随着人工智能、机器学习、增强现实等新技术的日渐兴起，地理空间领域也不例外。GeoAI（地理空间人工智能）最近得到了广泛的关注。GeoAI是人工智能和地理信息系统（GIS）的合并。它是一个不断发展的领域，旨在使用机器学习（ML）和深度学习（DL）等人工智能方法，分析空间数据和图像，以产生有用的信息。

人工智能技术被各主要强国视为“改变游戏规则”的尖端技术之一，有望提升航天装备可靠性、快速性和自主性，从而产生颠覆性影响。简要分析了人工智能的技术发展态势及其在航天装备中的应用态势。建立了人工智能在航天装备领域应用体系，并在此基础上，按照进入太空、利用太空和控制太空的维度，从运载火箭、卫星通信、卫星遥感、卫星导航、载人飞船、太空态势感知等方面，深入分析了人工智能在航天装备领域的应用场景。最后，归纳了人工智能在航天装备领域应用的趋势。为我国发展人工智能技术在航天装备领域的应用提供参考。

大数据、云计算、人工智能（artificial intelligence，AI）等高新技术促进了航天事业飞速发展，加速了可回收火箭、智能遥感卫星、新型载人飞船、太空机器人等一系列新型高科技航天装备落地应用，初步展现了人工智能技术+航天的时代雏形。自2006年深度学习取得突破以来，人工智能因可感知或认知外界环境并产生交互，可自我学习，有望进一步提升航天装备可靠性、快速性及自主性，实现航天活动能力质的飞跃。

人工智能在航天装备领域的应用，涉及运载火箭、卫星、载人飞船、太空态势感知装备等方面。本文重点讨论人工智能在军事航天装备领域的应用。世界各主要强国均大力推进航天装备的智能化战略，人工智能技术在航天装备领域的应用成为国内外研究热点。Gianluca Furano重点探讨了人工智能技术在遥感、导航以及航天器健康监测等航天装备原位测量中的应用。郝晓龙等分析了智能航天体系的概念内涵及架构［14］。然而，当前研究大多从航天装备的某几个具体应用点展开讨论，从进入太空、利用太空、控制太空维度，系统全面分析人工智能在航天装备领域应用的较少。本文在简要分析航天装备领域对人工智能技术需求、人工智能技术发展态势以及人工智能航天装备应用发展态势的基础上，对应进入/利用/控制太空，从运载火箭、卫星遥感、卫星通信、载人飞船、太空态势感知等方面，系统研究人工智能在航天装备领域应用场景，探讨人工智能在航天装备领域应用发展趋势。

卫星蜂群概述

卫星制造商Astrium公司和国防电子承包商Thales（即原Thomson-CSF） 公司是“卫星蜂群”星座的主承包商:Astrium将负责太空段和地面段的系统设计，Thales将负责任务、有效载荷和用户段的设计。“卫星蜂群”将采用ONES为法国科学卫星研制的新型Myriad。标准微卫星平台。卫星的全面研制工作始于2000年12月，建造工作始于2002年3月。这一电子窃听卫星网被命名为“卫星蜂群”（Essaim ），由4颗120公斤重的卫星组成，其中3颗为工作星，1颗为备用星，它们在距地面680公里高的轨道上以间隔10公里的密集队形进行编队飞行。“蜂群”星座用来窃听秘密频段上的无线电信号，它在任一给定地区的上空可逗留长达10分钟之久。这样长的时间足以探测到正在形成的威胁所特有的通信活动激增，或者对信号的形式或内容进行初步分析，然后将其交给其它系统进行更深入的评估。该星座是法国为发展成龙配套的天基、空基和面基信号/电子和光学/雷达情报系统而制定的2003一2008年军费开支计划的重要组成部分.该计划要优先考虑的问题是数据融合，在每年拨给基础研究用的30亿法郎(合4.3亿美元〕中至少有20%将专门用于C3I系统研究。[1]

“卫星蜂群”早期是法国研制的实验型电子侦察小卫星，任务是监测来自地面的各种电磁信号，并验证相关技术以及在大范围内实施空间计划的可行性。“卫星蜂群”卫星由法国武器装备部（DGA）出资，阿斯特里姆公司负责空间与地面部分系统设计、人员培训和系统运行。“卫星蜂群”卫星由四颗卫星组成、其中工作卫星3颗，备份星1颗；4颗“蜂群”卫星于2004年12月18日由阿里安-5火箭发射。

“蜂群”是一个由四枚微型卫星（120公斤）组成的“空军纵队”，能够监听和监测从其运行轨道投到地面的迹线向两侧各2000一2500公里的区域，也就是说，一条宽达5000公里的平而带置于其天线的注意范围之内。而四个卫星运转的方向与地球旋转的方向相垂直，所以后者被处于完全的监视中，但对于某一点来说不是持续的，因为同一点每隔93分钟才能被监听10分钟。

这一组卫星每24小时划出15条轨道，每天在地球的同一点上经过6次。它们将在两条相距几公里到几十公里的分离轨道上运行。其中三颗卫星在工作，第四颗是一个‘懒惰的旅伴”，当那三颗中的一个出现问题时，它才替补上去。

“蜂群”卫星将最大限度地利用现成的部件和由法国国家航天研究中心（CNES）研制的一种标准微卫星平台。该星座仅需耗资7,000万欧元(合6,300万美元)，但却能覆盖5000一6000公里宽的空域。不过，使多颗卫星密切地协调工作并非易事，需要精确的时间控制，这一技术最引人注目的应用实例是美国“白云”电子情报型海洋监视卫星系统和“海军海洋监视卫星系统”（NOSS），其中前者是由美国海军研究实验室研制的、用以识别和定位敌方舰载雷达的试验性系统，后者是“白云”的改进型实用系统。但是，“蜂群”星座是利用密集编队飞行的小卫星网进行纯信号情报侦察的首次尝试。因此，其任务之一就是试验这种方法的可行性。

