人工智能技術(shù)在光學(xué)對地觀測領(lǐng)域應(yīng)用探討*

姚保寅，毛磊，肖柯，曲徽

(中國航天科工集團第二研究院 未來實驗室，北京 100854)

0 引言

自2006年深度學(xué)習(xí)取得突破以來，尤其是2010年云計算、大數(shù)據(jù)時代到來后，人工智能迎來第三次發(fā)展高潮，因其能感知或認(rèn)知外界環(huán)境并產(chǎn)生交互，可自我學(xué)習(xí)，具有實現(xiàn)對地觀測領(lǐng)域高效數(shù)據(jù)處理和快速提供戰(zhàn)區(qū)情報的潛力[1-7]。人工智能對地觀測應(yīng)用涉及光學(xué)和SAR等多種手段，其中以光學(xué)對地觀測應(yīng)用更為普遍。本文重點討論人工智能在光學(xué)對地觀測領(lǐng)域的應(yīng)用。

世界各主要強國均大力推進人工智能技術(shù)在天基、空基光學(xué)對地觀測等領(lǐng)域的應(yīng)用。人工智能在光學(xué)對地觀測領(lǐng)域應(yīng)用成為國內(nèi)外研究的熱點[8-15]。David J Lary對機器學(xué)習(xí)在光學(xué)對地觀測中的若干應(yīng)用進行了總結(jié)[16]。鄒同元等從人工智能核心要素、人工智能系統(tǒng)和人工智能應(yīng)用技術(shù)等角度對人工智能在天基遙感大數(shù)據(jù)的應(yīng)用若干問題開展了探討[17]。然而，當(dāng)前研究大多從對地觀測的某幾個具體點展開討論，從信息傳遞鏈條，系統(tǒng)分析人工智能在光學(xué)對地觀測領(lǐng)域應(yīng)用的較少。

本文在簡要分析人工智能技術(shù)發(fā)展與在光學(xué)對地觀測領(lǐng)域應(yīng)用態(tài)勢的基礎(chǔ)上，從信息采集、信息處理等環(huán)節(jié)，系統(tǒng)研究人工智能在天基和空基光學(xué)對地觀測領(lǐng)域的應(yīng)用場景，探討人工智能在光學(xué)對地觀測領(lǐng)域應(yīng)用發(fā)展趨勢。

1 發(fā)展態(tài)勢

1.1 技術(shù)發(fā)展態(tài)勢

第三次人工智能浪潮的人工智能，正依托于云計算、大數(shù)據(jù)兩大基礎(chǔ)平臺和自然語言理解、類腦計算、機器學(xué)習(xí)、人機交互、運動控制等關(guān)鍵技術(shù)，持續(xù)搭建和完善技術(shù)框架體系。

但目前主流人工智能仍處于弱人工智能階段，尚不具有知覺和自主意識。美國等發(fā)達國家積極推進類腦科學(xué)研究，通過逆向工程，從硬件和軟件兩方面，積極開展強人工智能研究探索，取得一定成果。在硬件方面，主要是研發(fā)類腦新型計算芯片，如神經(jīng)網(wǎng)絡(luò)計算芯片，包括神經(jīng)形態(tài)芯片、憶阻器仿腦芯片、量子神經(jīng)芯片等，目標(biāo)是相比當(dāng)前的CPU和GPU計算架構(gòu)，具有更高的計算效率和更低的能耗；軟件方面，主要是使智能計算模型在結(jié)構(gòu)或認(rèn)知/學(xué)習(xí)行為上更加類腦。當(dāng)前人工智能技術(shù)也存在一些技術(shù)難點，如數(shù)據(jù)依賴性強、算力依賴性強、可解釋性差、易受電子欺騙等。

