、集成化的多模融合探測裝置，智能感知多維度、多層次、多類型數據，然後應用數據配準、智能去噪等預處理手段獲取高質量多源數據，再利用深度學習、模糊推理、專家系統等智能技術，建立目標識別和威脅判別模型，實現武器裝備作戰環境中目標智能探測感知和識別。
通過給武器裝備各類傳感器、探測器，智能探測感知飛行空間信息、攔截彈信息等，數據傳輸給彈載智能“大腦”，設定相應的優化準則、目標等，通過數據分析，智能自主決策，規劃調整飛行彈道，通過動力學氣動調整，改變飛行軌跡，增強突防性能[5]。
人工智能使無人機個體具備較高的智能水平，協同作戰能力顯著提高，從而形成低成本的無人機蜂群戰術。目前，以美國國防高級研究計劃局(DARPA)為首的眾多機構，都投入了大量經費就無人機集群在空中的協同作戰理論和技術展開研究，包括無人機的快速編隊、多機間通信協同，自主戰術決策與下達作戰命令等，構建多無人飛行器的任務自組織系統分佈式體系結構。
3.2 更高效的地面測試
運載火箭的測試發射同樣是一個多學科交叉，多專業耦合的複雜系統工程，是運載火箭成敗與否的關鍵一環。狀態準備、測試操作、預案決策、數據判讀，每一環都是技術能力的保障，都是知識經驗的考驗，同樣每一步都離不開人的參與，成敗維繫在每一名人員身上，高水平人員的稀缺造成測試發射無法多任務並舉，以及連續疲勞帶來的風險造成測試發射週期無法進一步壓縮，通過應用人工智能技術，可顯著提升測試效率，降低發射成本[6]。
3.2.1 採集層
通過多樣化的手段代替傳統的傳感器採集或人工直接觀測，基於視頻語音識別技術的應用可以大大減少火箭本身測點的佈置。例如：發動機工作狀態，可以通過對其工作時的聲音進行頻譜分析；一些機構的動作，可以通過非接觸的攝像機直接觀察；儀器儀表的指示燈狀態監控，可以通過攝像頭攝錄信息，之後在後臺用圖像識別的方式的進行自動判斷。
3.2.2 處理層
人工智能技術極大的提升了設備的數據處理與故障診斷的能力。對地面測試數據進行統一管理和應用，除了完成流程自閉環的反饋判斷，還能夠對數據的趨勢、關聯進行綜合分析，設備不但可以掌握自身的運行狀態，實現故障檢測與隔離，啟用合適的故障預案，還能夠想設計操作人員提供輔助決策和任務規劃建議。
3.2.3 執行層
前端無人值守是未來火箭發展的必然趨勢。電測過程中的脫查脫拔等人為操作、異常故障時的搶險操作，可以採用帶視覺定位系統的機械臂來完成。此外，後端的人機交互也可以加入語音識別、手勢感知等新型指揮手段，提高測試效率。
3.3 更全面的設計保障
3.3.1 智能設計
引入人工智能技術，可以將目前的半智能化計算機輔助設計系統升級為智能化計算機輔助設計系統，整合現有的海量資料及資源，模擬人腦思考的過程，徹底解決上述三類問題。採用人工智能技術的“航天大腦”可以根據型號需求提供總體文件的初稿，總體設計師進行決策修改後，“航天大腦”將系統需要的文件自動下發至系統級，並形成系統級文件的初稿，系統設計師進行決策修改後，“航天大腦”再將單機需要的文件下發至單機。在進行具體設計時，設計師僅需將設計輸入文件提交至“航天大腦”，系統則會根據需求以及所學習的設計文件完成設計工作。如設計電纜網圖時，設計師僅需將電纜的幾何尺寸、點位定義等提交至“航天大腦”，“航天大腦”會自動繪製出電纜網圖的模板，並自動給出諸如線纜型號推薦、連接器型號推薦等輔助決策信息，設計師將不需逐個翻閱廠家的手冊即可完成設計，設計效率將大大提高。此外，由於“航天大腦”能夠在很短的時間內完成大量文件的學習工作，並從中找出最優方案，設計的標準化和設計水平也能夠得到保證。
3.3.2 智能製造
智能製造是一種由智能機器和人類專家共同組成的人機一體化智研製造系統，通過人與智能機器的合作共事，擴大、延伸和部分地取代人類專家在製造過程中的腦力勞動。它把製造自動化的概念更新，擴展到柔性化、智能化和高度集成化。
利用大數據技術，對於運載火箭製造裝配需要的物資、工具、生產線、場地、工裝、人員、運輸車輛都統一進行編碼採集與實時定位管理，將散佈在全國各地的運載火箭製造裝配資源條件，進行投籌管理，真正做到全國一盤棋。並與運載火箭發射任務計劃有機對接，通過態勢分析與智能預測，實現生產規模進度的最優化預測管理，成本進度最優化，並能夠實現突發風險的動態應變處置，實現成本最優化管理。
在生產過程中，也完成了對火箭全生命週期信息的收集與保障。建立火箭的綜合檔案履歷資料庫，收集製造、裝配、測試各個過程的數據與知識，構建大數據分析中心，作為智慧火箭的數據支撐與健康診斷的依據，降低設計和研製成本、提升測發效率、提升火箭的可靠性[7]。