第二项任务是完成由“樱桃”和“克莱门坦”两颗重量各为50公斤的信号情报卫星所开创的表征无线电频谱的工作。这两颗卫星分别于1995年和1999年随法国第一代的“太阳神1”光学侦察卫星一起发射:其中“樱桃”是一颗通信情报卫星，它在一次太空碎片相撞事故中被撞毁了:而“克莱门坦”是一颗电子情报卫星，它至今仍在工作.法国还可以利用从其现代化的舰载和机载信号情报侦察系统中所取得的经验。[3]

美国宇航局的Starling任务说明了在太空中使用自主机器人蜂群的一个例子。这项任务涉及一组四颗六个单元（6U）的立方体卫星被发送到地球轨道，以测试卫星之间的自主合作。它们旨在在没有任务控制实时更新的情况下运行，专注于为未来的深空任务开发关键技术。

Starling任务的目标是多方面的。它旨在建立一群能够作为自治社群运作的小型卫星，熟练地应对环境并作为一个团队工作。他们需要自主机动以保持分组，创建一个灵活的通信网络，跟踪彼此的相对位置，并独立响应新的传感器信息。

Starling正在测试的关键进步之一是使用移动临时网络（ Mobile Ad-hoc Network MANET），这是一个由无线连接的设备组成的通信系统，可以根据网络条件自动重新路由数据。有了这项技术，Starling航天器可以随时在太空中创建和维护网络。此外，Starling任务正在进行分布式航天器自治（ Distributed Spacecraft Autonomy，DSA）实验，以了解航天器是否可以集体收集和原地分析科学数据，并合作优化数据收集以应对环境变化。

卫星蜂群意义

利用小卫星网有可能形成一个巨大的虚拟遥感器，其能力会相当于甚至大于单颗大型卫星，同时又会降低成本、缩短交付期、减小发射风险。例如，通过三角测量法，小卫星网可实现快速定位，以准确测定移动中的舰载雷达的位置，减小瞄准误差。[2]

GeoAI的应用。地理空间数据在交通、智慧城市、公共卫生、自然灾害、公共安全和气候变化等许多领域广泛传播。为了在每个领域处理这些数据，地理空间专家正在使用人工智能使数据处理更容易。在这里，我们将讨论GeoAI在不同领域的一些应用：

交通运输

交通是一个非常有活力的领域，车辆的移动可以在几秒钟内改变。有了GeoAI，它将有助于识别道路上的交通、货物跟踪、避开障碍物、进行重型车辆的路线选择，以及绘制供应链运动图。此外，我们正在走向自动驾驶汽车的未来，GeoAI将对监测和分析数据有很大的帮助，如碰撞风险预测和视频分析的交通监测。

智慧城市

GeoAI在智慧城市规划中发挥着重要作用。智慧城市是通过基础设施的物理层和数字层的整合而建立的。基础设施的数字层得到信息和通信技术的支持。这些技术依赖于地球观测（EO）、无线传感器、互联网和通信技术等产生的结构化和非结构化数据。GeoAI在ML和DL的帮助下，将有助于使空间数据和人类城市动力学信息的产生更加容易。它将有助于改善所有城市公民的生活，提高城市服务和功能的效率，并应对紧迫的社会、生态和经济挑战。

国防

在国防部门，地理信息系统数据用于地面接收命令和提供战场地图。GeoAI将分析地图数据，并将帮助提供最安全的路线，以避免暴露给敌人。人工智能将分析变量并提供自动地理结果，最终有助于拯救生命。

医疗

GeoAI在医疗保健领域发挥着重要作用，因为地理位置是人口和个人健康的一部分。健康受到自然环境、建筑环境、社会决定因素和气候的影响。GeoAI在医疗保健领域有两个主要应用；一是公共卫生，二是精准医疗。公共卫生涉及大规模的人群、环境因素和影响他们的遗传因素。精准医学通过考虑遗传、环境和生活方式的个体差异来处理预防和治疗策略。通过监测人类行为和空间分布，GeoAI将有助于预测疾病的影响。

商业营销

在营销方面，在GeoAI的帮助下，企业可以跟踪消费者行为并分析他们的需求，以获得最高利润。通过将企业与地理空间数据联系起来，也可以获得重要的见解。GeoAI还将通过跟踪仓库来帮助库存管理，比如哪个商店的产品在哪个位置缺货。通过分析消费者的行为，企业可以确定他们需要将产品投放到哪里。

什么是地理空间AI或Geo.AI

人工智能（AI）已成为一个流行词，象征着创新技术转型的下一阶段，以及未来该行业将如何发展。利用智能算法、数据分类和智能预测分析，人工智能在许多领域都有其效用。

人工智能的一个更具体的子集，将GIS的精确性与人工智能的锐利分析和基于解决方案的方法相结合，称为地理空间人工智能，或简称为Geo.AI。

地理空间人工智能也可以被称为一种基于地理组件的新形式的机器学习。

人工智能在卫星领域的十种重要应用

1、美国超级巨人工业公司：人工智能减轻操作人员负担 

人工智能和机器学习可协助操作人员管理大型卫星星座，完成“低认知任务”。该公司正测试基于机器学习的轨道预测算法，可高精度预测低地球轨道卫星和碎片的位置；通过卷积神经网络对卫星实施目标检测、分类和定位，使卫星通过星载传感器数据对其观测到的物体进行识别并作出反应；利用地面站接收卫星遥测数据，并对异常情况进行分类和预测。