1.2 應(yīng)用發(fā)展態(tài)勢

光學(xué)對地觀測主要包括信息采集、信息傳輸和信息處理等幾個環(huán)節(jié)。從應(yīng)用的側(cè)重點看，人工智能主要應(yīng)用于光學(xué)對地觀測信息處理環(huán)節(jié)，其中以圖像處理最為活躍。從人工智能解決光學(xué)對地觀測問題的技術(shù)途徑來看，有機器學(xué)習(xí)、類腦計算、人機交互等，目前以機器學(xué)習(xí)尤其是深度學(xué)習(xí)為主，且應(yīng)用最為成熟。而類腦計算和人機交互等人工智能關(guān)鍵技術(shù)在光學(xué)對地觀測領(lǐng)域應(yīng)用尚處于探索階段。深度學(xué)習(xí)使用多層神經(jīng)網(wǎng)絡(luò)，可以從大量數(shù)據(jù)樣本進行學(xué)習(xí)，提取有用信息，使其成為人工智能對地觀測領(lǐng)域應(yīng)用最為普遍的技術(shù)途徑，廣泛應(yīng)用于對地觀測靜態(tài)圖像處理、動態(tài)視頻分析等各個方面。當(dāng)前，人工智能在光學(xué)對地觀測領(lǐng)域中應(yīng)用還存在如下難點。

不能實現(xiàn)有效數(shù)據(jù)共享。政府和軍方雖掌握對地觀測的大量數(shù)據(jù)，但人工智能技術(shù)和創(chuàng)新能力發(fā)展主要由民間科技公司和相關(guān)軍工企業(yè)主導(dǎo)。政府、軍方、民間力量、軍工企業(yè)只有實現(xiàn)有效數(shù)據(jù)共享才能真正推動人工智能對地觀測應(yīng)用。民間力量大量參與軍用人工智能項目還存在一些如保密問題、觀念問題等障礙。軍工企業(yè)雖從事裝備研發(fā)，但也較難從軍方獲得相關(guān)數(shù)據(jù)。因此，如何充分利用民間私營企業(yè)及相關(guān)軍工企業(yè)在人工智能技術(shù)方面的優(yōu)勢，是人工智能應(yīng)用于光學(xué)對地觀測等軍用領(lǐng)域的一個難點。早先美國國防部成立聯(lián)合人工智能中心(JAIC)，就是認(rèn)識到人工智能在軍事上的應(yīng)用難點，在于不能有效利用私營企業(yè)的力量，不能在保證安全快捷的基礎(chǔ)上，實現(xiàn)有效數(shù)據(jù)共享。美國2019年初發(fā)布《人工智能國防戰(zhàn)略》中，再次強調(diào)加速人工智能國防應(yīng)用關(guān)鍵難點不在算法，而在于數(shù)據(jù)共享。2019年2月，美發(fā)布《國防部云戰(zhàn)略》，進一步提出采用內(nèi)置于現(xiàn)代商業(yè)云提供商平臺的現(xiàn)代安全機制，包括現(xiàn)代加密算法、密鑰管理、適當(dāng)數(shù)據(jù)標(biāo)簽等，保護存儲在國防部全局級云環(huán)境中數(shù)據(jù)的安全，從而加速人工智能在國防及對地觀測領(lǐng)域應(yīng)用。

此外，當(dāng)光學(xué)對地觀測波段較多時，有效信息提取將變得困難。高分辨率光學(xué)對地觀測影像可以有十幾到上百個波段，不同的地物解譯和圖像分割可選取不通的波段組合。目前高分辨率圖像的有效波段在不同觀測場景間泛化性較差，即某波段組合僅適應(yīng)特定的觀測場景，在其他場景下該組合無法實現(xiàn)下游任務(wù)需求。

2 典型應(yīng)用場景

2.1 開發(fā)先進圖像處理算法，高效分析靜態(tài)目標(biāo)

