人工智能技术在光学对地观测领域应用探讨*

姚保寅，毛磊，肖柯，曲徽

(中国航天科工集团第二研究院 未来实验室，北京 100854)

0 引言

自2006年深度学习取得突破以来，尤其是2010年云计算、大数据时代到来后，人工智能迎来第三次发展高潮，因其能感知或认知外界环境并产生交互，可自我学习，具有实现对地观测领域高效数据处理和快速提供战区情报的潜力[1-7]。人工智能对地观测应用涉及光学和SAR等多种手段，其中以光学对地观测应用更为普遍。本文重点讨论人工智能在光学对地观测领域的应用。

世界各主要强国均大力推进人工智能技术在天基、空基光学对地观测等领域的应用。人工智能在光学对地观测领域应用成为国内外研究的热点[8-15]。David J Lary对机器学习在光学对地观测中的若干应用进行了总结[16]。邹同元等从人工智能核心要素、人工智能系统和人工智能应用技术等角度对人工智能在天基遥感大数据的应用若干问题开展了探讨[17]。然而，当前研究大多从对地观测的某几个具体点展开讨论，从信息传递链条，系统分析人工智能在光学对地观测领域应用的较少。

本文在简要分析人工智能技术发展与在光学对地观测领域应用态势的基础上，从信息采集、信息处理等环节，系统研究人工智能在天基和空基光学对地观测领域的应用场景，探讨人工智能在光学对地观测领域应用发展趋势。

1 发展态势

1.1 技术发展态势

第三次人工智能浪潮的人工智能，正依托于云计算、大数据两大基础平台和自然语言理解、类脑计算、机器学习、人机交互、运动控制等关键技术，持续搭建和完善技术框架体系。

但目前主流人工智能仍处于弱人工智能阶段，尚不具有知觉和自主意识。美国等发达国家积极推进类脑科学研究，通过逆向工程，从硬件和软件两方面，积极开展强人工智能研究探索，取得一定成果。在硬件方面，主要是研发类脑新型计算芯片，如神经网络计算芯片，包括神经形态芯片、忆阻器仿脑芯片、量子神经芯片等，目标是相比当前的CPU和GPU计算架构，具有更高的计算效率和更低的能耗；软件方面，主要是使智能计算模型在结构或认知/学习行为上更加类脑。当前人工智能技术也存在一些技术难点，如数据依赖性强、算力依赖性强、可解释性差、易受电子欺骗等。

1.2 应用发展态势

光学对地观测主要包括信息采集、信息传输和信息处理等几个环节。从应用的侧重点看，人工智能主要应用于光学对地观测信息处理环节，其中以图像处理最为活跃。从人工智能解决光学对地观测问题的技术途径来看，有机器学习、类脑计算、人机交互等，目前以机器学习尤其是深度学习为主，且应用最为成熟。而类脑计算和人机交互等人工智能关键技术在光学对地观测领域应用尚处于探索阶段。深度学习使用多层神经网络，可以从大量数据样本进行学习，提取有用信息，使其成为人工智能对地观测领域应用最为普遍的技术途径，广泛应用于对地观测静态图像处理、动态视频分析等各个方面。当前，人工智能在光学对地观测领域中应用还存在如下难点。

不能实现有效数据共享。政府和军方虽掌握对地观测的大量数据，但人工智能技术和创新能力发展主要由民间科技公司和相关军工企业主导。政府、军方、民间力量、军工企业只有实现有效数据共享才能真正推动人工智能对地观测应用。民间力量大量参与军用人工智能项目还存在一些如保密问题、观念问题等障碍。军工企业虽从事装备研发，但也较难从军方获得相关数据。因此，如何充分利用民间私营企业及相关军工企业在人工智能技术方面的优势，是人工智能应用于光学对地观测等军用领域的一个难点。早先美国国防部成立联合人工智能中心(JAIC)，就是认识到人工智能在军事上的应用难点，在于不能有效利用私营企业的力量，不能在保证安全快捷的基础上，实现有效数据共享。美国2019年初发布《人工智能国防战略》中，再次强调加速人工智能国防应用关键难点不在算法，而在于数据共享。2019年2月，美发布《国防部云战略》，进一步提出采用内置于现代商业云提供商平台的现代安全机制，包括现代加密算法、密钥管理、适当数据标签等，保护存储在国防部全局级云环境中数据的安全，从而加速人工智能在国防及对地观测领域应用。