2、美国相对论太空公司：人工智能和机器学习软件优化火箭制造方式  

该公司结合新技术实现航空航天制造自动化，进一步革新火箭的制造和飞行方式；已建立世界上最大的金属3D打印机；使用人工智能和机器学习优化火箭制造；研发的人工智能传感器，可提供实时自适应控制与创建定制化解决方案等。

3、澳大利亚LatConnect 60公司：利用人工智能实时提供地球观测信息

该公司已利用人工智能实现近实时大规模收集和交付地球观测数据，其专利机器学习算法可应用于轨道上，检测异常并触发响应；星载人工智能技术可选择最优的数据链路，处理、分类或融合大量在轨数据，直接为终端用户提供信息。

4、洛·马公司：使用人工智能增强网络安全

洛·马公司在卫星热真空等测试期间，使用T-TAURI人工智能系统，可在极短时间内分析异常结果，缩短测试时间；通过“探路者”等智能卫星任务增强太空能力；研究自主指挥各种规模的卫星星座，使卫星自主进行轨道变化，对提示或威胁作出反应。

5、美国卫星通信创新集团：利用人工智能促进卫星行业发展

卫星是整个通信网络依赖的基础，人工智能可管理虚拟通信网络，帮助卫星提供可靠的通信服务，实现通信任务自动化。

6、美国雷声情报与航天公司：使用人工智能执行天基作战任务

该公司正进行先进的星载处理工作，能够承载强大的人工智能和机器学习应用程序，使卫星成为数据收集器、开发者和传播者（大脑和神经系统），直接传送情报信息；还开发了先进的算法执行专门的天基作战管理、指挥、控制和通信任务，该算法能以机器速度处理大量数据。

7、欧洲空客公司：利用人工智能监控轨道卫星运行状况

已成功使用人工智能为客户提供高质量卫星图像；未来还将用于监测地球图像，并对卫星图像进行人工智能分析，实现图像请求服务的自动重新编程；将遥测数据汇总，以创建与航天器相关的算法，监控在轨卫星状况；将实现地面控制系统自动化，高效管理大型卫星星座。

8、匈牙利C3S公司：将自主车辆技术用于卫星数据处理

该公司将神经网络硬件加速技术集成至空间电子平台，使小型电力受限卫星具有高性能人工智能能力，提高星载数据处理能力。

9、美国休斯公司：将人工智能用于可变调制解调器接口

可实现不同通信卫星之间的协同操作（美太空军项目的一部分），实现军事网络的弹性和可靠性与近实时改变配置的灵活性。

10、美国轨道视觉公司：使用人工智能转化数据  

该公司利用人工智能将多源地理空间数据转化为有关供应链状态、全球商品、地缘政治事件和人口统计的客观数据，以辅助决策制定。

随着我们越来越依赖卫星技术，太空安全变得越来越重要。为了确保重要的空间资产得到保护，需要有创新的解决方案。其中一个突破性的进步是将人工智能与卫星蜂群（satellite swarms）进行整合。在这篇文章中，我们将探讨人工智能卫星蜂群如何彻底改变太空安全，增强监视能力，并实现主动威胁检测和响应。

卫星蜂群

卫星星座（或蜂群）是由具有相同目的和共享控制的相同或类似类型的人工单元组成的网络。这种群组与位于世界各地的地面站进行通信，有时是相互连接的。它们作为一个系统工作，被设计为相互补充。首先，卫星群在几个通常相似的轨道（轨道平面）上旋转，确保不间断或几乎不间断地覆盖全球。其次，与单一的遥感媒介相比，单个的星座单元在技术上可以捕获更广阔的领土。

卫星蜂群在对地观测等许多任务中都很有用。尽管对边境监测、环境污染控制和灾害监测（如地震、森林火灾和洪水）的需求越来越大，但传统的系统（单颗卫星）无法实现分析所需的具有理想空间/时间分辨率的频繁图像，也无法为“决策保障”提供几乎实时的必要数据。

卫星蜂群现在正被军方考虑用于防御和进攻任务的太空安全。

卫星蜂群构想图

了解人工智能卫星蜂群

卫星蜂群由多个小卫星组成，它们以协调的方式协同工作。这些蜂群可以部署在各种编队中，包括星座或集群，以执行特定任务。当人工智能算法集成到卫星蜂群中时，它们就能够处理大量数据，做出实时决策，并适应不断变化的条件。

人工智能卫星蜂群及其用于太空安全

增强太空监视：人工智能卫星蜂群为太空监视能力带来了重大改进。

a.全面监测：卫星蜂群可以对太空活动进行持续和全面的监测。它们可以更准确、更高效地跟踪近地轨道和地球静止轨道上的物体。

b.实时跟踪：通过利用人工智能算法，卫星蜂群可以实时处理数据，从而能够更快、更准确地跟踪太空碎片、卫星和潜在威胁。

c.增强态势感知：人工智能卫星蜂群可以识别和分析太空中的模式、异常和意外行为，有助于提高态势感知并采取积极措施。

主动威胁检测和响应

人工智能卫星蜂群提供了主动的威胁检测和响应能力，以确保太空安全。

a.快速识别威胁：通过先进的数据处理和分析，卫星蜂群可以快速识别潜在威胁，如未经授权的卫星部署、太空武器化活动或碰撞风险。

b.自主反应：人工智能算法可以使卫星蜂群对已识别的威胁做出自主反应，例如，实施机动以避免碰撞，或向地面控制中心提供及时警报以采取进一步行动。

c.协同防御：当多个卫星蜂群协同工作时，它们可以形成协同防御网络。该网络可以共享数据、交换信息并协调应对策略，以更有效地应对潜在威胁。

人工智能卫星蜂群的优势

作为人工智能领域的分支之一，群体运动控制集人工智能感知、决策和反馈于一体，联合多个具有有限传感能力的个体，实现整体智能的突破，主要应用于机器人和无人系统。群体控制可使星座或编队实现自主运行，建立起自控的协同分工体系，充分发挥群体的互补优势，大幅提高任务执行效率