依托機器學(xué)習(xí)等技術(shù)，開發(fā)先進處理算法，用于高效分析靜態(tài)目標(biāo)，是人工智能光學(xué)對地觀測應(yīng)用最廣泛的領(lǐng)域。機器學(xué)習(xí)指通過數(shù)據(jù)和算法在機器上訓(xùn)練模型，并進行分析決策與行為預(yù)測的過程，包括傳統(tǒng)機器學(xué)習(xí)和深度學(xué)習(xí)。

以地空導(dǎo)彈陣地為例，其一般布局為星形，擁有含4～5組發(fā)射架，呈放射性布置。2017年密蘇里大學(xué)基于深度學(xué)習(xí)算法，45 min內(nèi)在90 000 km2區(qū)域的搜索到90個地空導(dǎo)彈基地(圖1)，這是傳統(tǒng)的人類視覺搜索效率的80多倍，而導(dǎo)彈發(fā)射場定位準(zhǔn)確度可達90%，與人工視覺搜索相同。

圖1 密蘇里大學(xué)基于人工智能深度學(xué)習(xí)技術(shù) 搜索到地空導(dǎo)彈陣地Fig.1 Ground-to-air missile base detected by University of Missouri using deep learning technology

除可對一般導(dǎo)彈陣地進行高效識別，遂行打擊任務(wù)之外，人工智能還可用于戰(zhàn)略核導(dǎo)彈的早期預(yù)警和防御。2018年美國為基于人工智能的戰(zhàn)略核導(dǎo)彈預(yù)警項目撥款8 300萬美元，基于機器學(xué)習(xí)等技術(shù)，根據(jù)發(fā)射跡象、移動發(fā)射架痕跡等的圖像預(yù)測核導(dǎo)彈發(fā)射，一旦出現(xiàn)異常，美軍將收到早期預(yù)警，增加摧毀或攔截導(dǎo)彈的成功率(圖2)。目前該項目的導(dǎo)彈發(fā)射器追蹤系統(tǒng)早期原型已投入試驗。

圖2 美戰(zhàn)略核導(dǎo)彈人工智能預(yù)警和防御原理示意圖Fig.2 Illustration of the early warning and defense for strategic nuclear missiles using artificial intelligence of United States

此外，人工智能還可以用于空基對海偵察監(jiān)視。日本防衛(wèi)省2019年投資825萬美元，開展基于人工智能的空基對海偵察監(jiān)視技術(shù)研究。該技術(shù)可利用機器學(xué)習(xí)來快速分析各種圖像，可減少對分析人員的操作要求，快速識別目標(biāo)，并計劃最早于2024年在日本海上自衛(wèi)隊的P-3和P-1等海上巡邏機上應(yīng)用。日本防衛(wèi)省積極推進人工智能技術(shù)在海上偵察監(jiān)視中的應(yīng)用，旨在提高情報搜集效率，加強日本西南地區(qū)海上警戒和防御能力。

類腦計算是人工智能應(yīng)用于光學(xué)對地觀測的另一項關(guān)鍵技術(shù)，具有超低功耗和超低延時特性，在天基、空基光學(xué)偵察監(jiān)視中具有重要應(yīng)用。美國空軍于2014年授予IBM一份價值55萬美元的合同，利用“真北”類腦計算芯片幫助衛(wèi)星、高空飛機和小型無人機等更加智能地完成機器視覺分析，自動識別坦克或防空系統(tǒng)等車輛，而功耗不到原來五分之一。

設(shè)G=(V,E,F)是對于定理1的一個最小反例,對G的任意邊uv,G-uv有一個4-線性染色φ,并且有:

2.2 推動對地觀測視頻分析，快速識別動態(tài)目標(biāo)