此外，当光学对地观测波段较多时，有效信息提取将变得困难。高分辨率光学对地观测影像可以有十几到上百个波段，不同的地物解译和图像分割可选取不通的波段组合。目前高分辨率图像的有效波段在不同观测场景间泛化性较差，即某波段组合仅适应特定的观测场景，在其他场景下该组合无法实现下游任务需求。

2 典型应用场景

2.1 开发先进图像处理算法，高效分析静态目标

依托机器学习等技术，开发先进处理算法，用于高效分析静态目标，是人工智能光学对地观测应用最广泛的领域。机器学习指通过数据和算法在机器上训练模型，并进行分析决策与行为预测的过程，包括传统机器学习和深度学习。

以地空导弹阵地为例，其一般布局为星形，拥有含4～5组发射架，呈放射性布置。2017年密苏里大学基于深度学习算法，45 min内在90 000 km2区域的搜索到90个地空导弹基地(图1)，这是传统的人类视觉搜索效率的80多倍，而导弹发射场定位准确度可达90%，与人工视觉搜索相同。

图1 密苏里大学基于人工智能深度学习技术 搜索到地空导弹阵地Fig.1 Ground-to-air missile base detected by University of Missouri using deep learning technology

除可对一般导弹阵地进行高效识别，遂行打击任务之外，人工智能还可用于战略核导弹的早期预警和防御。2018年美国为基于人工智能的战略核导弹预警项目拨款8 300万美元，基于机器学习等技术，根据发射迹象、移动发射架痕迹等的图像预测核导弹发射，一旦出现异常，美军将收到早期预警，增加摧毁或拦截导弹的成功率(图2)。目前该项目的导弹发射器追踪系统早期原型已投入试验。

图2 美战略核导弹人工智能预警和防御原理示意图Fig.2 Illustration of the early warning and defense for strategic nuclear missiles using artificial intelligence of United States

此外，人工智能还可以用于空基对海侦察监视。日本防卫省2019年投资825万美元，开展基于人工智能的空基对海侦察监视技术研究。该技术可利用机器学习来快速分析各种图像，可减少对分析人员的操作要求，快速识别目标，并计划最早于2024年在日本海上自卫队的P-3和P-1等海上巡逻机上应用。日本防卫省积极推进人工智能技术在海上侦察监视中的应用，旨在提高情报搜集效率，加强日本西南地区海上警戒和防御能力。

类脑计算是人工智能应用于光学对地观测的另一项关键技术，具有超低功耗和超低延时特性，在天基、空基光学侦察监视中具有重要应用。美国空军于2014年授予IBM一份价值55万美元的合同，利用“真北”类脑计算芯片帮助卫星、高空飞机和小型无人机等更加智能地完成机器视觉分析，自动识别坦克或防空系统等车辆，而功耗不到原来五分之一。

设G=(V,E,F)是对于定理1的一个最小反例,对G的任意边uv,G-uv有一个4-线性染色φ,并且有:

2.2 推动对地观测视频分析，快速识别动态目标

除对地观测静态图像分析外，人工智能技术还可用于对地观测动态视频分析。

自“911”事件以来，美军仅源自无人机和其他监控技术的数据量就增长了16倍。美军分布式通用地面系统每日采集的视频流数据超过7 TByte。空军每天收集的情报侦察视频数据约160 h。美军希望能够使用计算机视觉和机器学习技术，分析数千小时的“伊斯兰国”恐怖组织监控录像，使分析人员只检查无人机拍摄视频中的重要内容，而无需观看所有画面，从而更好地承担分析职责。