a.成本效益：与大型的单个卫星相比，由小型卫星组成的卫星蜂群在开发、发射和维护方面往往更具成本效益。

b.冗余和弹性：卫星蜂群提供冗余，确保即使一颗或多颗卫星出现故障或受损，整个任务也能继续。

c.可扩展性：卫星蜂群可以根据任务需求轻松放大或缩小，从而实现更大的灵活性和适应性。

d.快速部署：卫星蜂群的较小规模和模块化特性，使其部署更快，缩短了任务规划和执行之间的时间。

BAE Systems计划于 2024 年将其首个多传感器卫星群发射到近地轨道，从太空向军事客户实时提供高质量的信息和情报。这组卫星被称为 Azalea，将使用一系列传感器来收集视觉、雷达和射频 (RF) 数据，这些数据将通过边缘处理器上的机载机器学习进行分析，从而在世界任何地方安全地提供生成的情报，同时仍在轨道上。

继去年收购 In-Space Missions 后，BAE Systems 成为少数有能力设计、建造、发射和运营卫星的英国公司之一。太空任务带来的专业知识补充了公司现有的先进技术，并将成为其多领域能力的一个组成部分。Azalea 还将提高英国了解太空中、来自太空和穿越太空的威胁和危险的能力。

Azalea 集群将提供及时、可操作的情报，这对于军事行动和灾难响应至关重要。由四颗高弹性卫星组成，它们能够收集、分析和通信合成孔径雷达 (SAR)、光学和射频信号。与传统的单一用途卫星不同，该集群可以在轨道上完全重新配置，就像智能手机安装新应用程序一样；这确保了它能够交付未来的客户任务并延长卫星的生命周期。

该计划支持英国政府今年早些时候发布的国防太空战略，该战略将地球观测列为帮助保护和捍卫英国利益的优先领域，这是 Azalea 可以提供的主权能力。

BAE Systems 正在与芬兰公司ICEYE合作，将其自身在传感器技术方面的专业知识与 ICEYE 的先进 SAR 技术结合起来，纳入该集群。SAR 可以在白天或夜晚以及任何天气条件下提供地球表面的高分辨率图像。这种持续监控可以更轻松地检测即时物理变化，例如敌方船只或飞机的移动，或洪水和森林火灾等自然灾害期间处于危险中的人员的位置。

现有的天基传感器需要将数 TB 的数据传输到地球，然后才能进行处理和分发。传统的传输过程可能需要几个小时，并且依赖于间歇性射频链路和合适地面站的可用性。Azalea 系统通过在空间中组合和分析数据来节省宝贵的时间。它将能够识别感兴趣的活动，并在检测到的瞬间直接与现场用户进行通信——在有用的时间范围内安全地将有保证的数据直接传递到决策者手中。

BAE Systems 数字智能业务集团董事总经理戴夫·阿姆斯特朗 (Dave Armstrong)表示：“Azalea 卫星集群将在太空中处理数据，以便在需要的地方提供大量数字智能。我们了解天基情报对每个领域的重要性，无论是通知战略指挥、向区域内军舰发出警报，还是向地面部队提供实时情报。2024 年Azalea 的发射 将是英国主权太空能力向前迈出的重要一步。

ICEYE 首席执行官兼联合创始人 Rafal Modrzewski补充道：“ICEYE 有助于利用数据解决问题。无论天气条件如何，政府和组织都可以在需要时接收准确的信息，这具有明显的优势 - 这就是 ICEYE 带来的优势“通过将我们的 SAR 技术与 BAE Systems 的安全专业知识以及集群中的其他数据源相结合，我们可以帮助决策者在正确的时间做出正确的选择。”

In-Space Missions 首席执行官兼联合创始人道格·利德尔 (Doug Liddle)表示：“我们正在共同努力，以实现军事情报和能力的重大变革。我们的技术将监视对手，但也将通过帮助人道主义响应任务来提供巨大的民事利益。”

卫星运营商需要转变思维，要从数量提供商转变为专业的服务提供商，即重视为客户提供的整套服务流程。只要具备克服一系列挑战的勇气和耐心，人工智能技术极有可能成为帮助卫星行业实现自我转型、提高服务竞争力的核心技术。人工智能是是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统新兴技术科学，它的关键在于使用数据和机器学习。虽然人工智能近些年来反复登顶科技话题榜，但事实上，这个概念雏形20世纪50年代就被提出来了。卫星产业的数据量足以傲视群雄，若使用得当，它可以通过高效解决问题来降低人工管理的成本。虽然人工智能技术永远不会取代富有经验的卫星工程师，但这种技术应该被视为卫星工程师的左膀右臂。人工智能在卫星通讯中使用的潜在价值是巨大的，目前，已经有一些局部的测试例证了这种价值。

