AI正如何变革航天器与卫星运行|spacex|低轨道|卫星|商业空间碎片|地面站|波束|航天器

周三 · 风月同天|周四 · 观测指南

周五 · 深空探测|周六 · 茶余星话|周日 · 天象预报

作者：Martin Halliwell

翻译：向艺文

校译：牧夫天文校对组

编排：刘艳梅

后台：李子琦

原文链接：https://www.space.com/space-exploration/satellites/ai-is-ready-to-run-spacecraft-is-the-space-industry-ready-for-it

卫星运营的旧模式正在逐渐瓦解，不是因为这套方法本身失灵了，而是因为在轨航天器的数量已呈爆炸式增长。

图 1 目前地球轨道上约有16,000颗现役卫星，但仅在未来五年内，可能就有多达70,000颗卫星发射升空。（图片来源：F. Kamphues，ESO/M. Kornmesser）

马丁·哈利维尔（Martin Halliwell）是NewSpace Capital的合伙人，该公司是全球首批专注于航天科技领域成长阶段企业的私募股权公司之一。他曾担任SES的首席技术官，在2011年至2019年期间负责全球技术与研发工作。哈利维尔为Space.com的“专家之声”（Expert Voices）栏目撰写了本文。

在太空时代的大部分时间里，卫星一直像是被绳子牵着的木偶。每一个有意义的决策——把相机对准哪里、何时启动推进器、如何路由信号——都由地面工程师做出，然后按预定时间通过无线电上传给卫星

这种模式正在开始瓦解，并非因为它不再奏效，而是因为在轨卫星的数量已呈爆炸式增长。如今，一家公司就可以同时运营数千颗航天器，而没有任何地面团队能够实时监控这么多在运动中的部件。人工智能正在填补这一空白，它尤其改变了三个方面的格局：单个航天器如何自主思考，整个星座如何协同行动，以及这些卫星组成的通信网络如何被管理。

航天器上的AI

最直接的变化是，卫星开始在没有等待地面指令的情况下，在星上自主做出更多决策。这之所以重要，是因为一个基本的物理问题：低轨道卫星与某个地面站每次无线电联络的时间只有几分钟，即便是地球静止轨道卫星也面临通信延迟和地面站带宽有限的问题。如果一颗卫星要等人发现故障、批准应对措施、再发回指令，这个过程可能需要数小时。而星载AI系统可以即时发现值得注意的事情——一场野火、一艘船只、一个硬件故障——并立即采取行动。

美国宇航局喷气推进实验室（JPL）已经在直接测试这一思路，他们开发的星载AI能够在数据被采集时就进行分析，并决定哪些值得保存、哪些值得响应、哪些可以忽略。美国空军研究实验室则更进一步，展示了一个无需人工介入就能在轨控制卫星姿态的神经网络——AI管理的不仅是载荷，还包括航天器核心飞行功能。更新的对地观测卫星甚至搭载了小型专用处理器（类似于某些笔记本电脑中使用的芯片），以便它们能实时融合不同类型的传感器数据，直接下传一个已成型的结论，而不是把海量原始数据扔回地面让人去筛选。

图2：SpaceX计划中的“Starmind”AI卫星在轨渲染图。（图片来源：SpaceX）

用于星座管理的AI

AI for managing constellations

一旦你拥有数百甚至数千颗卫星共同飞行——即一个“星座”——一个新的问题就出现了：它们需要像一支协调配合的舰队，而不是成千上万个各自为政的个体。这是AI作用最清晰、最实用领域之一。

最典型的例子是碰撞规避。低地球轨道上的现役卫星和碎片越来越密集，一个中等规模的星座每天可能面临数十次近距离接近警报，每一次都需要决定是否要移动卫星以避让。这样的数量已经超出了人工团队逐一评估的能力范围，因此运营商开始转向AI系统，由它们接收跟踪数据、计算碰撞风险，在某些情况下甚至可以无需等待人工批准就规划甚至执行规避机动。NASA的“星群”（Starling）项目及相关“分布式航天器自主”研究则更进一步，教会小卫星之间共享数据、分工观测任务，并实时调整集体计划——本质上就是让星座以一个团队的形态自我管理，而不是一群碰巧共用一个运营商的独立航天器。

用于网络编排的AI

AI for network orchestration

第三个变化在于卫星如何相互通信以及与地面通信——这也是AI可能对普通用户影响最大的地方，因为它决定了卫星宽带等服务能否快速可靠。一个现代宽带星座就是一个不断运动的网络：每颗卫星以大约每小时17,000英里（27,400公里）的速度飞行，卫星与地面站之间的链接不断断开又重建，带宽需求随时间和地理位置而变化。决定哪颗卫星该与哪个地面站通信、如何通过头顶上的卫星网状网络路由一个数据包、以及如何调整每颗卫星的无线电波束以服务最繁忙的区域——所有这些都需要持续不断地重新计算。

这是传统基于规则的网络管理无法跟上的实时优化规模。运营商正在转向AI模型——通常与需求预测或物流优化所用的技术同属一个家族——它们可以提前数小时预测流量模式，并持续不断地同时重新优化整个星座的波束形状、路由路径和卫星切换。例如，SpaceX的Starlink网络就曾描述过使用这种AI驱动系统来管理其星间激光链路的流量，并随着全球需求的转移实时调整波束模式。研究人员还在应用更新的AI技术，包括将整个星座视为一个连通图模型的算法，以便在网络扩展到数万颗卫星时，使路由决策更快、更高效。

为何重要

Why it matters

所有这些都不会取代人类监督——运营商仍然设定规则、审查异常情况，并在出现问题时可以介入。但这确实改变了工作方式：地面团队不再是手动指令每一颗卫星，而是越来越多地监督AI系统，由它们自主处理常规性、高容量的决策。随着星座从数百颗卫星扩展到目前正在规划中的数万颗卫星，这种从“人类指令每颗卫星”到“人类监督AI管理的舰队”的转变，不仅仅是一种便利——它正在成为这些系统能够继续运作下去的唯一方式。