人工智能在空间机器人中的应用现状与关键问题

空间机器人是应用于地球大气层以外宇宙空间的特种机器人。与地面机器人相比，其特征是在无人、遥远、恶劣、未知的空间环境中工作，因而对环境适应性和智能自主性有更高的要求。从这个角度来看，空间机器人与人工智能的有机结合是必然趋势。

空间机器人通常分为在轨操作机器人和行星探测机器人两类。在轨操作机器人指的是在微重力轨道环境中执行各类操作任务的空间机器人，包括但不限于：自由飞行机器人、载人空间站/空间实验室舱内外作业机器人、无人空间服务站作业机器人等。这些机器人用于提供各种在轨操作服务，如目标捕获、目标转移与释放、在轨组装、在轨服务、在轨制造、辅助航天员进行舱外活动等。行星探测机器人指的是在月球、行星、小天体等地外星体上执行任务的空间机器人，包括但不限于：无人/载人巡视探测机器人、行星勘探机器人、行星表面建造机器人等。这些机器人通常具有轮式或腿式移动系统，一般还配置操作机械臂，其执行的任务一般兼有移动和操作两个方面，如行星表面巡视、样品采集回收、科学试验、星表基地建设及辅助航天员探测等。

由于执行的任务有所差异，两类机器人对人工智能的需求略有不同。在轨操作机器人对人工智能的需求重点包括：操作目标/对象特征识别和测量，操作任务的决策和规划，操作臂/手运动规划与控制等；行星探测机器人对人工智能的需求重点包括：探测环境测量、定位与建图，移动规划与控制，样品筛选、采集、封装与回收，意外情况应急处理等。综合来看，空间机器人对人工智能的需求主要集中在4个方面：感知、规划/导航、控制和人机交互。

（一）自主感知

1.空间目标位姿测量

目前，在轨操作机器人感知的信息主要是视觉信息，机器人获取目标图像后，对图像进行特征识别、提取等处理，得到目标相对机器人的实时位姿。ETS-VII卫星机器人、“国际空间站”机械臂（SSRMS+SPDM）、“国际空间站”日本舱机器人（JEMRMS）、轨道快车（OE）卫星机器人及我国空间站机械臂等空间机器人均采用传统的图像处理算法，自主完成对目标位姿信息的测量。

目前，基于人工智能的空间目标位姿测量技术还未在现役空间机器人中获得应用，但却是学术研究的热点。众多航天机构积极参与其中，例如，日本宇宙航空研究开发机构（JAXA）的研究人员针对光照条件急剧变化情况下自由漂浮目标的姿态估计问题开展了研究，提出了一种基于卷积神经网络（CNN）的鲁棒姿态估计器，可以直接实时估计关键点的三维位置。2019年，欧空局（ESA）参与组织了一次以卫星位姿估计为主题的挑战赛，将近50支参赛队伍无一例外地使用了深度学习方法，从一个侧面证明了人工智能算法在空间目标测量方面的应用潜力。2025年，ESA支持的ClearSpace-1项目计划发射一个携带机械臂的卫星执行轨道清理任务（图1），采用深度学习算法提高位姿估计的可靠性，以降低空间复杂光照环境对计算结果的影响。

图1 ClearSpace-1任务示意图

2.行星表面地形测量与评估

基于视觉信息对行星表面地形地貌进行测量和评估是行星探测机器人开展巡视探测任务的前提。1997年“旅居者”火星车登陆火星，采取遥操作模式执行任务：地面人员完成地形测量、评估和路径选择等工作，并将指定路径上的目标点位置信息周期性地发送给“旅居者”，由“旅居者”自主完成目标点之间的移动。移动过程中“旅居者”需依据速度、加速度、转速、距离等传感器信息，识别和规避意外事件的发生。