卫星通信公司每天从卫星和地面网络传感器上收集数以百万计的数据报。之所以搜集这么多数据，是因为当操作员无法查看他们的监控器时，更多的传感器数据有助于及时发出警报通知。大数据处理是探寻正确商业决策途径的常用方法。因此，利用好卫星运营商已拥有的大数据存储库，将为进一步开展机器学习和应用人工智能打下基础。何时实现全行业的集成并不是一个问题，因为它会在每个公司的发展进程中自然的完成。问题是如何去实现，以及将在多大程度上实现这一目标，这是每个公司必须根据自己的需求做出的决定。最后，人工智能机器通常会给出一个“是”、“否”或“无法决定”的命题。这不取决于所使用的的算法，而是取决于所提出的问题、所记录的答案和用作输入的大数据质量，其中，大数据质量是最为重要的。源数据的质量越低，发生的“无法决定”的事件就越多，整体的工作效率也会降低。总而言之，若卫星公司引入了人工智能或是机器学习技术，那么，相关技术所涉及的设计案例、数据来源、成果质量不仅要求直接操作人工智能系统的技术人员知晓，公司内的高层决策者也需要更多的学习与了解。

以下几种就是具有代表性的案例：

1、干扰检测:从基站收集数据对干扰因素进行分类，以便系统出现故障时自动发出警报。在数据积累到一定量后，还可以提出解决特定干扰的可行性方案。这一实验已经在巴塞罗那的加泰隆尼亚通信技研究中心（CTTC）成功测试。

2、干扰预测:从已经发生的事件中搜集来自票务系统的数据，并将其与计划中的未来事件相关联，以预测潜在的干扰因素。该试点项目已经开始为机器学习寻找适合的数学函数了。

3、遥测数据中的异常检测:与干扰检测一样，这是关于教导系统识别和检测遥测数据中的异常，同时，这也是是加泰隆尼亚通信技研究中心正在研究的另一个案例。

4、灵活的卫星通信系统:人工智能可以预测无线电通讯的请求方式。换言之，在有卫星广播的情况下，它可以帮助预测用户可能需要的内容，以便及时切换广播频道。

5、应用于VSAT（卫星小数据站）测量数据:使用VSAT测量数据，人工智能可以确定每个站的成本，它们的性能，安装是否良好等等，这可以为VSAT运营商提高生产率。

6、网络安全:这是人工智能的重要用例。系统只有在新漏洞出现之前才是安全的，随着卫星网络的虚拟化，这将成为一个值得关注的领域。因为人工智能可以在出现，或可能出现漏洞时发出警报。

7、避免碰撞:如果我们将操作员星历表数据和来自公共传感器网络的数据输入人工智能系统，我们能否让它计算碰撞的概率，并在迫近时向操作员发出警报?目前，空间态势感知是由包括空间数据协会在内的多个组织完成的，但显然这需要改进，以保障空间环境的未来。或许人工智能的引入将有助于解决这一问题。

8、预测轨道:一旦我们的卫星监测不到，人工智能可以作为预测卫星的路径的有效方式。无论是出现错误还是近地轨道卫星不在监测范围内，我们都能够从网关站加以控制。

人工智能+卫星产业如何实现

卫星行业需要一些配套动作才能与人工智能行业结合起来。

1、虚拟化网络:我们需要虚拟化地面站。如果射电频率转化为数字，就可以将其发送到用软件调制解调器的云存储。目前已经有超过200颗卫星搭载了数字基础设施，这是一个良好的开端，因为将系统数字化，并将数据从系统传输到云端，意味着可以用这些数据做更多的事情。

2、数据共享:有些公司和组织已经有能力将数据转化到实际运用中去，以此来提高卫星通讯的效率。这一操作最为重要的是卫星行业丰富的数据资源，但各个公司历来不愿分享这种资源。然而，与之相悖的是，只有这类有能力的组织获得了更多数据，行业的整体发展才会越快，双赢的概率才会更大。同样重要的是，决定是在公司内部运行人工智能工作组，还是将其外包——包括与行业伙伴共享相关企业数据。这是一个重大的难题，是将业务关键数据递交给公司外部的实体，还是在公司内部组建一个团队来管理人工智能和机器学习任务。对于卫星通信环境的经济前景来说，这是一个决定性的问题。

3、数学技能:我们需要数学计算来支持人工智能和一整套不同的技能。射频工程师了解卫星，并且对行动方案做出最终决定。但我们也需要数据和数学方面的人才来处理数据，运行人工智能有效地评估数据。公司可以雇佣具有相关技能的员工，也可以外包给那些能够有效处理数据的公司。

 4、网络安全:虽然网络安全是人工智能可以解决的一个领域，但人工智能本身也存在信息安全威胁。算法的安全性如何？会发生黑客入侵并改变算法行为吗？如果一颗卫星受到攻击，那就不仅仅是把它击落的问题了。随着网络变得更加虚拟化，确保网络安全极为重要。为了避免发生网络攻击，准备相应的应急计划是必须的。

人工智能卫星测控

卫星测控的主要功能包括三点：

1、跟踪测量卫星，确定其运行轨道；接收、处理卫星的遥测数据，监视其工作状况；

2、依据卫星的工作状态和任务，控制卫星的姿态、运行轨道；

3、接收和分发有效载荷数据；实时提供卫星的遥测信息、运行轨道和姿态等数据。

人工智能在卫星测控领域应用的三个层次

由于人工智能的技术方法和具体研究领域十分广泛，而卫星测控领域是任务导向、结果导向的工程领域，因此这里我们主要根据人工智能在卫星测控过程中的应用程度，划分为三个层次，分别为辅助分析层次、辅助决策层次、自主决策层次。以此对人工智能在卫星测控领域的应用有更提纲挈领的认识。

