3 способа воздействия ИИ на космическую отрасль

3 способа воздействия ИИ на космическую отрасль

Прошел год с тех пор, как я начал работать в индустрии науки о данных. Имея опыт работы в аэрокосмической инженерии, вполне естественно, что я искал способы применения ИИ, в частности машинного обучения, в космических технологиях.

Исторически алгоритмы машинного обучения использовались для мониторинга состояния космических аппаратов, автономной навигации, интеллектуальных систем управления и интеллектуального обнаружения объектов для навигации по маршруту.

В этом посте будут обсуждены два подхода, помогающие в прогнозном анализе. Первый - это подход, основанный на модели, который состоит из математической модели для каждой подсистемы космического корабля, чтобы исправить систему, чтобы всегда придерживаться нормы этой модели.

Второй подход заключается в сборе данных об окружающей среде и внутреннем устройстве космического корабля для активной оптимизации функционирования с использованием моделей машинного обучения, которые лучше всего предполагают ситуацию. Это подход, основанный на данных, он оказывается более адаптируемым.

1. Мониторинг состояния космических аппаратов

В космическом корабле может быть более 1000 отслеживаемых телеметрических переменных, которые наземные инженеры анализируют для диагностики отклонений. Альтернативный подход, основанный на данных, был предложен для обнаружения аномалий Takehisa Yairi и соавторами (Yairi et al.). В процессе учитываются пять характеристик данных телеметрии: высокая размерность, мультимодальность, неоднородность, временная зависимость, недостающие данные и тривиальные выбросы. После нормализации телеметрических переменных они используются для создания интегрированной модели, называемой смесью вероятностных анализаторов главных компонентов и категориальных распределений (MPPCACD). Yairi et al. протестировал модель на данных телеметрии с SDS-4, демонстрационного спутника, используемого JAXA. Всего было смоделировано 89 непрерывных переменных и 365 переменных состояния. Производительность MPPCACD сравнивалась с современными алгоритмами обнаружения аномалий, такими как машина векторов поддержки одного класса (OCSVM) и описание векторных данных поддержки (SVDD). Три алгоритма работают, создавая график оценки аномалий, в котором аномалии обозначены пиками на графике. На графике MPPCACD было отмечено, что в нормальных системах баллы аномалий обычно низкие (0–10), тогда как аномалии легко идентифицируются с баллами 100–200. Поскольку OCSVM и SVDD являются методами общего назначения, оценки аномалий были нестабильными даже при нормальной работе системы, что затрудняло выявление аномалий.

2. Автономная навигация

Марсоходу на Марсе, которым управляет исключительно команда инженеров, можно давать инструкции двигаться только каждые 20 минут. Это задержка связи между Землей и Марсом. Предположим, каждые 20 минут можно отправлять только 5 команд движения, то есть всего 360 команд в день. Марсоход, оснащенный функцией автономной навигации, может принимать ≥ 5 решений в минуту, если не в секунду. Теперь он ограничен скоростью своего компьютера, а не задержкой связи.

Модель спутниковой навигации, вдохновленная искусственной нейронной сетью (ИНС), предложена Мэтью К. Уилкинсоном и Эндрю Дж. Мидом. Аппроксимация последовательной функции (SFA) используется для разработки ИНС, которая изучает эффект перегорания двигателя посредством изменения его величины и направления перегорания на траектории полета космического корабля. Результат сравнивается с желаемым состоянием, последующий параметр ошибки используется для постоянной настройки параметров нейрона. SFA эффективно тренирует свою собственную структуру нейронов посредством итеративного процесса наблюдения за влиянием изменения параметра нейрона на параметр ошибки. Было доказано, что этот подход более эффективен с точки зрения вычислений, чем вычисление уравнения динамики или создание нейронной карты сразу.

3. Обнаружение признаков для исследования планет

Географические особенности поверхности планеты говорят нам о ее геологическом составе и историческом значении. Географический анализ ближайших планет осуществляется с помощью наземных вездеходов, отправляющих изображения на Землю. Это может составлять большой объем избыточных данных. Этот процесс мог бы быть намного более эффективным, если бы марсоход имел встроенный механизм для анализа функций и классификации изображений в порядке значимости, после чего он мог бы решить, какое действие будет лучше всего.

Burl, M. C. и Wetzler, P. G. Оценивают производительность нескольких контролируемых алгоритмов машинного обучения, таких как поддерживающая векторная машина (SVM) и модели непрерывно масштабируемых шаблонов (CSTM) для обнаружения кратеров. Обученные алгоритмы проверены на изображениях Марса орбитальным аппаратом Viking. Подход SVM оказался наиболее эффективным, так как он был таким же точным, как и люди, классифицирующие фотографии. Авторы предлагают новую реализацию SVM с использованием быстрых преобразований Фурье и техники перекрытия и добавления, которая сокращает использование памяти до 5% от размера изображения. Это позволяет запускать алгоритм в системах с ограниченным объемом памяти, таких как космический корабль.

Использованная литература:

Яири, Т. и др., Метод мониторинга работоспособности на основе данных для служебных спутниковых данных на основе вероятностной кластеризации и уменьшения размерности, IEEE TRANSACTIONS ON AEROSSPACE AND ELECTRONIC SYSTEMS, Vol. 53, №3, 2017.

Уилкинсон, М., Мид, А., Машинное обучение на основе нейронных сетей для автономного наведения на Луну, ЖУРНАЛ АЭРОКОСМИЧЕСКИХ ИНФОРМАЦИОННЫХ СИСТЕМ, Vol. 11, №7, 2014 г.

Берл М. К. и Ветцлер П. Г. Распознавание объектов на борту для исследования планет. Машинное обучение, 84 (3), 341–367, 2011. doi: 10.1007 / s10994–011–5239–6