NASA 不僅是軟件工程的鼻祖，在軟件架構方面的造詣也是極爲先進的。我們曾經編譯過《太空不懼宕機，軟件工程鼻祖 NASA 是怎麼做到的？》。毫不意外的是，在機器學習領域中，NASA 也絲毫不遜於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？
你有沒有仰望過夜空，想知道繁星之外是什麼？你有沒有想過宇宙中其他地方是否存在生命？你有沒有想過去某個遙遠的星系旅行，探索宇宙的奧祕？所有這些，都是 NASA 每天都在努力探索的問題。
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據的時代，機器學習在太空發現領域扮演着重要的角色。NASA 的各種航天器和衛星所生成的數據量驚人（舉個例子，僅斯隆數字化巡天（Sloan Digital Sky Survey ）一個項目，未來將生成 5000 多萬張星系的圖像），因此，爲了識別這些數據中的模式，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、在其他星系中發現更多的行星以及進行一些更爲奇妙的探索。事實上，只要涉及到太空和機器學習，就意味着有無限可能。
這裏，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
火星上的漫遊車——勇氣號和機遇號
如果你認爲 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 就已經爲發明了可以用在火星上的無人駕駛探測車——火星漫遊車（Self-Driving Rovers on Mars）。2004 年，火星漫遊車“勇氣號”（Spirit）和“機遇號”（Opportunity）就搭載了一套基於機器學習的導航和駕駛系統，稱爲 AutoNav。2011 年發射的另一輛火星漫遊車“好奇號”（Curiosity），也搭載了 AutoNav，直至現在，這輛火星漫遊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。
或許你會認爲，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，這件事並不容易。儘管 AutoNav 並不需要擔心漫遊車會撞上其他車輛或者人類（火星上還沒有發現生命跡象），但火星的表面岩石非常多，因此，導航系統必須確保漫遊車不會撞到岩石上，或者陷入光滑的沙丘中，否則漫遊車將會永遠被困在那裏。
機器學習在火星漫遊車的另一個應用，是一種稱爲“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現火星岩石的方法比較有趣，這是因爲由於通訊能力有限，火星漫遊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，然後漫遊車再將它們傳回地球，以供 NASA 的科學家們研究。
太空醫學——探索醫療能力
現在，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，需要醫學幫助該怎麼辦？很顯然，他們是無法返回地球上去看醫生的。出於這一原因，NASA 正致力於利用機器學習來探索醫療能力，未來這種醫療解決方案能滿足宇航員們的醫療需求。這些醫療方案將由認證的醫生和外科醫生創建，他們會根據不同宇航員的不同情況對醫療方案不斷進行改進。
總而言之，探索醫療能力的主要目的在於，讓宇航員在太空中（特別是執行長期、遠距離任務時）保持身體健康。太空環境並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、嚴酷的環境挑戰、重力變化引起的問題等等。這種情況下，由於存在時間延遲，宇航員不能直接聯繫地球上的醫生，因此 ExMC （Exploration Medical Capability，探索醫療能力）將使用機器學習在遠程醫療技術的幫助下提供自主醫療護理。
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 認爲，在銀河系中，大約有 1000 億顆恆星，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現外星人。但在發現外星人之前，NASA 首先需要不斷在不同的太陽系發現更多新行星。一旦這些系外行星被發現，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。
儘管這些步驟已經十分晦澀複雜了，但更棘手的是仍然沒有可以用於實驗的真實數據。因此，NASA 的科學家只能通過機器學習生成所需的數據進行實驗，這纔是機器學習真正的“用武之地”。行星光譜生成器（Planetary Spectrum Generator）是 NASA 用來創建發現系外行星3D軌道和大氣特性的工具。此外，科學家們還使用線性迴歸和卷積神經網絡來搭建太陽系工作模型。然後在訓練模型之前，再對其進行進一步微調。
上圖爲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
科學發展至今，宇航員個不再僅限於人類。NASA 現在已經研發出了機器人宇航員，科幻小說裏的場景已經成爲現實。Robonaut 的研發主要是爲了在太空中與宇航員一起工作，幫助他們完成對對於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瞭解太陽系。
從這幅圖片可以看出，機器人宇航員現已成爲了太空探索中必不可少的“助手”。爲了實現這一點，Robonaut 基本上可以藉助機器學習來“自主思考”。科學家或宇航員可以將任務交給機器人宇航員，它會想出如何執行這些任務。
總體來說，與人類宇航員相比，Eobonaut 還有很多優勢，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 Robonaut 時使用了很多先進的技術，其中包括指尖的觸摸傳感器、全頸部移動範圍、高分辨率相機、紅外系統、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，就沒那麼容易應對了，因爲 GPS 無法在月球上使用（至少目前是這樣）。近日，NASA 前沿開發實驗室（Frontier Development Lab ，FDL）正在進行一個項目，爲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星。
要在荒蕪且岩石較多的月球表面進行導航並不容易，需要向機器學習系統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），然後使用神經網絡創建月球的虛擬版本來實現。在項目完成後，如果你在月球上迷路了，你就可以拍攝周圍環境的圖像，機器學習系統將通過比對拍攝的圖像和已經創建的虛擬月球表面圖像數據庫，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，不僅限於是月球。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，也改變着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，隨着研究的不斷深入，機器學習將會和宇宙一樣，充滿着無限可能。
原文鏈接：
https://www.geeksforgeeks.org/how-does-nasa-use-machine-learning/