|
人工智能(AI)的能力和范围正在不断扩大，以满足包括航天工业在内的许多行业日益复杂的系统的需求。因此，工程师在将人工智能整合到系统的过程中面临着验证和认证等新挑战。部分复杂性源自于人们意识到人工智能模型的有效性取决于训练它的数据——如果数据不足、不准确或有偏差，模型的计算也会如此。
从高层次来看，人工智能和仿真在空间上交叉的关键方式有三种：首先是解决数据不足的挑战，因为仿真模型可以合成难以收集或收集成本高昂的资料；第二种是使用人工智能模型作为计算成本昂贵的复杂高保真模拟的近似值，也称为降级建模。第三是在嵌入式系统中使用人工智能模型，用于监控逻辑、讯号处理和嵌入式视觉等应用，其中仿真已成为设计过程的关键部分。
随着工程师找到新方法来为太空应用开发更有效的人工智能模型，本文探讨如何将仿真和人工智能结合起来，以解决时间、模型可靠性和数据质量方面的挑战。
挑战 1：用于训练和验证AI模型的数据
收集真实世界数据并创建良好、干净且分类的数据的过程非常困难且耗时——尤其是对于太空任务而言。工程师还必须注意：虽然大多数人工智能模型都是静态的（使用固定参数值运行），但它们会不断接触新数据，而且这些数据不一定会在训练集中捕捉到。
如果没有强大的数据来帮助训练模型，项目就更有可能失败，因此使用已知数据和最佳猜测近似值进行数据准备是AI工作流程中的关键步骤。糟糕的数据可能会让工程师花费数小时来确定模型失效的原因，却无法获得有价值的结果。
仿真可以帮助工程师克服这些挑战。近年来，以数据为中心的人工智能让人工智能界开始关注训练数据的重要性，同时也使用验证和认证来确保可靠性。事实证明，与把项目的所有时间都花在调整人工智能模型的架构和参数，不如把时间花在改进训练数据和全面测试，通常可以更大程度地提高准确性。使用仿真来增强现有的训练数据有多个好处：
• 计算机仿真通常比物理实验成本低得多，并能帮助工程师避免代价高昂的硬件错误
• 工程师可以完全控制环境，并且可以模拟现实世界中难以创建、过于危险或不可能创建的场景
• 通过模拟可以存取实验设置中可能无法测量的内部状态，这在调试AI模型在某些情况下表现不佳的原因（包括故障检测）时非常有用。
由于模型的性能在很大程度上取决于训练数据的质量，工程师可以透过仿真数据、更新人工智能模型、观察哪些情况下模型无法很好地预测，以及针对这些情况收集更多模拟数据的迭代过程来改善结果。当然，工程师需要尽可能将他们的仿真环境和模型锚定到真实世界的测试中，以验证仿真数据的质量。
使用Simulink和Simscape等行业工具，工程师可以产生反映真实世界场景的仿真数据。Simulink和MATLAB的结合使工程师能够在建立AI模型的相同环境中仿真他们的数据，这意味着他们可以自动化更多流程，而不必担心切换工具链。
挑战 2：利用人工智能仿真复杂系统
在设计与实体系统互动的算法时（例如控制液压阀的算法），基于仿真的系统模型是实现算法快速设计迭代的关键。在控制领域，这被称为工厂模型；在无线领域，称为信道模型。在强化学习领域，它被称为环境模型。无论您怎么称呼它，其理念都是一样的：创建一个基于仿真的模型，为您提供必要的精度，以重新创建物理系统和算法交互的环境。
这种方法的问题在于，为了达到必要的精度，工程师们历来都是根据第一原理建立高保真模型，而对于复杂系统来说，这可能需要很长时间才能建构和模拟。长时间运行的模拟意味着可能的设计迭代更少，因此可能没有足够的时间来评估可能更好的设计方案。
借助人工智能，工程师可以利用他们所建构的物理系统的高保真模型，并用人工智能模型（降级模型）对其进行近似处理。在其他情况下，他们可能只是根据实验数据训练人工智能模型，完全绕过基于物理的模型的创建。其好处是降级模型比第一原理模型的计算成本低得多，因此工程师可以探索更多的设计空间。基于物理的模型可以在后期使用，以验证使用人工智能模型确定的设计。
人工智能的最新进展也将人工智能训练技术与内嵌物理原理的模型相结合。当工程师希望保留物理系统的某些方面，同时以更以数据为中心的方法来近似系统的其余部分时，这种模型会很有用。
挑战 3：用于算法开发的人工智能
控制系统等应用领域的工程师在设计算法时越来越依赖模拟。在某些情况下，这些工程师正在开发虚拟传感器，即试图计算无法从现有传感器直接测量的值的观察器。这些方法包括线性模型和卡尔曼滤波器——而且人工智能在进行这些类型的计算方面很有前景。
但是传统方法捕捉许多现实世界系统中存在的非线性行为的能力有限，因此工程师们正在研究基于人工智能的方法，以灵活地模拟复杂性。他们可能会考虑使用数据（测量或仿真）来训练一个可以根据观察到的状态预测未观察到的状态的人工智能模型，然后将该人工智能模型与系统集成。
在这种情况下，人工智能模型被纳入决策或控制算法的一部分，最终被集成在实体硬件上，而实体硬件具有效能/内存限制，通常需要使用C/ C++。这些要求可能会对适合此类应用的机器学习模型类型施加限制（通常对空间应用的性能限制更大），因此工程师可能需要尝试多种模型并比较准确性和设备性能的权衡。此外，必须考虑验证和认证要求，这可以使非关键任务嵌入式应用程序更适合早期 AI 部署。
作为该领域研究前沿，强化学习将这种方法向前推进了一步。强化学习不仅学习输入控制器或监督逻辑算法的估计器，还学习整个控制策略。这已被证明是一种强大的技术，在一些具有挑战性的应用中，如机器人、自主系统以及月球或行星着陆，但建立这样的模型需要精确的环境模型，而这可能并不容易获得，而且计算运行大量模拟的能力。
除了虚拟传感器和强化学习之外，人工智能算法越来越多地应用于嵌入式视觉、讯号处理和无线应用。例如，在会合、近距操作和对接（RPOD）中，为计算机视觉和感知算法生成合成图像可以建立精确的仿真目标车辆，用于训练人工智能算法。
人工智能在太空仿真中的未来
总体而言，随着模型规模和复杂性不断增长以服务日益复杂的应用，人工智能和仿真将成为工程师工具箱中更为重要的工具。通过结合合成资料生成、降级建模以及用于控制、动态、讯号处理和嵌入式视觉的嵌入式 AI 算法等技术，MathWorks 的 Simulink 和 MATLAB 等行业工具使工程师能够优化工作流程并缩短开发时间。
由于能够在引入硬件之前以准确且经济实惠的方式开发、测试和验证模型，因此这些方法的使用将会继续增长。
资料引用来源: [Aerospace Manufacturing & Design]
https://www.aerospacemanufacturinganddesign.com/news/the-intersection-ai-and-simulation-in-space-industry/
|