1、辅助分析层次

在辅助分析层次，人工智能主要定位在“人类智能增强”上，即通过其在数量、速度和多样性方面的计算处理优势，辅助人类进行信息分析处理与提取。人机协作紧密，人发挥综合分析和决策的主要作用，机器作为人类能力的辅助和延伸。翻译翻译，就是在这个层次，你放风筝时，可以大大方方的闭上眼，人工智能会替你先收集风筝的高度、风速等各类信息，并帮你分析，给你更直接的结论，帮助你更好地控制风筝。此层次下卫星测控最典型的应用，就是各类航天信息的知识图谱构建、卫星故障的特征提取与识别、卫星及地面设备参数的变化预测等。美国国防部最早引入人工智能解决的主要问题，正是从大量的图像信息里识别获取关键目标和情报。这种图像识别主要借助机器学习算法，通过对大量图像、分类经验的学习，完成对新图像的识别和分类，并在不断地工作中加强学习，做的越来越好。在训练准确性得到保证的前提下，往常航天工作人员在电脑前的煎熬，就可以由人工智能更好更快的代劳。

在测控过程中，卫星及地面设备的遥测、监控数据，实时精确记载了卫星和地面各设备的状态，对于其中连续变化的关键数值参数，通过回归预测，可以对设备状态、故障、寿命情况进行预警。对这类问题，以往都是采用数学统计的方法进行分析预测，这些根据实际数据建立的模型使用范围有限，需根据变化不断重构。而人工智能算法有不断学习强化和自适应的特性，数据怎么变，它就怎么调整，并且随着预测的经验积累，变得越来越准确。继续延伸的话，卫星运行过程中出现的各类故障，往往涉及许多参数状态的检查分析，甚至机理关联，通过对故障状态这一特殊“面孔”的特征提取和“研究学习”，人工智能技术可以在茫茫数海中找出故障数据，甚至在数据质量好的情景下，在实时数据流中提前看到故障发生的影子，因此采用人工智能解决参数的回归预测分析和故障的识别提取，也将大大解放工作人员的分析精力，从而更好的进行决策。

2、辅助决策层次

在辅助决策层次，人工智能基于“人类智能增强”的前提，在某些局部范围内具备提供决策方案的能力。智能机器（算法）的智能化逐渐凸显，在解决实际问题中发挥更大作用，与人协作更加紧密，共同对相关行为进行决策，但最终决策权仍由人类掌握。又回到放风筝上，这回你不仅可以闭上眼，还能躺在草坪上抱着脑袋晒太阳。由人工智能替你收集风筝信息、分析处理，甚至给出控制风筝的方案，但虽然它做了这么多，最终还是由你来决定风筝该怎么飞。

比较典型的应用例子，当属卫星资源的智能规划与调度。在卫星的测控应用过程中，会涉及到载荷资源的计划使用，及卫星网系的规划调度问题。以往这些工作由人力分析完成，在智能化技术应用后，通过对历史规划调度的记录数据进行学习分析，结合一些多目标优化算法，共同形成动态学习调整的智能规划算法，在新的任务情境下进行不同目标（如资源使用率优先，用户满足个数优先等）方案的计划制定，深度参与卫星资源使用的决策活动。

3、自主决策层次

在自主决策层次，允许智能机器（算法）自主完成观察、定向、决策、行动的OODA循环，独立的进行解决问题的行动。这下，你甚至可以边回家看电视边放风筝了，只要交给人工智能，就可以应对风筝出现的各种情况，并自己找办法解决。但目前人工智能的发展趋势下，以无人作战集群为代表的人工智能应用在相当长的时间内仍摆脱不了自身的决策结果可靠度和决策领域受限制问题。自主决策只能控制在一定范围内。也就是说，现在的人工智能只能晴天里放风筝，一旦下雨就适应不了，放风筝要选准天气。目前航天领域最经典的案例，当属各类空间探测机器人的研制和使用，包括轨道机器人(空间操控机器人、自由飞行机器人)和行星机器人(星表巡视作业机器人、宇航员服务机器人)等。这些机器人都具备OODA下自主决策的能力。

对于卫星测控而言，达到自主决策层次的技术使用方向和案例，比较典型的为智能遥感卫星。顾名思义，智能遥感卫星就像一个“机智”而“忠实”的朋友。一方面，它具有自主搜寻遥感目标、规划航天器任务、配置与调用卫星资源等能力。另一方面，它在航天人员给定的目标、规则或约束下，做出最优化的行动。具体来讲，智能卫星分为智能使命卫星、智能任务卫星。智能使命卫星，以完成使命任务为目标，在一定能力范围内，只需给定使命目标，后续无需人员介入，卫星自主规划任务层和行动层。智能任务卫星，则根据任务执行过程中的环境、目标和自身状态变化，可以自主规划任务序列和分配子任务，自适应调整系统配置和执行控制模型。这也是智能化时代，未来卫星发展研制的重要方向。

卫星图像和人工智能的十大应用

长期以来，卫星一直被用来获取有关地球表面的各种信息，如跟踪地表植被、全球天气模式、洋流和温度以及其他一些信息。图像的高分辨率，加上成本的降低和更大的可用性，使得公众越来越有可能更充分地使用卫星图像。卫星成像技术导致了超光谱和多光谱传感器的发展，可以帮助寻找物体、识别材料和/或检测过程。

什么是卫星图像？卫星图像是 "地球表面（或任何其他星球）的数字图像，由特殊用途卫星携带的传感器收集的光谱数据汇编而成，世界各地都可以从各种商业和政府来源获得"。简单地说，卫星图像是由世界各地的政府和企业运营的成像卫星收集的地球（或任何其他星球）的图像。

