人工智能/机器学习在美国太空域感知方面的应用

太空域感知对于维持对太空领域的安全访问、阻止对手在太空中的行动以及在发生危机或冲突时获得太空优势至关重要。美国“太空监视网络”目前跟踪着约9000个处于活跃状态的有效载荷、17000个分析对象和19000块碎片，总共约45000个物体，并将这些物体的相关信息保存在一个目录册中。由于发射、测试直升式反卫星武器，这一数据正在急剧增长。

图1. 截至2022年4月，美国追踪的太空物体数量变化

1.太空域感知任务目标

太空域感知是美国太空军的五大核心能力之一，其目标在于“有效识别、鉴定、理解与太空领域相关的任何因素，这些因素可能影响太空作战并进而影响美国国家安全、经济或环境”。目前美国太空域感知的数据来源包括：太空监视网络、商业太空资产、盟友和合作伙伴从地面和太空传感器获取的数据等。

2.太空域感知功能

根据美国太空军于2022年1月发布的太空条令说明和2020年发布的《联合出版物》，太空域感知及其子集“太空态势感知”的功能主要包括四个方面，分别是检测/跟踪/识别、特征鉴定、威胁警告和评估，以及数据挖掘和整合。下表说明了这些功能，并提供了影响这些功能的关键因素。

表1. 太空域感知功能及影响因素

3.太空域感知基础设施的变化

随着各国太空资产数量的增长，太空领域变得更加复杂，加之对更快的危机响应速度的需求，美国太空域感知在执行支持作战的任务方面面临越来越多的挑战。其现有系统，如“太空防御作战中心”（SPADOC）和指挥、分析、验证和星历网络（CAVENet）多年来一直面临着不断增长的卫星目录的挑战。因此，美国太空军开发了新的系统，包括高级跟踪和发射分析系统（ATLAS）、Warp Core和“统一数据库”等。ATLAS是一个用于监控发射、卫星和碎片的软件平台。“统一数据库”是一个基于云的数据存储库，能够提供数据管理支持并促进多个数据集的集成。而后Warp Core可以对这些数据集进行整理和融合。

这些新系统能够扩展处理和分析能力，为AI/ML工具提供接口，从而提高太空域感知的任务效率。旧数据处理系统（SPADOC和CAVENet）则限制了在轨传感技术改进带来的好处。如“太空篱笆”和“地球同步太空间态势感知计划”是两个可以跟踪卫星或碎片的系统。然而，这两个系统在进入Warp Core之前都必须通过CAVENet发送数据。通过向Warp Core提供更多直接馈送的方式将能够消除对CAVENet的需求，并有可能通过增强的传感技术提高太空域感知的任务效率。

下文主要将AI/ML视为一组技术，该技术能够为美国太空军提供计算机视觉、语言处理、强化学习、预测和分类、生成学习和专家系统等6种功能，并基于此提高太空域感知的效率。

太空域感知的最终任务是建立对太空环境、活动和“常驻太空物体”的理解以支持决策。这种理解伴随着知识的产生，是太空域感知的基本输出内容，其通过对传感器观测到的、报告的、已发生的事情进行特征鉴定来实现，以预测可能发生的情况并支持更好的行动方案制定和及时、明智的决策。下图展示了这些元素的关系视图，并强调了底层元素对上层元素的支持。

图2. 太空域感知各环节要素关系视图

要获取上述知识，需要提取数据，然后合成、集成和分析这些数据以生成信息。太空域感知是一组独特且具有挑战的技术性任务，其复杂性不断增加，而人员、计算机和传感器资源则保持相对稳定。AI/ML工具可作为力量倍增器，解决运营商因系统老化、任务需求（和行动节奏）增加以及人员短缺而面临的资源限制问题。

1.目前开展的工作

下文从2个方面重点介绍美国目前开发AI/ML工具改进太空域感知的相关工作。

增加传感器观测次数。美国目前正在努力增加检测和提高传感器观测准确性，相关工作包括太空系统司令部的SDA采购Delta (SSC/SZG) AI和自治沙箱。正在进行的工作重点是开发计算机视觉算法，以提高机器学习太空优势(MISS)计划中卫星观测的检测率和精度。例如，SSC/SZG的SensorCapsule计划通过将非传统传感器连接到“统一数据库”，以更加充分地利用商业传感数据，从而增加观测次数。

确保工具可以进行测试和验证。SSC/SZG正在开发AI/ML工具沙箱，作为Pivot SDA产品组合的一部分。该沙箱可与“统一数据库”进行数据交互，使各个供应商能够在政府拥有的平台上开发适合其特定需求的分析工具，从而消除第三方开发工具的障碍并允许更快速地部署模型。

2.传感器任务分配、调度和优先级排序

传感器分配是指将任务有意分配给各个传感器站点，以实现目录维护和事件捕获的双重目标。为了最大限度地增加单个传感器的观测次数并最大限度地减少“轨道确定”（OD）的不确定性，有必要优化这些有限的传感器资源的分配。

美国第18太空防御中队负责协调“太空监视网络”包含的不同传感器站点的观测活动。鉴于“常驻太空物体”的分布过于分散，第18太空防御中队无法每天观测到所有“常驻太空物体”，因此必须错开观测时间以保障每个物体的观测频率。此外，不同的传感器站点具有不同的技术配置、可靠性、停机维护百分比和精度，这些因素都必须作为传感器任务分配过程的一部分考虑在内。