2003年发射的“勇气”和“机遇”火星车同时支持遥操作模式和自主工作模式，包括自主地形评估、路径选择、里程估计等。“勇气”和“机遇”的地形评估模块利用多组双目立体视觉相机的图像计算地形地貌特征参数，生成三维信息并形成二维全局地图，在此基础上完成自主路径选择、避障规划等，如图2所示。

图2 “勇气”和“机遇”地形评估与路径选择

2012年，“好奇”火星车登陆火星，相比“勇气”和“机遇”火星车，“好奇”火星车的器载软件和硬件得到进一步提升，能够基于多个传感器获得的图像信息自主完成定位、建图、路径选择和里程计算，并支持长距离自主导航移动。与“好奇”相似的“毅力”火星车于2020年发射，该火星车使用了更加强大的自主导航系统——ENav（Enhanced AutoNav），在地形测量、评估和路径规划等方面大量使用了人工智能技术。

3.地外天体表面样品识别与选择

移动机器人在行星表面执行巡视探测任务过程中会获得大量的视觉图像，通常这些图像需要传回地面处理，极大降低了行星探测的效率。为此，美国航空航天局（NASA）喷气推进实验室（JPL）研制了AEGIS（Autonomous Exploration for Gathering Increased Science）自主系统，在火星车上实现了科学目标的自主辨识、排序，并可调用其他相机来实现对目标的高精度观测，从而获得更多有价值的科学图像，如图3和图4所示。AEGIS系统已先后在“机遇”、“好奇”和“毅力”火星车上成功部署应用。

图3 AEGIS 对高价值目标进行标记排序

图4 AEGIS 调用全景相机获取高价值目标细节

（二）智能规划/导航

1.机器人运动规划

ETS-VII卫星机器人、“国际空间站”机械臂、“国际空间站”日本舱机器人、轨道快车卫星机器人及我国空间站机械臂等空间机器人主要通过地面指令、遥操作、视觉伺服等方式进行运动规划，人工智能技术尚未获得在轨应用。

基于人工智能的空间机器人任务规划与运动规划一直是学术界的研究热点。例如，针对空间碎片或者废弃航天器的在轨抓捕任务，有关学者开展了借助机器学习算法优化机器人运动轨迹的研究，以解决抓捕过程中机器人的自主避碰、降低关节力矩、减小卫星姿态扰动、适应目标不确定性等一系列问题。针对多机械臂空间机器人，有关学者尝试通过强化学习算法降低运动规划对复杂动力学模型的依赖性。

2.行星探测机器人自主导航

自主导航是人工智能在空间应用较为成熟的领域，NASA的“勇气”和“机遇”通过软件升级具备了自主导航能力，“好奇”和“毅力”进一步提升了移动规划的自主性。

“勇气”和“机遇”登陆火星后通过注入“器上自主科学调查系统（OASIS）”软件，自主能力得到大幅提高。OASIS能够按照预先确定的判别准则在导航相机图像中自主发现可能的高价值科学目标，进行标记和排序，并自主更改火星车既定程序以移动接近目标，如图5所示。OASIS还可以用于自主发现、捕捉并标记偶发事件，如火星上旋风的形成、云的变化等，如图6所示。在无OASIS自动判别功能支持的情况下，获取此类图像的可能性将大幅降低。

图5 MER自主确定探测目标后移动接近目标

图6 “机遇” 拍摄到的旋风

“好奇”采用了新的自主导航软件系统AutoNav，从而具备了长距离自主导航能力，如图7所示。“毅力”在AutoNav系统基础上，配备了大量采用人工智能技术的ENav系统，自主导航功能进一步增强。2022年2月8日，NASA宣布“毅力”以自主模式移动了243.3m，创造了火星车在火星表面自主移动的纪录，如图8所示。

