你会学到什么：
- 使航天器更加自主。
- 机器学习和深度学习如何推动促进自主的算法。
- 利用MATLAB和Simulink等软件设计工具进行算法训练等方面。
人工智能（AI）继续占据统治新闻，但现实并不总是辜负炒作。这是汽车行业的情况，普遍公众的全自动车辆的目标仍然难以捉摸。
令人惊讶的是，空间行业长期以来一直是保守工程的州州，在阴影中展望，以实用和务实的方式部署机器学习，并再次成为计算应用中的领导者。实际上，AI可能是下一代航天器的竞争差异。
AI及其在空间产业中的潜力
人工智能在航天工业中的应用有利于增量发展。首先，一种可以执行类似“在空路上行驶”任务的航天器已经在一定程度上解决了自动驾驶问题。太空中的车辆、行人或自行车都不能在宇宙飞船前面跳跃——太空中几乎是空无一物的，运行在众所周知的物理定律之下，也没有道德问题。
其次，虽然汽车的主要用途是运输从a点到B点(这是AI所专注的)，但航天器通常有许多其他用途。事实上，相当于“运输”功能(在航天工业中称为导航、导航和控制)的功能虽然重要，但往往仅仅是其他功能的实现者，例如提供卫星成像或执行科学观察。这意味着许多功能都可以利用人工智能，其中一些风险更大。由于人工智能在很大程度上仍未在太空中得到验证，风险较小的功能是其首次应用的良好候选者。
空间产业也逐渐使航天器越来越自主的历史悠久。可以为自己做出更多决定的空间车辆更有价值，特别是对于太空探索。
例如,美国宇航局的火星好奇号探测器有一种装备叫什么ChemCam该探测器分析了火星岩石和土壤的成分。但要做到这一点，ChemCam首先必须对准一个目标。从地面发出指示是一个繁琐的过程，受到“好奇号”是否能看到正确的通信卫星，甚至还受到命令和数据从火星传输到地球所需时间的限制(称为光时限制)。出于这个原因，“好奇号”使用了一种自动瞄准算法，在地面指挥不可用的时候，它可以对准仪器。
这是人工智能在太空“低风险、高回报”应用的一个很好的例子。这种方法也几乎没有缺点——如果成功，算法会增加科学价值，如果失败，几乎不会有什么损失。然而，由于增加自主性必然也会增加设计的复杂性，使用传统的编程技术来创建这样的算法是困难和昂贵的。但是，扩大这种算法的使用将导致一个更有能力、更有竞争力的行业格局。
机器学习和深度学习推动了自主性的发展
由机器学习和深度学习驱动的人工智能最近取得的进展，使得促进自主的算法不仅更加强大，而且能够更快地创建和使用更大范围的公司和工程师。这些进步发生的同时，航天行业正在经历前所未有的增长，新的私营公司进入市场。
地球传感是空间应用领域中增长迅速的一种，人们对利用摄像机、雷达甚至无线电频率分析技术探测地球表面的卫星的需求越来越大。这些数据被用于各种各样的目的，从农业(评估作物健康)到金融(统计购物中心停车场的车辆以得出有关经济的结论)。
地球传感卫星争论的一个常见问题是，它们能够收集的数据量往往大于它们能够传送到地球的数据量。此外，一些收集到的数据实际上对它的预期目的并没有用处(例如，它是否捕捉到目标的图片，或者是否有云挡住了它的路?)
如今，从“浪费”的数据中筛选有用数据是由地面上的计算机完成的，越来越多地使用了深度学习技术。如果卫星能够将有用的数据从无用的数据中分离出来，这样就能只向地球上的用户发送有用的数据，甚至是更多的数据，那么效率就会高得多。在卫星上部署使用深度学习的人工智能算法可以实现这种数据分离。有能力这样做的公司将在市场上占有优势，具有这些技能的工程师将非常受欢迎!
鉴于自太空初期以来，较悠久的航天器自治历史悠久，而且机器学习和深度学习可以促进解决空间产业中的一些常见问题，但该行业能够良好地成功地应用AI。许多人认为，该行业的固有保守主义和风险厌恶将防止AI被采用。
然而，有一个争论的副词。那些非常特征可以帮助行业识别为AI的投资最大的回报，而没有大幅增加昂贵的任务和太空车辆的风险;例如，仔细选择适当的功能以应用AI技术，例如在好奇程式流动站的情况下。行业文化也在发生变化，新公司愿意尝试新事物。
人工智能与工程软件
一旦人工智能在宇宙飞船上被采用，它的应用可能会被更广泛地接受。深度学习更关键的用例包括基于视觉的导航，用于会合和接近操作，以及危险检测和避免月球或行星着陆。此外，工程软件将继续在人工智能的发展中发挥关键作用。
撇开机器学习和深度学习片刻，甚至传统上编码的AI算法都受益于管理越来越自主航天器设计的工具。该趋势是使航天器能够拥有以前留给人类运营商的复杂决策能力。一个这样的例子是是否中止或继续在两个航天器之间进行自主对接。
现代工程工具摘要通过提供隐藏复杂性的视图，允许工程师更好地了解系统的潜在行为来摘要设计。例如，将决策逻辑建模为数字可执行状态图，而不是代码中的else-else语句使得审阅者能够更清楚地了解可能的逻辑路径。这种设计抽象方法，由Matlab和Simulink等工具提供，有助于工程师在设计阶段期间了解各个功能对系统行为的影响。
尽管在设计抽象方面提高了改进，但这些复杂的AI系统中的设计误差可能会微妙，难以捕获。例如，评估基于视觉的感测和感知算法的鲁棒性，在涉及照明和透视的条件下通过单独进行评估并且需要进行广泛的仿真和测试。
设计工具如MATLAB和Simulink是最有效的，因为它们不仅可以通过自动标记等特性更容易地训练算法，而且还可以通过仿真进行早期验证和验证。这使得在硬件上部署算法之前，可以很好地进行基于需求的测试。
人工智能的下一个前沿领域——机器学习和深度学习，天生就需要工程软件，因为机器学习和深度学习模型是由计算机生成的，而不是人类。然而，数据科学家用于原型机器学习和深度学习技术的软件工具通常有一个陡峭的学习曲线，而且并不总是设计用于算法的生产部署，这可能会导致开发周期的效率低下。
因此，航空航天工程师越来越需要获得Matlab等工具，用于他们已经熟悉的机器学习应用程序，并且设计用于工程，而不是数据科学，工作流程。