3.3.3 遠程支持
隨著在運載火箭高密度發射、零窗口點火變得常態化，靠大量人力在靶場保障發射任務的模式已難以適應未來的發展需求。發射中心將從逐步從靶場向遠程後方遷移，以日本epsilon火箭為例，科研人員遠程使用兩臺筆記本就可實現火箭發射控制。
遠程支持中心能夠統一接收、存儲各靶場各型號發回的測試數據並存儲，並通過智能搜索引擎隨時搜索查看關心的數據及相關文檔；針對當發測試數據，結合歷史數據進行大數據分析，提前識別出可能有質量隱患的關鍵節點；當靶場出現故障時，遠程支持中心通過多媒體、虛擬現實等手段開展協同排故工作。
4、中國航天發展人工智能的對策建議
4.1 聚焦航天 “大腦”技術體系，做好戰略規劃和頂層設計
基於對大數據與人工智能的探索和積累，提出以技術-產品-服務為核心的航天“大腦”，其技術體系設想如圖1所示。
圖1 航天“大腦”技術體系
4.1.1 技術層
智能感知是為機器裝上觸覺、視覺、聽覺、神經和運動機構等智能硬件，使其具備感知世界的能力。通過集群和虛擬化技術實現對海量數據的快速預處理、分佈式存儲、並行計算等，為智慧大腦提供強大的記憶”和“計算”能力。
4.1.2 產品層
智慧產品包括智慧院所、智慧火箭、智慧裝備和智慧民用產業。其中，智慧院所是所有智慧產品研製的基礎，其可以充分激發員工創新創業熱情，併為員工提供高效便捷的管理方式；智慧火箭指的是為火箭裝上“觸覺”和“大腦”，降低測發控對人的依賴，提升火箭可靠性；智慧裝備指的是通過全壽命週期的健康管理，實現裝備自主保障；智慧民用產業指的是通過軍民融合方式，將軍用技術轉向民用領域，如智能健康監測、智慧家電遠程測控、智慧照明、智慧安防等領域。
4.1.3 服務層
未來應全力推動大數據人工智能等技術與航天裝備的結合，實現裝備信息智能採集、遠程保障、智能決策的完美集成，發展模式也將由提供產品向提供全方位解決方案的服務轉變。
4.2 打造航天“大腦”系列產品，快速形成專業的能力和隊伍
4.2.1 智慧院所
以創新為驅動、以信息化為基礎、以知識為載體，利用智能科學理論、技術、方法和信息及自動化技術工具，充分有效地整合和優化利用各類內外部資源，保證能夠持續創新，不斷開發新產品、新服務，為航天單位的發展提供智能決策。
4.2.2 數據銀行
建立航天大數據中心，成立“航天數據銀行”，對產品研製、生產等多環節的數據進行統一管控、統一挖掘，實現數據挖掘效果的最大化，創造服務價值。智慧管理通過實現產品全壽命週期的統一管控，建立基於數據信息驅動的智能化研製模式，提升工作效率。智慧決策基於大數據技術，將先進管理理念、業務流程和管理模式等融合，實現管理信息化和智能化，達到“降本增效”的目的。
4.2.3 智能裝備
通過大數據與互聯網等高新技術，實現火箭的高度信息化與智能化。包括智慧的遠程發射支持平臺，智慧的測髮指控平臺，智慧的全壽命週期綜合保障平臺。智慧的遠程發射支持平臺通過大數據技術，訓練後方的智能機器大腦，提升異地協同保障能力，減免專家到一線協助排故，解決問題。智慧的測髮指控平臺依託於語音識別、圖像識別、大數據等技術，實現自主的測髮指控過程。智慧的全壽命週期綜合保障平臺利用大數據技術保障數據統一化規範，完成自主健康評估、精準的壽命預測和數據驅動的視情維修[8]。
4.2.4 智慧產業
依託剩餘載荷和末級監控，實現對地觀測等服務，依託遠程測控、健康監測、大數據、新一代信息應用技術，通過融合智慧城市中的多源數據，在智慧城市和智慧產業中，提升城市的精細化管理水平，同時為航天單位軍民融合開拓增收，鍛鍊隊伍。
4.3 分佈落地執行，拓展航天“大腦”的服務
未來，應全力推動大數據人工智能等技術與航天裝備的結合，實現裝備信息智能採集、遠程保障、智能決策的完美集成，航天企業的發展模式也將由提供產品向提供全方位解決方案的服務轉變，如智慧的發射服務、全面的體系作戰服務和智慧的軍民融合服務。智慧發射最終要實現輸入一個指定的位置座標，為其精準、快速、智能、高效、低廉地發射到指定地點。全面的體系作戰服務基於大數據和人工智能技術，能夠實現裝備的自主保障、戰時智能決策和一體化的體系作戰。智慧的軍民融合服務結合現有的技術和民用產業，開展更多的智慧產業服務，通過信息和通信技術的應用，提升城市的管理水平，提高市民的生活質量，令城市運行和市民生活更加智能。
參考文獻: 略
本文轉自：問空天(ID:Astronautics_SN)
作者：嶽夢雲, 王 偉, 張羲格