機器學習為NASA貢獻了什么？

編者按：本文來自微信公眾號“AI前線”（ID:ai-front），36氪經授權發(fā)布。

作者 | harkiran78

譯者 |Sambodhi

策劃 | 李冬梅

NASA 不僅是軟件工程的鼻祖，在軟件架構方面的造詣也是極為先進的。我們曾經編譯過 《太空不懼宕機，軟件工程鼻祖 NASA 是怎么做到的？》。毫不意外的是，在機器學習領域中，NASA 也絲毫不遜于那些世界級科技大廠，讓我們來看看，NASA 都使用了哪些機器學習技術？

機器學習在太空探索中必不可少

從研究地球外層大氣到尋找其他星球上的生命跡象，都有 NASA 參與的痕跡。在當今這個萬物離不開數(shù)據(jù)的時代，機器學習在太空發(fā)現(xiàn)領域扮演著重要的角色。NASA 的各種航天器和衛(wèi)星所生成的數(shù)據(jù)量驚人（舉個例子，僅斯隆數(shù)字化巡天（Sloan Digital Sky Survey ）一個項目，未來將生成 5000 多萬張星系的圖像），因此，為了識別這些數(shù)據(jù)中的模式，機器學習是必不可少的。

未來，機器學習還可以用來檢測宇航員在太空中的健康狀況、進行航天器的智能化維修、在其他星系中發(fā)現(xiàn)更多的行星以及進行一些更為奇妙的探索。事實上，只要涉及到太空和機器學習，就意味著有無限可能。

這里，我們就先來了解下 NASA 都使用了哪些機器學習應用來進行太空探索。

NASA 用到的機器學習應用

火星上的漫游車：勇氣號和機遇號

如果你認為 Tesla、Google、Uber 等是第一批大舉投資自動駕駛汽車的公司可能就錯了，實際上，早在十年前，NASA 就已經為發(fā)明了可以用在火星上的無人駕駛探測車——火星漫游車（Self-Driving Rovers on Mars）。2004 年，火星漫游車“勇氣號”（Spirit）和“機遇號”（Opportunity）就搭載了一套基于機器學習的導航和駕駛系統(tǒng)，稱為 AutoNav。2011 年發(fā)射的另一輛火星漫游車“好奇號”（Curiosity），也搭載了 AutoNav，直至現(xiàn)在，這輛火星漫游車仍然在火星上進行探索，它的任務是尋找水以及其他能夠使火星適合人類去探索的物質。

或許你會認為，在火星上駕駛比在擁堵的地球上駕駛要容易得多了。但實際上，這件事并不容易。盡管 AutoNav 并不需要擔心漫游車會撞上其他車輛或者人類（火星上還沒有發(fā)現(xiàn)生命跡象），但火星的表面巖石非常多，因此，導航系統(tǒng)必須確保漫游車不會撞到巖石上，或者陷入光滑的沙丘中，否則漫游車將會永遠被困在那里。

機器學習在火星漫游車的另一個應用，是一種稱為“AGEIS”（Autonomous Exploration for Gathering Increased Science，即自主探索來收集更多科學知識）的算法，這種利用機器學習自主發(fā)現(xiàn)火星巖石的方法比較有趣，這是因為由于通訊能力有限，火星漫游車無法將拍攝到的所有火星照片傳地球。因此，AEGIS 將自動判斷哪些圖片可能是有趣的、或重要的，然后漫游車再將它們傳回地球，以供 NASA 的科學家們研究。

太空醫(yī)學：探索醫(yī)療能力

現(xiàn)在，宇航員們向地球軌道之外的太空中探索得越來越遠，但如果這期間他們的身體抱恙，需要醫(yī)學幫助該怎么辦？很顯然，他們是無法返回地球上去看醫(yī)生的。出于這一原因，NASA 正致力于利用機器學習來探索醫(yī)療能力，未來這種醫(yī)療解決方案能滿足宇航員們的醫(yī)療需求。這些醫(yī)療方案將由認證的醫(yī)生和外科醫(yī)生創(chuàng)建，他們會根據(jù)不同宇航員的不同情況對醫(yī)療方案不斷進行改進。

總而言之，探索醫(yī)療能力的主要目的在于，讓宇航員在太空中（特別是執(zhí)行長期、遠距離任務時）保持身體健康。太空環(huán)境并不像漫畫書中描述得那樣美好，太空之旅常常離不開輻射危害、嚴酷的環(huán)境挑戰(zhàn)、重力變化引起的問題等等。這種情況下，由于存在時間延遲，宇航員不能直接聯(lián)系地球上的醫(yī)生，因此 ExMC （Exploration Medical Capability，探索醫(yī)療能力）將使用機器學習在遠程醫(yī)療技術的幫助下提供自主醫(yī)療護理。