01

卫星图像和人工智能用于城市规划

Science & Technology

城市的快速增长和发展对环境包括城市公园和绿地的压力越来越大。绿地对于改善城市地区和为城市人口提供高质量的生活至关重要。绿地一般包括草坪、公共公园、花园、街道景观、森林等。在这方面，卫星图像和人工智能/ML等技术可以支持城市开发商和土地管理者在密集的城市环境中监测和支持可持续城市发展的决策，并通过收集城市地区的高分辨率细节来防止城市地区的洪水状况。此外，卫星图像可以提供详细的分析，以检测城市土地覆盖和土地使用的主要变化，允许频繁地覆盖和叠加不同的时间序列，为任何拟议的开发区域划分环境安全和可持续的区域。因此，卫星图像和人工智能/ML可以在确保可持续城市规划和发展方面发挥关键作用。

02

卫星图像和人工智能用于城市废物管理

Science & Technology

垃圾场的固体废物管理是全世界的一个共同问题。为了采用关闭程序，有必要进行环境评估，这需要了解这些场地的历史。然而，这种研究通常由于缺乏这些地方过去的废物处理活动记录而受到阻碍，特别是当它们非常古老时。

然而，在这方面，遥感图像可以作为一个重要的工具来识别和研究不适当的废物处理场的发展。卫星图像可以帮助获得关于垃圾场及其周围活动进展的信息，关于废物处理是如何发生的，以及关于操作的结束和重新植被过程的信息。

此外，在地理信息系统（GIS）的支持下，来自不同数据源的信息可以与以前的数据库交叉，从而帮助获得更大的数据结构，以更好地解释现有的信息。因此，在遥感图像的帮助下，有可能对后期的环境评估数据进行更好的解释。

03

追踪碳排放的卫星图像和人工智能

Science & Technology

随着越来越多的技术进步，现在有可能使用先进的人工智能和ML来追踪工厂、发电厂和其他来源的温室气体（GHG）排放。此外，通过使用图像处理算法来检测碳排放，人工智能技术可以利用卫星网络来开发一个关于工厂、发电厂和其他此类来源的活动的综合数据库。这可以帮助提供一个全面和集体的排放观点，以绘制一个地区的碳足迹。

04

卫星图像和人工智能用于植被监测

Science & Technology

开始一个建筑项目需要对场地进行清理。卫星成像与航空图像和人工智能可用于实地调查--观察和测量拟建施工现场的植被，以及附近地区的植被。有了这些数据，可以帮助利益相关者做出更好的决定：所需的植被清理量，为补偿植被损失而采取的补偿措施，拟建地点及其周边地区的资源可用性，等等。

另请阅读：人工智能在碳信用审计中的10个应用

05

卫星图像和人工智能用于铁路工程

Science & Technology

收集准确完整和可靠的现场数据对于管理建筑项目是非常必要的，尤其是像铁路这样的项目。铁路建设项目包括材料跟踪，如枕木和铁轨，进度监测，以及生态影响监测。仅举一例，在挖掘一个新的隧道时，人们必须确保它不会坍塌。同样地，也有可能地面会慢慢下陷。

然而，在这方面，卫星图像可以发挥重要作用，提醒这种不需要的地面运动，进而防止灾难的发生，而这是通过人工手段绝对不可能的。此外，卫星图像可用于对铁路网络的概述，这有助于检测和精确查看失踪的车厢。同样，结合人工智能的力量，它也可以通过计算场所内的车辆数量，指出它们的位置，检查丢失的机器等来帮助跟进资产的情况。

06

卫星图像和人工智能用于铁路基础设施的监测

Science & Technology

铁路最重要以及最核心的元素之一是铁轨。即使是基础设施中最微小的损坏也可能导致灾难性的后果。此外，任何物体或材料出现在火车的轨道上都可能使乘客的安全处于高度危险之中。植被是铁路轨道上最重要的入侵者之一。当植被生长并进入火车轨道时，就更加危险了。同样地，树木会触及或撞击导管，导致交通放缓，以达到安全目的。因此，在这方面，卫星图像可以有很大的作用，因为它可以帮助监测和管理植被。

同样地，动物或人类也可能成为铁轨的入侵者。事实上，人们有时甚至在铁轨附近建造建筑，这绝对是不可取的。因此，对铁轨及其附近地区的定期监测是非常重要的。在这方面，卫星图像也可以通过提供实时的卫星观测发挥重要作用。此外，通过利用人工智能/ML的力量，一旦发现任何此类障碍物，就有可能对其进行检测和报警。

07

卫星图像和人工智能对自然灾害的预测和检测

Science & Technology

卫星图像和GIS地图可以为评估、分析和监测自然灾害提供大量的信息，如飓风、龙卷风、火山、地震和旋风对全球大大小小的地区的破坏。它可以作为监测和管理灾害的重要工具和技术，以产生战略规划模型并预测和控制自然灾害的发生。

由于能够预测自然灾害，利益相关者就有可能更好地准备和应对关键事件。这对铁路和航空等部门特别有利，因为对自然灾害的预测可以帮助他们重新安排旅行时间，找出一些替代路线，保护他们的资产，准备救援计划等等。

08

卫星图像和人工智能用于铁路障碍物检测

Science & Technology

铁路上的障碍物几乎总是对列车造成损害和事故，因为不可能避开它们，这对乘客的安全造成了威胁。能够尽早发现它们是一个优先事项。障碍物可能来自自然灾害和周围环境（如上所述）。

此外，铁路道口监测也可以包括在这里。在法国，每年平均有一百起火车车厢相撞事故，造成三十人死亡，十五人重伤。尽管事故的发生主要是由于人为的错误，但在早期检测出有障碍物的路口时，确实有附加价值。障碍物检测将把正在进行的车辆检测工作与铁路需求合并。

