NASA宇宙探索的背后，机器学习的力量不可忽视_数据库_harkiran78

【AICon】如何构建高效的 RAG 系统？RAG 技术在实际应用中遇到的挑战及应对策略？>>> 了解详情 



 写点什么

NASA 不仅是软件工程的鼻祖，在软件架构方面的造诣也是极为先进的。我们曾经编译过《太空不惧宕机，软件工程鼻祖 NASA 是怎么做到的？》。毫不意外的是，在机器学习领域中，NASA 也丝毫不逊于那些世界级科技大厂，让我们来看看，NASA 都使用了哪些机器学习技术？

机器学习在太空探索中必不可少

从研究地球外层大气到寻找其他星球上的生命迹象，都有 NASA 参与的痕迹。在当今这个万物离不开数据的时代，机器学习在太空发现领域扮演着重要的角色。NASA 的各种航天器和卫星所生成的数据量惊人（举个例子，仅斯隆数字化巡天（Sloan Digital Sky Survey ）一个项目，未来将生成 5000 多万张星系的图像），因此，为了识别这些数据中的模式，机器学习是必不可少的。

未来，机器学习还可以用来检测宇航员在太空中的健康状况、进行航天器的智能化维修、在其他星系中发现更多的行星以及进行一些更为奇妙的探索。事实上，只要涉及到太空和机器学习，就意味着有无限可能。

这里，我们就先来了解下 NASA 都使用了哪些机器学习应用来进行太空探索。

NASA 用到的机器学习应用

火星上的漫游车：勇气号和机遇号

如果你认为 Tesla、Google、Uber 等是第一批大举投资自动驾驶汽车的公司可能就错了，实际上，早在十年前，NASA 就已经为发明了可以用在火星上的无人驾驶探测车——火星漫游车（Self-Driving Rovers on Mars）。2004 年，火星漫游车“勇气号”（Spirit）和“机遇号”（Opportunity）就搭载了一套基于机器学习的导航和驾驶系统，称为 AutoNav。2011 年发射的另一辆火星漫游车“好奇号”（Curiosity），也搭载了 AutoNav，直至现在，这辆火星漫游车仍然在火星上进行探索，它的任务是寻找水以及其他能够使火星适合人类去探索的物质。

或许你会认为，在火星上驾驶比在拥堵的地球上驾驶要容易得多了。但实际上，这件事并不容易。尽管 AutoNav 并不需要担心漫游车会撞上其他车辆或者人类（火星上还没有发现生命迹象），但火星的表面岩石非常多，因此，导航系统必须确保漫游车不会撞到岩石上，或者陷入光滑的沙丘中，否则漫游车将会永远被困在那里。

机器学习在火星漫游车的另一个应用，是一种称为“AGEIS”（Autonomous Exploration for Gathering Increased Science，即自主探索来收集更多科学知识）的算法，这种利用机器学习自主发现火星岩石的方法比较有趣，这是因为由于通讯能力有限，火星漫游车无法将拍摄到的所有火星照片传地球。因此，AEGIS 将自动判断哪些图片可能是有趣的、或重要的，然后漫游车再将它们传回地球，以供 NASA 的科学家们研究。

太空医学：探索医疗能力

现在，宇航员们向地球轨道之外的太空中探索得越来越远，但如果这期间他们的身体抱恙，需要医学帮助该怎么办？很显然，他们是无法返回地球上去看医生的。出于这一原因，NASA 正致力于利用机器学习来探索医疗能力，未来这种医疗解决方案能满足宇航员们的医疗需求。这些医疗方案将由认证的医生和外科医生创建，他们会根据不同宇航员的不同情况对医疗方案不断进行改进。