在此形势下，“算法战跨部门小组”(Maven)项目于2017年7月启动，利用全动态视频(full motion video,FMV)技术满足更快速有效处理、开发和传播(processing exploitation and dissemination,PED)的需求。借助机器学习算法，Maven进行空基(无人机)对地观测的全动态视频监控分析，基于谷歌TensorFlow API等工具，识别相关的情报、监视和侦察(intelligence,surveillace and reconnaissance,ISR)数据，迅速为指挥官决策提供所需信息。Maven可自动检测和识别无人机全动态摄像机捕获的物体多达38种。该技术将应用于“捕食者”和“死神”无人机的“女妖之眼”全景摄像机上(图3)。该项目已在美国非洲司令部、中央司令部的5～6个地点实现了实战部署。

图3 “死神”无人机“女妖之眼”摄像机应用Maven项目Fig.3 Maven applied on Gorgon Stare camera system in Reaper drone

人工智能不仅可以用于侦察视频目标检测及打击，还可用于公共安全视频监控。美情报高级研究计划局(IARPA)启动了“深度互联模态视频活动”(DIVA)人工智能项目，利用机器视觉处理间谍卫星、无人机和传感器网络所产生的巨量视频和数据，侧重于公共安全应用领域，如确保政府设施的安全或者监控已成为恐怖袭击目标的公共场所。

2.3 探索地面站人机交互，促进流程管理自动化

人机交互主要研究人和计算机之间的信息交换，包括传统基本交互、图形交互、语音交互、情感交互及脑机交互等[18-22]。人机交互在对地观测领域的应用，主要体现在对地观测自动化过程管理。美国国家地理空间情报局(NGA)推动AI人机交互等技术在对地观测地面管理中应用。NGA于2017年分别授予索尔技术公司(Soar)，休斯研究实验室(HRL)，并行技术公司(CTC)等人工智能和自动化数据处理研究合同，研究利用人机交互等技术，优化对地观测任务流程。其中索尔技术公司负责研发自主“虚拟助手”技术，旨在整合不同的面向服务和云服务架构，自动挖掘流数据，为分析人员提供可能感兴趣的异常活动；休斯研究实验室负责研发一种自适应系统，可分析人员间相互作用，并在相似用户群体间自动共享相关数据，以简化工作流程；并行技术公司负责推进一种相互依赖的人机网络概念，以自动处理云环境任务。

2.4 探索多星协同作业，提升对地观测效率

运动控制技术集人工智能感知、决策和反馈于一体，包括单体运动控制和群体运动控制，主要应用于机器人和无人系统。群体运动控制又包含无人系统集群控制及无人和有人系统编组协同技术[6]。基于人工智能的群体控制，可使星座或编队实现自主运行，还可以使得单个空间对象的质量减少，从而减少发射成本；建立起自控的协同分工体系，充分发挥群体的互补优势，在更为复杂的应用场景中发挥，从而大幅提高光学对地观测效率。

德国维尔茨堡大学开展的“网星”(NetSat)项目，于2019年把人工智能用于卫星间自主协调运行和编队飞行，且彼此能直接通信。项目通过增加卫星的星上控制能力，或使卫星无需地面监管，完成复杂任务；自主编队可实现更大覆盖范围，将降低生产及运营成本。“网星”包括4颗位于600 km近地轨道的小型卫星，单星重约3 kg，可在10 m～100 km距离内相互协调，可根据执行任务不同而改变队形。网星”通过编队卫星之间分配计算完成工作。基于人工智能技术，卫星可自主完成如图像采集、分析和处理等任务，监控或跟踪船只或车辆等目标，过滤云层以提高图像质量，还可识别出需要监控的新事件或异常情况。