除對地觀測靜態(tài)圖像分析外，人工智能技術(shù)還可用于對地觀測動態(tài)視頻分析。

自“911”事件以來，美軍僅源自無人機和其他監(jiān)控技術(shù)的數(shù)據(jù)量就增長了16倍。美軍分布式通用地面系統(tǒng)每日采集的視頻流數(shù)據(jù)超過7 TByte?？哲娒刻焓占那閳髠刹煲曨l數(shù)據(jù)約160 h。美軍希望能夠使用計算機視覺和機器學(xué)習(xí)技術(shù)，分析數(shù)千小時的“伊斯蘭國”恐怖組織監(jiān)控錄像，使分析人員只檢查無人機拍攝視頻中的重要內(nèi)容，而無需觀看所有畫面，從而更好地承擔(dān)分析職責(zé)。

在此形勢下，“算法戰(zhàn)跨部門小組”(Maven)項目于2017年7月啟動，利用全動態(tài)視頻(full motion video,FMV)技術(shù)滿足更快速有效處理、開發(fā)和傳播(processing exploitation and dissemination,PED)的需求。借助機器學(xué)習(xí)算法，Maven進行空基(無人機)對地觀測的全動態(tài)視頻監(jiān)控分析，基于谷歌TensorFlow API等工具，識別相關(guān)的情報、監(jiān)視和偵察(intelligence,surveillace and reconnaissance,ISR)數(shù)據(jù)，迅速為指揮官決策提供所需信息。Maven可自動檢測和識別無人機全動態(tài)攝像機捕獲的物體多達38種。該技術(shù)將應(yīng)用于“捕食者”和“死神”無人機的“女妖之眼”全景攝像機上(圖3)。該項目已在美國非洲司令部、中央司令部的5～6個地點實現(xiàn)了實戰(zhàn)部署。

圖3 “死神”無人機“女妖之眼”攝像機應(yīng)用Maven項目Fig.3 Maven applied on Gorgon Stare camera system in Reaper drone

人工智能不僅可以用于偵察視頻目標(biāo)檢測及打擊，還可用于公共安全視頻監(jiān)控。美情報高級研究計劃局(IARPA)啟動了“深度互聯(lián)模態(tài)視頻活動”(DIVA)人工智能項目，利用機器視覺處理間諜衛(wèi)星、無人機和傳感器網(wǎng)絡(luò)所產(chǎn)生的巨量視頻和數(shù)據(jù)，側(cè)重于公共安全應(yīng)用領(lǐng)域，如確保政府設(shè)施的安全或者監(jiān)控已成為恐怖襲擊目標(biāo)的公共場所。

2.3 探索地面站人機交互，促進流程管理自動化

人機交互主要研究人和計算機之間的信息交換，包括傳統(tǒng)基本交互、圖形交互、語音交互、情感交互及腦機交互等[18-22]。人機交互在對地觀測領(lǐng)域的應(yīng)用，主要體現(xiàn)在對地觀測自動化過程管理。美國國家地理空間情報局(NGA)推動AI人機交互等技術(shù)在對地觀測地面管理中應(yīng)用。NGA于2017年分別授予索爾技術(shù)公司(Soar)，休斯研究實驗室(HRL)，并行技術(shù)公司(CTC)等人工智能和自動化數(shù)據(jù)處理研究合同，研究利用人機交互等技術(shù)，優(yōu)化對地觀測任務(wù)流程。其中索爾技術(shù)公司負(fù)責(zé)研發(fā)自主“虛擬助手”技術(shù)，旨在整合不同的面向服務(wù)和云服務(wù)架構(gòu)，自動挖掘流數(shù)據(jù)，為分析人員提供可能感興趣的異常活動；休斯研究實驗室負(fù)責(zé)研發(fā)一種自適應(yīng)系統(tǒng)，可分析人員間相互作用，并在相似用戶群體間自動共享相關(guān)數(shù)據(jù)，以簡化工作流程；并行技術(shù)公司負(fù)責(zé)推進一種相互依賴的人機網(wǎng)絡(luò)概念，以自動處理云環(huán)境任務(wù)。