图注：未来太空医疗基地内部和外观想象图

总而言之，探索医疗能力的主要目的在于，让宇航员在太空中（特别是执行长期、远距离任务时）保持身体健康。太空环境并不像漫画书中描述得那样美好，太空之旅常常离不开辐射危害、严酷的环境挑战、重力变化引起的问题等等。这种情况下，由于存在时间延迟，宇航员不能直接联系地球上的医生，因此 ExMC （Exploration Medical Capability，探索医疗能力）将使用机器学习在远程医疗技术的帮助下提供自主医疗护理。

寻找宇宙中的其他行星：行星光谱生成器

宇宙是无边无际的。NASA 认为，在银河系中，大约有 1000 亿颗恒星，其中约 400 亿颗上可能存在生命。这不是科幻小说，NASA 真的相信未来某一天我们会发现外星人。但在发现外星人之前，NASA 首先需要不断在不同的太阳系发现更多新行星。一旦这些系外行星被发现，NASA 就会测量这些行星的大气光谱，来探索这些行星上是否有生命存在的可能性。

尽管这些步骤已经十分晦涩复杂了，但更棘手的是仍然没有可以用于实验的真实数据。因此，NASA 的科学家只能通过机器学习生成所需的数据进行实验，这才是机器学习真正的“用武之地”。行星光谱生成器（Planetary Spectrum Generator）是 NASA 用来创建发现系外行星 3D 轨道和大气特性的工具。此外，科学家们还使用线性回归和卷积神经网络来搭建太阳系工作模型。然后在训练模型之前，再对其进行进一步微调。

上图为一颗系外行星生成的结果，图中显示了大气中水和甲烷的含量。正如你在 CH4 和 H2O 图中看到的，黑线表示使用机器学习做出的预测，红线表示实际结果。正如你所见，在这种情况下，经过训练的机器学习模型是相当准确的。

机器人宇航员：Robonaut

科学发展至今，宇航员个不再仅限于人类。NASA 现在已经研发出了机器人宇航员，科幻小说里的场景已经成为现实。Robonaut 的研发主要是为了在太空中与宇航员一起工作，帮助他们完成对对于人类来说比较危险的工作。这将增强 NASA 在太空中进行研究和探索的能力，从而使我们能够更多地了解太阳系。

图注：国际空间站上的 Robonaut

从这幅图片可以看出，机器人宇航员现已成为了太空探索中必不可少的“助手”。为了实现这一点，Robonaut 基本上可以借助机器学习来“自主思考”。科学家或宇航员可以将任务交给机器人宇航员，它会想出如何执行这些任务。

总体来说，与人类宇航员相比，Eobonaut 还有很多优势，比如先进的传感器、惊人的速度、紧凑的设计以及更高的灵活性。开发 Robonaut 时使用了很多先进的技术，其中包括指尖的触摸传感器、全颈部移动范围、高分辨率相机、红外系统、先进的手指和拇指运动等等。

月球导航：深度学习行星导航

如果人们在地球上迷路了可能无关紧要，只要使用 GPS 就能抵达目的地。但如果在月球上迷路了，就没那么容易应对了，因为 GPS 无法在月球上使用（至少目前是这样）。近日，NASA 前沿开发实验室（Frontier Development Lab ，FDL）正在进行一个项目，为包括月球在内的天体表面提供导航。该项目的主要目的是，即使在月球表面也能提供 GPS，而不需要使用多颗昂贵的卫星。

要在荒芜且岩石较多的月球表面进行导航并不容易，需要向机器学习系统提供大量的月球图像（要完成这项任务需要 240 万张图片，好在 NASA 已经有了足够的图片），然后使用神经网络创建月球的虚拟版本来实现。在项目完成后，如果你在月球上迷路了，你就可以拍摄周围环境的图像，机器学习系统将通过比对拍摄的图像和已经创建的虚拟月球表面图像数据库，来对你所处的位置进行三角定位。虽然这项技术尚不十分成熟（目前是这样），但它仍然比现有的任何技术都要先进，而且可以在任何行星表面上使用，不仅限于是月球。NASA 期望这项技术可以应用在火星上，以防有人在这颗红色星球上迷路。