09

卫星图像和人工智能用于基础设施状况和制图

Science & Technology

卫星成像使评估不同的基础设施状况成为可能。卫星图像的高分辨率有可能显示所观察到的场景中的巨大细节。例如，通过卫星成像，可以观察到断裂的铁轨、断裂/损坏的道路、断裂/损坏的桥梁、损坏的电线杆、损坏的空军基地、跑道等，从而避免事故的发生，以免为时已晚。

10

卫星图像和人工智能用于机场制图

Science & Technology

高分辨率的卫星图像与人工智能、ML和计算机视觉算法相结合，可以在机场布局计划的预先规划和设计、导航制图、机场安全和航空安全行动中发挥非常重要的作用。三维数字表面模型和数字地形模型可以为机场跑道、机场航站楼、机场布局设计、空域分析、障碍物调查、设施制图、滑行道等的建设提供数据和细节。

此外，利用遥感卫星图像数据和地理信息系统，机场规划者和开发者可以获得所有必要的信息，以改善机场结构内的交通规划。除此之外，遥感卫星图像数据还有助于识别环境变化、机场附近的城市发展，以及土地使用模式的变化和机场周围的植被行为。

viAct 如何利用 AI 和卫星图像的力量使建筑业和其他行业受益？

上面的博客清楚地描述了卫星图像与 AI 和 ML 等现代技术如何帮助建筑业和其他行业处理他们面临的许多问题。在这种情况下，viAct 利用卫星图像及其基于场景的人工智能的力量，不仅帮助建筑行业，甚至还帮助铁路和航空等其他行业。

viAct 一直在努力开发一些新的模块，通过利用卫星成像技术和人工智能的优势，从城市规划、开发和废物管理到跟踪碳排放再到植被监测等多个方面为利益相关者提供帮助。它也一直在开发一些模块，特别是可以帮助铁路和航空在几个方面，如铁路工程、基础设施监测和条件测绘，以及机场测绘。

结论和展望

人工智能在航天装备领域的应用将构建精确、快速、可靠、弹性且低成本的天基对抗体系，将更好地适应未来体系化、信息化、智能化战争，尤其是联合全域一体化作战要求。当前，人工智能在航天装备领域的应用仍然存在数据依赖性强、可解释性差、抗欺骗性弱等技术问题，以及数据共享等应用问题。未来随着以自我意识和思维能力为特征的强人工智能相关技术的不断取得突破，以及数据战略、云战略等政策的实施，人工智能在航天装备中的应用范围将越来越广，并向强对抗方向演进，并呈现星座集群和人机混合等特征。

1　向强太空对抗方向发展

美军已明确将“下一代太空体系架构”作为未来联合全域作战的指控中枢，可以预见，未来太空对抗将日益白热化。各主要军事强国将着力推动人工智能航天装备的应用向强对抗方向发展。人工智能强化学习等技术在运载火箭的应用，将进一步降低进入太空的成本和时间间隔，在己方太空装备遭受攻击时，可快速补充力量，增强太空对抗体系弹性；人工智能深度学习、类脑计算、人机交互、群体运动控制等技术在遥感、通信、导航卫星以及星群的应用，将进一步提高卫星数据处理速度、战区情报实时投送能力，增强运行链路抗欺骗和抗干扰能力；人工智能人机交互、自主控制等技术在军事空间站的应用，将使太空对抗具备天基指挥中枢；美军积极推动人工智能机器学习等技术在太空态势感知方面的应用，将使太空域日益成为各强国军事对抗的焦点。

2　向强人工智能方向发展

当前人工智能在航天装备应用的技术途径主要以机器学习，尤其是深度学习为主。在技术上存在如数据依赖性强、算力依赖性强、可解释性差、易受电子欺骗等难点，主流人工智能仍处于弱人工智能阶段，尚不具有知觉和自主意识。而强人工智能，又名通用人工智能，是达到人类水平的、能够自适应地应对外界环境挑战的、具有自我意识和思维能力的人工智能。DARPA 于 2018 年启动“下一代人工智能”（AI Next）计划，开启强人工智能探索序幕，并拟在 5 年内投资 20 亿美元。未来，以类脑智能等为代表的强人工智能探索将在航天装备中得到广泛应用，并具备小样本、抗欺骗和可解释等特征。

3　向集群智能及人机混合智能方向发展

未来人工智能在航天装备的应用将向集群化和人机混合化方向发展，以最大程度发挥智能化航天装备的作战效能。一是美国加快研发“黑杰克”等基于人工智能的低轨小卫星星座，支撑下一代太空体系架构，通过把复杂大卫星功能化整为零，实现太空作战能力跃升和体系增强，满足未来全域战和马赛克战等需求。同时星上认知与自主决策能力也将进一步提高，实现深度学习在轨应用、强化学习在轨进化控制决策，为航天群智能的个体智能实现奠定基础。二是以人机交互、人机协同等“人在回路”的人机混合智能将更广泛应用于航天装备，类似“轨道前哨”军事空间站的航天装备，未来将充分发挥人对不确定问题的高级认知机制和机器智能的各自优势，形成增强智能形态，进一步发挥航天装备效能，构建天地一体，全域联合的作战体系。

7月13-14日，由中国遥感应用协会、湖南省科学技术协会、长沙市人民政府、中南大学、湖南大学、湘潭大学联合主办的第三届空间信息技术应用大会暨中国遥感应用协会年会在长沙成功举办。

其中，在由华为公司、武汉人工智能计算中心、武汉大学、数慧时空共同主办的《智能遥感与开源应用分论坛》上，数慧时空副总经理李辉发表了题为《AI赋能卫星遥感技术在多元领域的应用》的主题演讲。以下是PPT分享：

原文始发于微信公众号（太空安全）：基于人工智能LEO卫星蜂群的太空安全革命