2.4 探索多星協(xié)同作業(yè)，提升對地觀測效率

運動控制技術(shù)集人工智能感知、決策和反饋于一體，包括單體運動控制和群體運動控制，主要應(yīng)用于機器人和無人系統(tǒng)。群體運動控制又包含無人系統(tǒng)集群控制及無人和有人系統(tǒng)編組協(xié)同技術(shù)[6]?；谌斯ぶ悄艿娜后w控制，可使星座或編隊實現(xiàn)自主運行，還可以使得單個空間對象的質(zhì)量減少，從而減少發(fā)射成本；建立起自控的協(xié)同分工體系，充分發(fā)揮群體的互補優(yōu)勢，在更為復(fù)雜的應(yīng)用場景中發(fā)揮，從而大幅提高光學(xué)對地觀測效率。

德國維爾茨堡大學(xué)開展的“網(wǎng)星”(NetSat)項目，于2019年把人工智能用于衛(wèi)星間自主協(xié)調(diào)運行和編隊飛行，且彼此能直接通信。項目通過增加衛(wèi)星的星上控制能力，或使衛(wèi)星無需地面監(jiān)管，完成復(fù)雜任務(wù)；自主編隊可實現(xiàn)更大覆蓋范圍，將降低生產(chǎn)及運營成本?！熬W(wǎng)星”包括4顆位于600 km近地軌道的小型衛(wèi)星，單星重約3 kg，可在10 m～100 km距離內(nèi)相互協(xié)調(diào)，可根據(jù)執(zhí)行任務(wù)不同而改變隊形。網(wǎng)星”通過編隊衛(wèi)星之間分配計算完成工作。基于人工智能技術(shù)，衛(wèi)星可自主完成如圖像采集、分析和處理等任務(wù)，監(jiān)控或跟蹤船只或車輛等目標(biāo)，過濾云層以提高圖像質(zhì)量，還可識別出需要監(jiān)控的新事件或異常情況。

2.5 探索單星原位數(shù)據(jù)處理，實現(xiàn)智能圖像分發(fā)

進入太空時代后，在太空中收集的數(shù)據(jù)會被傳送到地球，大批分析人員為了從中找到所需的信息，對海量數(shù)據(jù)進行分析。運用人工智能技術(shù)直接在太空中對數(shù)據(jù)進行處理，可以減少傳回地面的數(shù)據(jù)量。如果衛(wèi)星不需要消耗大量的電力傳輸不需要的數(shù)據(jù)，則可以減少數(shù)據(jù)下行鏈路、任務(wù)電力系統(tǒng)和太陽能電池板的數(shù)量，最終將縮減衛(wèi)星自身的體積。

圖4 英特爾Myriad人工智能視覺處理器Fig.4 Intel Myriad vision processing unit using artificial intelligence

3 應(yīng)用展望

3.1 向集群智能轉(zhuǎn)變

隨著進化策略、遺傳算法、仿生學(xué)、強化學(xué)習(xí)等研究的深入，未來人工智能技術(shù)在光學(xué)對地觀測中的應(yīng)用，將進一步向由單個體智能向集群智能轉(zhuǎn)變：一是實現(xiàn)星上認(rèn)知與自主決策。實現(xiàn)深度學(xué)習(xí)在軌應(yīng)用、強化學(xué)習(xí)在軌進化控制決策，為航天群智能的個體智能實現(xiàn)奠定基礎(chǔ)。二是構(gòu)建智能星群模式?；诖罅慨悩?gòu)單一智能體，針對協(xié)同成像、變化監(jiān)測、在軌服務(wù)等，實現(xiàn)受約束情況下智能星群的構(gòu)型穩(wěn)定演化。三是實現(xiàn)星群自組織。隨著群智能在空間目標(biāo)全方位多源信息探測認(rèn)知、超大型空間系統(tǒng)在軌構(gòu)建中的應(yīng)用，實現(xiàn)基于集群智能的多軌道、多載荷協(xié)同的、任務(wù)驅(qū)動的、實時高效的智能空間操控的星群。

