智慧應用 影音
電子時報行動版服務
Vector Japan

自主型AI在航太工業的應用潛力

好奇號上的演算法可以自動瞄準目標,是低風險高回報的太空AI應用範例。法新社

機器學習和深度學習是AI及太空應用的新領域。在機器學習和深度學習的推動下,AI不僅能強化自主演算法,也可以加速建立演算法,並讓更多企業和工程師使用。

根據Electronic Design報導,汽車的主要功能是運輸,太空船則需要執行多功能任務,運輸只是用來推動其他功能,如提供衛星影像或進行科學觀察。這些功能的風險有大有小,因此在部署及應用AI時,風險較小的功能會是首選。

舉例來說,美國太空總署(NASA)的好奇號火星探測車配備有ChemCam的儀器,可以分析火星的岩石和土壤成分。但ChemCam需要先指向一個目標,從地面發出指令相當繁瑣,不僅受到正確通訊衛星是否剛好在好奇號視野內的限制,也會受到指令和資料從火星傳輸到地球所需的時間約束。因此好奇號使用了自動瞄準演算法,在缺乏地面指揮時可以將儀器指向目標,這就是低風險、高回報應用的一個很好範例。

然而自主性提高必然會增加設計的複雜性,若使用傳統編程技術建立這類演算法,通常困難而昂貴。但擴大這類演算法的使用範圍將有助開拓更強大、更具競爭力的產業格局。

地球感測是一項成長快速的太空應用,需要使用相機、雷達甚至射頻分析,來感測地球表面的衛星。感測到的資料可應用於多種目的,從評估作物健康的農業應用,到計算購物中心車輛多寡預測經濟發展都可以。

不過地球感測衛星所收集的資料量,通常遠大於它們可以傳輸到地球的量。過去,將有用資料從無用的數據中篩選出來,需仰賴地面的電腦完成,如果衛星本身可以將有用的數據與無用的數據分開,就可以提高衛星傳輸的效益。能夠做到這一點的公司,在市場上將可佔盡優勢,對擁有這些技能的工程師需求也會很大。

現代工程工具可透過視覺化來隱藏複雜性,讓設計抽象化,方便工程師更深入了解系統的潛在行為。雖然設計抽象化有所改善,但這些複雜AI系統中的設計錯誤可能微小到難以捕捉,因此需要大量的模擬和測試。為了加快整合過程,工程師需要使用熟悉的軟體工具。

MATLAB和Simulink等設計工具可幫助工程師在設計階段,就了解各個功能對系統行為的影響。這些工具最有效的地方,不只是透過自動標記等功能簡化演算法的訓練,還能透過模擬進行早期的驗證,在硬體上部署演算法之前完成需求測試。

因此,航太工程師越來越需要使用MATLAB和Simulink等工具來開發機器學習應用程式,而且是針對工程而非資料科學而設計的工作流程。

  •     按讚加入DIGITIMES智慧應用粉絲團
更多關鍵字報導: 衛星 深度學習 機器學習 航太 AI