《人工智能和机器学习用于太空域感知》72页报告

为了应对太空领域日益增长的行动需求，太空部队和太空领域感知（SDA）操作人员必须确定如何更有效地确定传感器观测的优先次序，扩大规模以满足大量常驻太空物体的需求，并开发能够反映轨道力学和太空操作复杂性的分析能力，同时保持作战领域行动所需的响应速度。尽管人工智能和机器学习（AI/ML）工具具有帮助应对这些 SDA 挑战的潜力，但人们对这些工具对 SDA 任务的整体成功所产生的影响还不甚了解，这种缺乏了解的情况阻碍了对这些工具的集成进行规划和优化。

本报告记录了在应用于美国太空部队和太空领域感知任务时证明人工智能/机器学习可行性的技术方法。利用数学和数值技术估计驻留空间物体的当前和未来状态及不确定性的能力是当前 SDA 流程的基础。作者测试了 AI/ML 算法，特别是贝叶斯神经网络，以确定它们是否适合这些任务。本报告中介绍的研究侧重于更广泛的 SDA 任务集下的高度资源密集型会合评估任务。两个案例研究的重点是神经网络的预测和分类能力，以及利用这些能力改进会合评估。作者发现，与传统程序相比，贝叶斯神经网络在最有可能与基于风险的 SDA 决策相关的指标上提供了适当的性能权衡，与标准神经网络相比，在指标上提供了更高的性能。

主要发现

• 神经网络能够逼近复杂的非线性函数。标准和贝叶斯神经网络可将预测和分类功能应用于 SDA 任务流程。
• AI/ML工具开发人员应将重点放在与运行中的 SDA 架构、数据基础设施和流程兼容的工具上。
• 对风险和不确定性容忍度进行量化，使操作员或分析员能够根据可接受的风险设定阈值，从而向AI/ML模型提供反馈。
• 与标准的神经网络方法相比，风险和不确定性容忍度的量化可支持以预测和分类为重点的AI/ML工具性能的提高。
• 在与 SDA 任务流程搭配时，主动学习可能会成为一种有吸引力的 AI/ML 功能。

建议

• 开发 AI/ML 工具需要大量投资，以确保高质量的训练数据。应根据 SDA 操作员的意见，考虑为 AI/ML 投资提供此类数据。
• AI/ML 工具开发人员应考虑对工具设计有影响的 SDA 流程和限制，包括算法选择、性能指标和基准要求。
• 美国国防部在开发和部署实用 AI/ML 工具时，应考虑不确定性量化方法的价值。应培训 SDA 操作员使用这些方法提供的不确定性量化。