核心观点与挑战
太空任务对人类和机器人探索者都极具挑战性，远程操作是主要方式。由于风险、成本和距离问题，自主性至关重要。机器学习可增强自主性，提高任务持续时间、可靠性和成本效益，并增加科学回报。然而，太空环境的特殊性（计算约束、高失败成本、长通信延迟）限制了现有机器学习方法的应用，需要新的解决方案。
关键数据与现状
- 远程航天器计算能力落后桌面技术十年，如RAD750处理器运行在133 MHz，成本约20万美元。
- 太空任务失败成本极高，机器学习算法必须可靠，不威胁航天器核心操作。
- 通信延迟要求自主决策，但增加了决策正确性要求。
- 现有应用有限，如EO-1卫星上的SVM分类器、火星探测漫游车的AEGIS系统。
机器学习在太空中的机会
- 图像分析：识别特征以指导仪器瞄准、导航、定点着陆。
- 时间序列分析：故障检测或预测、遥测异常检测。
- 分类：地表类型映射、矿物组成估算。
- 聚类：识别趋势和离群值。
- 强化学习：高效探索新环境、识别机器人解决任务的方法。
- 排序：根据有限的下行链路带宽优先处理或子采样数据。
- 主动学习：选择新的观测目标。
- 拒绝学习或内省学习：以提高可靠性。
- 多仪器或多任务集成学习。
研究方向与建议
- 开发新的机器学习概念和方法以应对太空环境的独特挑战。
- 识别机器学习可在显著提高能力、稳健性和/或效率方面发挥重要作用的新型太空应用。
- 制定适当的评估和验证策略，以在关键任务环境中建立对这些方法远程操作的信心。
- 机器学习研究社区应积极与空间任务专家合作，建立交流平台。
潜在收益
- 提高远程航天器自主性和决策能力，节省时间，降低费用和风险。
- 延长任务寿命，减少持续运营成本，可能实现当前无法进行的任务。
- 推动现有机器学习算法的边界，并理解其自身的局限性。
示例研究
- “行星探索中的机载对象识别”：基于SVM的技术识别撞击坑，结合FFT技术提高效率，使远程航天器能迅速聚焦于感兴趣区域。