传感器校准是第18太空防御中队面临的主要挑战，鉴于该中队严重的人力短缺，解决方案包括2个：一是授权传感器站点根据需要自行执行校准；二是将校准任务自动化。第一种解决方案需要对传感器站点工作人员进行额外的培训，配备额外的系统，但可以减少第18太空防御中队的工作量。第二种解决方案需要开发自动校准工具，例如定期校准或设置阈值以识别异常观测。

3.数据收集和整合

一旦获取“太空监视网络”传感器观测数据并将其传输到第18和第19太空防御中队，第二阶段的数据整合就开始了。传感器观测内容包括距离、测距率、方位角和仰角等数据，并通过数据线将数据发送到位于夏延山的“太空防御作战中心”太空数据服务器，以将其转换成CAVENet可以接收的格式。由于各个传感器站点的观测数据之间存在格式差异，因此必须进行融合。当前的融合程序非常复杂，并且使CAVENet的处理能力达到了极限。值得注意的是，第18太空防御中队必须通过CAVENet访问这些数据，但得益于传统的“海军太空监视系统”，第19太空防御中队拥有直接（尽管速度较慢）访问“太空监视网络”的数据线路。

“常驻太空物体”的数量正在稳步增长，但“太空监视网络”传感器的数量和处理能力相对稳定，因此需要额外的传感资源来满足这种不断增长的需求。处理能力和数据通信是这一阶段的两个主要挑战，新的“高级跟踪和发射分析系统”旨在通过硬件和软件升级来解决这些瓶颈。

新的传感器模式（例如在轨观测、无源射频或商业传感器）可以增强“太空监视网络”观测数据并帮助应对日益加速的太空活动。美国防部正在积极寻求纳入不属于“太空监视网络”的其他传感器的数据，例如联合特遣部队-太空防御商业作战单元，并且可以通过使用AI/ML工具提供支持。

4.轨道确定

在数据收集和整合之后，基于传感器观测，第18太空防御中队通过“轨道确定”来确定给定“常驻太空物体”的最可能状态。每个传感器站点都会对目标“常驻太空物体”进行多次观测，这些观测中存在多个不确定性来源，包括传感器噪声和偏差以及“常驻太空物体”运动不确定性。为了减轻不确定性的影响，第18中队使用加权最小二乘法来确定“常驻太空物体”的最可能状态。每个观测值都由其置信度（传感器协方差的倒数）加权，会影响“常驻太空物体”的最可能状态。

“太空域感知”的大多数下游组件都依赖于准确的“轨道确定”，AI/ML可能适用于这一环节。神经网络是通用函数近似器，学术界正在证明它们可以切实地模仿复杂的物理模型。尽管神经网络通常会产生不太准确的解决方案（相对于已知的物理模型），但它们可以在很短的时间内实现高精度估计。这种加速对于“太空域感知”来说是一个非常理想的能力。

相关研究表明，使用AI/ML进行“仅状态传播”是可行的，在90毫秒内，神经网络能够将“常驻太空物体”的状态投射到十天后，均方根误差为1公里。此外，神经网络能够在一小时内传播大小为40,000的空间目录，而“轨道确定”需要几个小时才能处理类似大小的目录，但一般扰动目录能够精确到几米（<1公里）。

5.目录维护和不相关轨迹

目录维护涉及通过“轨道确定”和不相关轨迹的关联更新高精度目录。不相关轨迹是那些无法自动与目录中的对象关联的观测字符串。这可能是因为观测到的对象已丢失并已分配给没有轨迹历史的分析对象，也可能是因为该对象的轨道发生了很大变化，以至于系统无法识别其与过去轨迹的关系。

目前太空轨道环境正在迅速发展，发射频率增加，“常驻太空物体”机动增加。在“轨道确定”期间，“自动差分校正”能够成功地将大多数观测与已知对象关联起来，但当新的观测无法在设定的容差阈值内与现有轨迹关联时，可能会失败。这些失败会触发第18太空防御中队分析师的手动审查。若观测对象长时间未能与已有轨迹关联，不相关轨迹就会丢失，竞争对手可能会利用这一限制来掩盖航天器的部署。

对象关联是AI/ML影响的关键领域，关联不相关轨迹的某些方面可以自动化，从而实现更频繁的对象关联。第18太空防御中队的轨道分析师遵循高度复杂的分步任务列表来重新关联不相关轨迹。任务列表的生成过程并无记录，且取决于个人经验。因此可通过将这些任务列表记录、编撰成文保存知识，并将相关知识和规则用于开发自动化工具，以减少不相关轨迹的数量，并使分析师能够处理更为复杂的问题。该工具还可以通过编译一个数据库来增强，该数据库应包含以前未知的分析对象及其最终与已知轨迹的重新关联。

6.小结

AI/ML工具对太空域感知有几个潜在的影响。这些工具可以改善资源分配，优化流程，更快、更频繁地执行任务，并减少对人工分析的需求。这些解决方案可充当力量倍增器。根据相关分析，以下影响特征可以指导AI/ML工具的开发，以满足以下领域的太空域感知任务需求：

• 优化传感器任务分配和优先级，以提高观测能力并支持快速准确的“轨道确定”；

• 改进对传感器中非正常行为的检测，以更快地识别错误的传感器行为，避免这些行为污染任何观测卫星的轨迹历史，从而支持“高精度目录”的正常运转；

• 增加传感器观测的数量和频率，以提高“轨道确定”的准确性，实现途径包括优化现有传感器资源或从商业传感器中提取更多数据；

• 优化传感器分配，包括数据融合，以在缓解传感器性能随时间下降的问题的同时，充分利用商业传感器网络的增长和不同传感器在不同观测用例中的优缺点。

图3. 潜在AI/ML工具总结

本文来源：渊亭防务