2.5 探索单星原位数据处理，实现智能图像分发

进入太空时代后，在太空中收集的数据会被传送到地球，大批分析人员为了从中找到所需的信息，对海量数据进行分析。运用人工智能技术直接在太空中对数据进行处理，可以减少传回地面的数据量。如果卫星不需要消耗大量的电力传输不需要的数据，则可以减少数据下行链路、任务电力系统和太阳能电池板的数量，最终将缩减卫星自身的体积。

图4 英特尔Myriad人工智能视觉处理器Fig.4 Intel Myriad vision processing unit using artificial intelligence

3 应用展望

3.1 向集群智能转变

随着进化策略、遗传算法、仿生学、强化学习等研究的深入，未来人工智能技术在光学对地观测中的应用，将进一步向由单个体智能向集群智能转变：一是实现星上认知与自主决策。实现深度学习在轨应用、强化学习在轨进化控制决策，为航天群智能的个体智能实现奠定基础。二是构建智能星群模式。基于大量异构单一智能体，针对协同成像、变化监测、在轨服务等，实现受约束情况下智能星群的构型稳定演化。三是实现星群自组织。随着群智能在空间目标全方位多源信息探测认知、超大型空间系统在轨构建中的应用，实现基于集群智能的多轨道、多载荷协同的、任务驱动的、实时高效的智能空间操控的星群。

3.2 向多域多种类信息融合方向发展

人工智能光学对地观测当前主要针对单一信息源，即单一空基或天基等图像/视频信息源进行智能化处理。随着智能化水平的不断提高，未来人工智能在光学对地观测领域的应用将向天基、空基等多源信息一体化融合方向发展。韩国国防部2018年4月宣布将投入约260万美元，开发智能型信息化情报监视侦察系统，运用人工智能技术融合分析间谍卫星、侦察机、无人机等对多源对地观测信息，实时研判传递战况。未来空基、天基等光学对地观测空间节点，通过动态组网，将实现智能化空天信息的实时服务。情报高级研究计划局于2019年启动天基机器自动识别技术(SMART)项目，利用机器学习等技术，将基于卫星的多光谱成像传感器和可见光传感器的数据融合起来，来提高探测和监测人为干扰的能力，进而从太空探测重型建筑项目和高速公路建设。

3.3 向减少数据依赖方向发展

当前人工智能在对地观测中应用手段，严重依赖数据标注，深度神经网络需对大量观测数据(109或1010个)进行标注，成本昂贵且耗时。DARPA于2018年推出“更少标记的学习”的新项目，研究新算法，可显著减少训练或调整代价：训练模型所需数据量减少一百万倍，调整模型所需数据量从数百万减少到数百个。未来，光学对地观测中利用人工智能机器学习算法，一张图像就可达到原来一百万张图像数据标注训练的结果，进一步提高处理速度。

3.4 向可解释和人机混合智能方向发展

当前人工智能在光学对地观测领域应用也存在一定局限性，如深度学习不可解释性等，在打击目标识别中存在一定风险。对此，一是通过改进算法模型，提高系统对用户的透明度。如DARPA于2016年10月发布的可解释的人工智能项目(XAI)，通过生成可解释的模型，使用户能理解、一定程度上信任并有效管理未来人工智能系统。二是大力发展以人机交互、人机协同等“人在回路”的人机混合智能，把人对模糊、不确定问题分析与响应的高级认知机制与机器智能系统紧密耦合，优势互补，构成“1+1>2”的智能增强智能形态，进一步提升人工智能在光学对地观测领域应用的效能。

4 结束语

人工智能在光学对地观测的信息采集和信息处理等环节的应用，将大幅提升对地观测的效率，特别是为重要军事目标的快速识别和打击，提供更好的作战信息支援。当然，人工智能的可解释性等问题，使其在光学对地观测应用中也存在一定风险。未来随着相关核心技术的不断突破，人工智能光学对地观测应用范围将越来越广，并向星座集群和多源融合的体系化方向发展。