|
人工智慧 (AI) 的能力和範圍正在不斷擴大，以滿足包括航太工業在內的許多行業日益複雜的系統的需求。因此，工程師在將人工智慧整合到系統的過程中面臨驗證和認證等新挑戰。部分複雜性源自於人們意識到人工智慧模型的有效性取決於訓練它的數據——如果數據不足、不準確或有偏差，模型的計算也會如此。
從高層次來看，人工智慧和模擬在空間上交叉的關鍵方式有三種。首先是解決資料不足的挑戰，因為模擬模型可以合成難以收集或收集成本高昂的資料。第二種是使用人工智慧模型作為計算成本昂貴的複雜high fidelity模擬的近似值，也稱為降階建模。第三是在嵌入式系統中使用人工智慧模型，用於監控邏輯、訊號處理和嵌入式視覺等應用，其中模擬已成為設計過程的關鍵部分。
隨著工程師找到新方法來為太空應用開發更有效的人工智慧模型，本文探討如何結合模擬和人工智慧來解決時間、模型可靠性和資料品質方面的挑戰。
挑戰 1：用於訓練和驗證 AI 模型的數據
收集真實世界數據並創建良好、乾淨且分類的數據的過程非常困難且耗時——尤其是對於太空任務而言。工程師還必須注意這樣一個事實：雖然大多數人工智慧模型都是靜態的（它們使用固定參數值運行），但它們會不斷接觸新數據，而且這些數據不一定會被捕獲在訓練集中。
如果沒有可靠的資料來幫助訓練模型，專案就更有可能失敗，因此使用已知資料和最佳猜測近似值進行資料準備是 AI 工作流程中的關鍵步驟。錯誤的數據可能會讓工程師花費數小時來嘗試找出模型無法正常運作的原因，卻無法獲得有洞察力的結果。
仿真可以幫助工程師克服這些挑戰。近年來，以資料為中心的人工智慧讓人工智慧社群更加關注訓練資料的重要性，同時也使用驗證和認證來確保可靠性。事實證明，與其花費整個專案的時間來調整人工智慧模型的架構和參數，不如花時間改進訓練資料和徹底測試，通常可以更大程度地提高準確性。使用模擬來增強現有的訓練資料有多個好處：
• 電腦模擬通常比物理實驗成本低得多，並能幫助工程師避免代價高昂的硬體錯誤
• 工程師可以完全控制環境，並且可以模擬現實世界中難以創建、過於危險或不可能創建的場景
• 透過模擬可以存取實驗設定中可能無法測量的內部狀態，這在調試 AI 模型在某些情況下表現不佳的原因（包括故障檢測）時非常有用。
由於模型的性能在很大程度上取決於訓練資料的質量，工程師可以透過模擬資料、更新人工智慧模型、觀察模型無法很好預測的情況以及為這些情況收集更多模擬資料等迭代過程來改善結果。當然，工程師需要盡可能將他們的模擬環境和模型錨定到真實世界的測試中，以驗證模擬資料的品質。
使用 Simulink 和 Simscape 等行業工具，工程師可以產生反映真實世界場景的模擬數據。 Simulink 和 MATLAB 的結合使工程師能夠在建立 AI 模型的相同環境中模擬他們的數據，這意味著他們可以自動化更多流程，而不必擔心切換工具鏈。
挑戰 2：利用人工智慧模擬複雜系統
在設計與實體系統互動的演算法時（例如控制液壓閥的演算法），基於模擬的系統模型是實現演算法快速設計迭代的關鍵。在控制領域，這被稱為工廠模型；在無線領域，稱為通道模型。在強化學習領域，這稱為環境模型。無論您怎麼稱呼它，其理念都是一樣的：創建一個基於模擬的模型，為您提供必要的精度，以重新創建您的演算法與之交互的物理系統和環境。
這種方法的問題在於，為了達到必要的精度，工程師們歷來都是根據第一原理建立高保真模型，而對於複雜系統來說，這可能需要很長時間才能建構和模擬。長時間運行的模擬意味著可能的設計迭代更少，因此可能沒有足夠的時間來評估可能更好的設計方案。
借助人工智慧，工程師可以採用他們所建構的物理系統的高度傳真模型，並用人工智慧模型（降階模型）來近似。在其他情況下，他們可能只是根據實驗數據訓練人工智慧模型，完全繞過基於物理的模型的創建。其好處是降階模型比第一原理模型的計算成本低得多，因此工程師可以探索更多的設計空間。基於物理的模型總是可以在後續過程中用來驗證使用 AI 模型確定的設計。
人工智慧的最新進展也將人工智慧訓練技術與嵌入基於物理原理的模型相結合。當工程師希望保留物理系統的某些方面，同時以更以資料為中心的方法來近似系統的其餘部分時，這種模型會很有用。
挑戰 3：演算法開發的人工智慧
控制系統等應用領域的工程師在設計演算法時越來越依賴模擬。在某些情況下，這些工程師正在開發虛擬感測器，即試圖計算無法從現有感測器直接測量的值的觀察器。人們使用了多種方法，包括線性模型和卡爾曼濾波器——而且人工智慧在進行這些類型的計算方面很有前景。
但是傳統方法捕捉許多現實世界系統中存在的非線性行為的能力有限，因此工程師正在研究具有靈活性來模擬複雜性的基於人工智慧的方法。他們可能會考慮使用數據（測量或模擬）來訓練一個可以根據觀察到的狀態預測未觀察到的狀態的人工智慧模型，然後將該人工智慧模型與系統整合。
在這種情況下，人工智慧模型被納入決策或控制演算法的一部分，最終出現在實體硬體上，而實體硬體具有效能/記憶體限制，通常需要使用 C/ C++。這些要求可能會對適合此類應用的機器學習模型類型施加限制（通常對空間應用的性能限制更大），因此工程師可能需要嘗試多種模型並比較準確性和設備性能的權衡。此外，必須考慮驗證和認證要求，這可以使非關鍵任務嵌入式應用程式更適合早期 AI 部署。
作為該領域研究的最前線，強化學習將這種方法向前推進了一步。強化學習不僅學習輸入控制器或監督邏輯演算法的估計器，還學習整個控制策略。這已被證明是一種強大的技術，在一些具有挑戰性的應用中，如機器人技術、自主系統以及月球或行星著陸，但建立這樣的模型需要精確的環境模型，而這可能並不容易獲得，而且計算運行大量模擬的能力。
除了虛擬感測器和強化學習之外，人工智慧演算法越來越多地應用於嵌入式視覺、訊號處理和無線應用。例如，在會合、近距操作和對接（RPOD）中，為電腦視覺和感知演算法生成合成圖像可以建立精確的模擬目標車輛，用於訓練人工智慧演算法。
人工智慧在太空模擬中的未來
總體而言，隨著模型規模和複雜性不斷增長以服務日益複雜的應用，人工智慧和模擬將成為工程師工具箱中更為重要的工具。透過結合合成資料生成、降階建模以及用於控制、動態、訊號處理和嵌入式視覺的嵌入式 AI 演算法等技術，MathWorks 的 Simulink 和 MATLAB 等行業工具使工程師能夠優化工作流程並縮短開發時間。
由於能夠在引入硬體之前以準確且經濟實惠的方式開發、測試和驗證模型，因此這些方法的使用將會繼續增長。
资料引用来源: [Aerospace Manufacturing & Design]
https://www.aerospacemanufacturinganddesign.com/news/the-intersection-ai-and-simulation-in-space-industry/
|