图7 NASA 的AutoNav软件演示

图8 “毅力” 利用ENav实现快速移动

NASA还从火星表面地形分类入手，解决了火星车自主导航的安全性和效率问题。JPL开发了SPOC（SoilProperty and Object Classification）软件，用于火星表面地形分析，已应用于“火星2020”任务着陆点通过性分析及火星车滑移率预测中。JPL利用“勇气”“机遇”“好奇”所获取的火星图像构建了大型数据库AI4Mars，通过深度学习技术对图像中的地形进行分类和标记，为自主导航提供基础数据。

（三）智能控制

1.在轨机器人操作控制

迄今为止，在轨服役的空间机器人主要采用遥控或遥操作的控制方式，同时也支持视觉引导下的自主控制模式，但应用相对较少。

2011年，“发现”航天飞机将有史以来首个类人机器人Robonaut-2（简称R2）送上“国际空间站”，用于辅助直至替代航天员执行空间站舱内外值守任务。R2在轨测试期间仍以地面遥控和在轨遥操作为主，在一些简单任务上验证了自主控制模式，如自主识别扳手、螺丝刀等工具，以及开关、按钮、阀门等操作对象，在此基础上自主完成抓取、传递等简单操作，并通过视觉图像自主判断各类操作的执行效果，如图9所示。

图9 R2 在轨测试——任务面板操作

基于人工智能的空间机器人自主控制应用较少，但相关理论研究一直在不断发展完善，包括利用人工智能技术提高空间机器人在自由空间中的跟踪能力和运动精度，以及通过强化学习训练面向空间目标抓捕任务的机器人控制策略等。

2.行星探测机器人移动控制

目前在轨的行星探测机器人均为轮式机器人，机器人自主控制车轮的方向和转速，使其沿给定的路径移动。“好奇”火星车由于其左前轮受损严重，因此通过软件升级增加了适应地形的轮速控制算法。该算法可利用实时的悬架和姿态测量值及火星车的刚体运动学模型，自主分配各车轮转速，协调车轮之间的运动和受力。

此外，火星车在移动过程中还可以实时检测功率下降、车轮沉陷、机构卡滞、车体侧倾等意外事件，以及计算机、相机、悬架、驱动组件、加热与测温器件、惯性测量单元（IMU）等硬件故障。“好奇”在相关参数超过设定阈值后，可自动停止移动，获取并下发图像，等待后续指令，从而提升自主生存能力。

（四）人机交互

1.类人机器人人机交互

R2的人机交互方式主要以遥控和遥操作模式为主，同时支持航天员通过头盔、麦克风、数据手套与机器人交互，控制机器人完成绳子打结、螺栓装配、柔软物品操作等具有较高难度的操作。R2还可以接受航天员的语音指令，完成诸如给航天员递送工具等操作，如图10所示。

图10 航天员以遥操作模式控制 R2

2013年8月，日本东京大学牵头研制的会话机器人Kirobo发射，成为第一个进入太空的会话机器人。Kirobo大量使用人工智能技术，具有语音识别、自然语言处理、面部识别、情感识别等能力，如图11所示。

图11 Kirobo 在“国际空间站”与航天员交互

2.其他机器人人机交互

德国宇航中心（DLR）于2018年6月发射了支持航天员在“国际空间站”内执行日常任务的人工智能助手CIMON（Crew Interactive Mobile Companion）。该机器人支持与航天员进行语音交互，具有听、看、说、理解及飞行等功能，CIMON可以通过语音提示辅助航天员执行日常任务，而且可以在发生紧急情况时协助航天员完成应急事件的处理，如图12所示。

图12 CIMON 在“国际空间站”与航天员交互

（五）应用现状总结

综上可知，人工智能在空间机器人领域的应用已经取得了实质性成果，例如，在信息感知方面，较好地支持了人类对火星表面科学目标的识别与测量；在规划与导航方面，大幅提升了巡视器的自主生存能力，提高了行星探测效率；在机器人控制方面，实现了超冗余自由度机器人系统的协调运动控制；在人机交互方面，实现了语音、表情、手势多模态交互的在轨应用，使得“航天员助手”成为现实。