尋找宇宙中的其他行星：行星光譜生成器

宇宙是無邊無際的。NASA 認為，在銀河系中，大約有 1000 億顆恒星，其中約 400 億顆上可能存在生命。這不是科幻小說，NASA 真的相信未來某一天我們會發(fā)現(xiàn)外星人。但在發(fā)現(xiàn)外星人之前，NASA 首先需要不斷在不同的太陽系發(fā)現(xiàn)更多新行星。一旦這些系外行星被發(fā)現(xiàn)，NASA 就會測量這些行星的大氣光譜，來探索這些行星上是否有生命存在的可能性。

盡管這些步驟已經十分晦澀復雜了，但更棘手的是仍然沒有可以用于實驗的真實數(shù)據(jù)。因此，NASA 的科學家只能通過機器學習生成所需的數(shù)據(jù)進行實驗，這才是機器學習真正的“用武之地”。行星光譜生成器（Planetary Spectrum Generator）是 NASA 用來創(chuàng)建發(fā)現(xiàn)系外行星 3D 軌道和大氣特性的工具。此外，科學家們還使用線性回歸和卷積神經網絡來搭建太陽系工作模型。然后在訓練模型之前，再對其進行進一步微調。

上圖為一顆系外行星生成的結果，圖中顯示了大氣中水和甲烷的含量。正如你在 CH4 和 H2O 圖中看到的，黑線表示使用機器學習做出的預測，紅線表示實際結果。正如你所見，在這種情況下，經過訓練的機器學習模型是相當準確的。

機器人宇航員：Robonaut

科學發(fā)展至今，宇航員個不再僅限于人類。NASA 現(xiàn)在已經研發(fā)出了機器人宇航員，科幻小說里的場景已經成為現(xiàn)實。Robonaut 的研發(fā)主要是為了在太空中與宇航員一起工作，幫助他們完成對對于人類來說比較危險的工作。這將增強 NASA 在太空中進行研究和探索的能力，從而使我們能夠更多地了解太陽系。

圖注：國際空間站上的 Robonaut

從這幅圖片可以看出，機器人宇航員現(xiàn)已成為了太空探索中必不可少的“助手”。為了實現(xiàn)這一點，Robonaut 基本上可以借助機器學習來“自主思考”?？茖W家或宇航員可以將任務交給機器人宇航員，它會想出如何執(zhí)行這些任務。

總體來說，與人類宇航員相比，Eobonaut 還有很多優(yōu)勢，比如先進的傳感器、驚人的速度、緊湊的設計以及更高的靈活性。開發(fā) Robonaut 時使用了很多先進的技術，其中包括指尖的觸摸傳感器、全頸部移動范圍、高分辨率相機、紅外系統(tǒng)、先進的手指和拇指運動等等。

月球導航：深度學習行星導航

如果人們在地球上迷路了可能無關緊要，只要使用 GPS 就能抵達目的地。但如果在月球上迷路了，就沒那么容易應對了，因為 GPS 無法在月球上使用（至少目前是這樣）。近日，NASA 前沿開發(fā)實驗室（Frontier Development Lab ，F(xiàn)DL）正在進行一個項目，為包括月球在內的天體表面提供導航。該項目的主要目的是，即使在月球表面也能提供 GPS，而不需要使用多顆昂貴的衛(wèi)星。

要在荒蕪且?guī)r石較多的月球表面進行導航并不容易，需要向機器學習系統(tǒng)提供大量的月球圖像（要完成這項任務需要 240 萬張圖片，好在 NASA 已經有了足夠的圖片），然后使用神經網絡創(chuàng)建月球的虛擬版本來實現(xiàn)。在項目完成后，如果你在月球上迷路了，你就可以拍攝周圍環(huán)境的圖像，機器學習系統(tǒng)將通過比對拍攝的圖像和已經創(chuàng)建的虛擬月球表面圖像數(shù)據(jù)庫，來對你所處的位置進行三角定位。雖然這項技術尚不十分成熟（目前是這樣），但它仍然比現(xiàn)有的任何技術都要先進，而且可以在任何行星表面上使用，不僅限于是月球。NASA 期望這項技術可以應用在火星上，以防有人在這顆紅色星球上迷路。

結語

人工智能正改變了我們看待世界的方式，也改變著我們探索宇宙空間的方式。未來，我們可以應用更多的機器學習技術完成曾經難以想象的任務，隨著研究的不斷深入，機器學習將會和宇宙一樣，充滿著無限可能。

原文鏈接：

https://www.geeksforgeeks.org/how-does-nasa-use-machine-learning/