3.2 向多域多種類信息融合方向發(fā)展

人工智能光學(xué)對地觀測當(dāng)前主要針對單一信息源，即單一空基或天基等圖像/視頻信息源進行智能化處理。隨著智能化水平的不斷提高，未來人工智能在光學(xué)對地觀測領(lǐng)域的應(yīng)用將向天基、空基等多源信息一體化融合方向發(fā)展。韓國國防部2018年4月宣布將投入約260萬美元，開發(fā)智能型信息化情報監(jiān)視偵察系統(tǒng)，運用人工智能技術(shù)融合分析間諜衛(wèi)星、偵察機、無人機等對多源對地觀測信息，實時研判傳遞戰(zhàn)況。未來空基、天基等光學(xué)對地觀測空間節(jié)點，通過動態(tài)組網(wǎng)，將實現(xiàn)智能化空天信息的實時服務(wù)。情報高級研究計劃局于2019年啟動天基機器自動識別技術(shù)(SMART)項目，利用機器學(xué)習(xí)等技術(shù)，將基于衛(wèi)星的多光譜成像傳感器和可見光傳感器的數(shù)據(jù)融合起來，來提高探測和監(jiān)測人為干擾的能力，進而從太空探測重型建筑項目和高速公路建設(shè)。

3.3 向減少數(shù)據(jù)依賴方向發(fā)展

當(dāng)前人工智能在對地觀測中應(yīng)用手段，嚴(yán)重依賴數(shù)據(jù)標(biāo)注，深度神經(jīng)網(wǎng)絡(luò)需對大量觀測數(shù)據(jù)(109或1010個)進行標(biāo)注，成本昂貴且耗時。DARPA于2018年推出“更少標(biāo)記的學(xué)習(xí)”的新項目，研究新算法，可顯著減少訓(xùn)練或調(diào)整代價：訓(xùn)練模型所需數(shù)據(jù)量減少一百萬倍，調(diào)整模型所需數(shù)據(jù)量從數(shù)百萬減少到數(shù)百個。未來，光學(xué)對地觀測中利用人工智能機器學(xué)習(xí)算法，一張圖像就可達到原來一百萬張圖像數(shù)據(jù)標(biāo)注訓(xùn)練的結(jié)果，進一步提高處理速度。

3.4 向可解釋和人機混合智能方向發(fā)展

當(dāng)前人工智能在光學(xué)對地觀測領(lǐng)域應(yīng)用也存在一定局限性，如深度學(xué)習(xí)不可解釋性等，在打擊目標(biāo)識別中存在一定風(fēng)險。對此，一是通過改進算法模型，提高系統(tǒng)對用戶的透明度。如DARPA于2016年10月發(fā)布的可解釋的人工智能項目(XAI)，通過生成可解釋的模型，使用戶能理解、一定程度上信任并有效管理未來人工智能系統(tǒng)。二是大力發(fā)展以人機交互、人機協(xié)同等“人在回路”的人機混合智能，把人對模糊、不確定問題分析與響應(yīng)的高級認(rèn)知機制與機器智能系統(tǒng)緊密耦合，優(yōu)勢互補，構(gòu)成“1+1>2”的智能增強智能形態(tài)，進一步提升人工智能在光學(xué)對地觀測領(lǐng)域應(yīng)用的效能。

4 結(jié)束語

人工智能在光學(xué)對地觀測的信息采集和信息處理等環(huán)節(jié)的應(yīng)用，將大幅提升對地觀測的效率，特別是為重要軍事目標(biāo)的快速識別和打擊，提供更好的作戰(zhàn)信息支援。當(dāng)然，人工智能的可解釋性等問題，使其在光學(xué)對地觀測應(yīng)用中也存在一定風(fēng)險。未來隨著相關(guān)核心技術(shù)的不斷突破，人工智能光學(xué)對地觀測應(yīng)用范圍將越來越廣，并向星座集群和多源融合的體系化方向發(fā)展。