随着人类航天活动的持续深入，空间机器人的应用范围不断扩展，应用场景日益复杂。

载人航天是空间机器人的传统应用领域，典型任务包括空间站运营支持、人机联合行星探测等。对于空间站运营，一方面需要机器人代替航天员开展舱内清洁、检测、实验等日常工作；另一方面为降低航天员舱外活动风险或降低舱外活动难度，需要机器人替代或辅助航天员执行舱外任务。在人机联合探测方面，需使用载人移动机器人扩展航天员的探测范围，并在样品识别、辅助探测、应急处理等方面为航天员提供支持。

在无人深空探测领域，空间机器人以活动范围大、持续时间长、作业能力强等众多优势成为最有效的行星表面探测工具。未来深空探测的重点包括各类地外天体表面的着陆/附着、多地形巡视与数据收集、样品采集与存储、原位资源利用、无人科研站建设等活动，多种空间机器人将在其中发挥支撑性作用。

在轨服务是空间机器人应用的又一主要领域。借助于空间机器人的强大感知、执行能力，人类可广泛开展在役航天器的升级重构、故障航天器的维修维护、空间碎片的捕获清除等活动。特别是近年来备受关注的航天器部组件在轨制造和在轨组装技术，将使人类突破运载约束、构建超大型航天器成为可能。

上述新型任务的出现对空间机器人的自主能力和智能化程度提出了更高的要求，具体可归纳为以下4个方面：空间智能感知、空间智能规划与控制、空间智能交互、空间集群智能。

（1）空间智能感知。智能感知的目标是基于各类传感器获得的数据，通过机器学习、数据挖掘等智能方法，完成对空间环境的识别和测量，为空间机器人的规划、控制与评估提供充分、高精度、实时的信息。具体需求包括作业/探测环境三维重建、操控目标参数辨识、样品的识别与测量、任务评价与健康监测等内容。

（2）空间智能规划与控制。智能规划与控制的主要目标是根据任务目标、自身状态、时间和资源约束等，通过有效的推理和分析，自主完成任务分解、路径选择和轨迹规划，形成执行机构的控制输入并控制其完成任务。具体需求包括对探测目标的自主选择和排序，在轨构建/星表构建任务规划，自主导航与移动控制，自主运动规划、运动控制和力控制等。

（3）空间智能交互。智能交互指通过语音、表情、手势、VR/AR等交互手段，利用智能方法进行信息识别与处理，实现人与机器人间高效传递信息的技术。具体需求包括空间站智能陪伴机器人、机器人航天员与人类航天员的多模态交互，星表载人移动机器人、探测机器人与人类航天员的智能交互等。

（4）空间集群智能。空间机器人集群智能是指由多个聚集在一定空间内的空间机器人，通过相互之间有机的交互、协调和控制，使机器人群体表现出来的复杂智能行为。具体需求包括空间机器人群体执行编队飞行、在轨协同装配、星表编队探测、星表基地建设等任务。在未来空间任务中，机器人系统集群智能有着巨大的应用价值。

尽管人工智能是提升空间机器人智能自主能力的有效手段已经成为业界共识，但从航天任务的可靠性、测试覆盖性要求出发，在人工智能技术真正实现工程应用之前，下述关键问题仍需重点考虑。

（1）非确定边界适应问题。空间机器人在其任务周期内始终处于未知、复杂的空间环境中。以月球极区为例，其存在光照复杂、阴影区众多、地形崎岖、地质条件未知等非确定边界，人工智能算法必须具备对非确定边界的适应性。

（2）连续系统学习维度问题。机器人系统中的状态动作空间往往是连续的，目前的强化学习算法需要先将状态空间离散化，如离散过粗则误差较大，造成学习算法无法收敛或收敛后效果较差；如离散过细则会遇到维度爆炸问题，造成算法无法收敛和计算资源非必要消耗，应针对任务情况选择合适的颗粒度。

（3）小样本学习过拟合及可靠性问题。现阶段机器学习的效率需要依赖大数据资源的支撑，如果学习数据过少，学习将可能出现过拟合问题。但是与地面数据相比，空间任务尤其是深空探测任务是“小量级”任务，任务过程所产生的可用于训练的有效数据有限，学习样本不足。

（4）学习收敛性和学习效率问题。目前学习算法的收敛性和学习效率一直是限制机器学习进一步应用的瓶颈。大多数机器学习方法是根据智能体输出和环境反馈不断调整策略的过程，然而这类算法应用于实际案例中常常较难收敛或收敛缓慢，学习效率较低。

（5）仿真模型与物理样机迁移偏差问题。一般来说，导致仿真模型与物理样机迁移偏差的主要原因往往在于仿真模型的精度不足。过于精确的建模则需考虑数值求解的实时性问题，而实时性不足同样会增加仿真模型与物理样机迁移的偏差程度。

（6）机器学习冷启动问题。一直以来机器学习都面临冷启动问题的困扰，尤其是前期学习过程中函数的估计值将存在较大偏差，这增加了学习难度和训练耗时。目前可行的解决方法是在前期学习过程中引入监督学习，以及在软件和硬件允许的前提下提高算法性能及在轨计算能力。

（7）机器学习黑盒性问题。黑盒性的存在严重影响系统的可靠性，将是航天任务中能否采用智能方法的关键限制因素。

一是模型不可解释性。神经网络的构成中可能包含数十万乃至数百万个权系数、偏置项及各类非线性激活函数，从物理角度而言，这些神经网络参数并无实际物理意义。

二是问题不可定位性。与传统控制思路不同，智能控制会用到一个或多个“端端”网络。设计人员并不了解学习出来的权系数或偏置项的取值原因，当策略不收敛或环境发生变化时，常因无法定位和隔离出错部分，导致需要再次设计和重复训练。

三是硬件环境依赖性。神经网络的黑盒性导致其更加依赖于实际硬件上的部署和真实环境中的训练。但空间任务在轨验证代价高昂，一般仅能在地面模拟环境实现有限验证，无法满足学习模型对真实硬件环境的依赖。

四是行为不可预知性。神经网络的黑盒性导致其动作值具有不可预知性，如果出现学习训练未覆盖的情况，将出现不可预知的结果，导致设计人员无法保证执行结果。

五是代码不可验证性。航天任务中的程序需经过源码测试和代码审查，但是神经网络的源码是一系列众多的权系数矩阵、偏置项矩阵及激活函数，因此无法从其内部解释神经网络，仅能查看代码的结构性和逻辑性。

（8）机器学习测试性问题。机器学习方法在测试性方面需面对两个关键问题：一是由于神经网络的复杂性，开展神经网络测试的工作量较大，难以做到完全覆盖测试；二是由于神经网络的非线性特性，未测试过的神经网络的行为完全不可预测。

作者简介：王耀兵，北京空间飞行器总体设计部研究员，博士生导师，空间智能机器人系统技术与应用北京市重点实验室主任。长期从事空间机器人、航天器结构与机构等方面的研究工作。

本文转载自“中国航天”，作者，王耀兵、马超（北京空间飞行器总体设计部），原标题《人工智能在空间机器人中的应用现状与关键问题》。

为分享前沿资讯及有价值的观点，太空与网络微信公众号转载此文，并经过编辑。

支持保护知识产权，转载请注明原出处及作者。

部分图片难以找到原始出处，故文中未加以标注，如若侵犯了您的权益，请第一时间联系我们。

充满激情的新时代，

充满挑战的新疆域，

与踔厉奋发的引领者，

卓尔不群的企业家，

一起开拓，

一起体验，

一起感悟，

共同打造更真品质，

共同实现更高价值，

共同见证商业航天更大的跨越！

——《卫星与网络》，观察，记录，传播，引领。