长达二十六分钟。这是无线电信号在地球与火星轨道距离最远时的传输时间——这种通信延迟将简单的导航决策转变为生死攸关的等待游戏。当NASA的毅力号火星车遇到意外的巨石场时，它无法呼叫地球寻求指导并等待近一小时的回复。相反，它必须独立思考，实时分析地形，使用人工智能系统绘制安全路径，在没有人类干预的情况下做出数千个导航决策。
从遥控任务向自主探索的技术演进，代表了自第一颗卫星发射以来太空探索领域最重大的转变之一。现代航天器搭载先进的AI系统，能够独立进行导航、探索甚至执行科学操作，从根本上改变了我们探索宇宙的方式，并推动深空任务的可能性边界。
任务纪事：AI接管控制权
向自主导航的转变正在多个突破性任务中展现，每个任务都将AI能力推向更远的未知领域。欧洲航天局于2024年发射的赫拉任务，目标是双小行星系统迪迪莫斯，代表了航天器自主性的里程碑式成就。与执行从地球上传的预设程序的传统任务不同，赫拉持续融合多传感器数据，构建其周围环境的三维模型，并实时做出导航决策。
可以将赫拉想象成一个宇宙侦探，像自动驾驶汽车在城市街道中导航一样不断分析环境——只是这些"街道"是形状不规则的小行星周围的重力场，传统导航规则在此失效。航天器使用光学摄像机、激光雷达和射电科学仪器的组合，构建迪迪莫斯的详细地图，同时自主调整轨迹以保持与小行星不可预测重力影响的安全距离。
在火星上，NASA的增强型自动导航系统通过使毅力号能够在每个火星日行进显著更远的距离，同时自主避开障碍物，彻底革命了探测器操作。该系统实时处理立体摄像机图像，生成详细的危险地图，识别可能损坏探测器的岩石、斜坡和地形特征。这比早期需要大量地面规划支持且每日行进距离要短得多的探测器导航系统有了显著改进。
自动导航系统展示了机器学习导航的实际应用：当毅力号遇到新的地形类型时，其算法会适应并改进危险检测能力。探测器现在能识别数十种不同的地形特征——从可能导致车轮打滑的松散沙土到可能刺破其铝制车轮的尖锐岩石——并绘制平衡科学目标与工程约束的最优路径。
技术革命：从无线电信号到神经网络
传统的深空导航严重依赖无线电测量跟踪——本质上是使用无线电信号与航天器进行宇宙版的"马可波罗"游戏——通过深空网络（DSN），这是一个全球大型无线电天线阵列，通过测量信号传输时间和频率偏移（称为多普勒偏移）来三角定位航天器位置。这种方法在整个太阳系内提供几公里的定位精度，满足大多数任务需求，但受到通信延迟和地球自转周期的限制。
自主光学导航系统现在补充甚至有时替代无线电跟踪，通过使用机载摄像机观测恒星、行星和小行星进行位置确定。这些系统在独立于地面通信的情况下实现与无线电导航相当的定位精度。欧洲航天局的赫拉任务通过使用多个光学传感器相对于迪迪莫斯保持精确定位而无需持续地球联系，展示了这一能力。
机器学习算法的集成使航天器能够随时间改进其导航性能。与遵循固定决策树的预编程系统不同，现代AI导航系统从经验中学习并适应新情况——就像棋手在每场游戏中不断进步。NASA的机器学习导航（MLNav）系统使用卷积神经网络（受人脑处理视觉信息方式启发的AI系统）处理地形图像，该网络经过数千张火星地貌图像训练，能够实时进行危险识别，准确率超过95%。这意味着探测器在20次遭遇中有19次能正确识别危险地形。
先进的传感器融合技术——可以想象为给航天器多种"感官"如视觉和触觉——结合不同导航仪器的数据，创造全面的态势感知。航天器现在通常集成星体跟踪器用于绝对位置感知（类似天体GPS）、惯性测量单元用于运动感知、光学摄像机用于危险检测，有时还有激光雷达用于精确距离测量。AI算法处理这种多传感器数据流，生成考虑测量不确定性和传感器局限性的统一导航解决方案。
工程挑战：为最严苛环境构建AI大脑
为太空环境开发自主导航系统带来了独特的工程挑战，推动了地面AI应用的边界。太空级处理器必须在极端辐射环境下可靠运行，同时消耗最少的功率——这些约束排除了大多数为数据中心或自动驾驶汽车设计的商用AI加速芯片。
目前的太空任务通常使用抗辐射处理器，运行时钟速度明显低于商用系统，需要仔细的算法优化和高效的神经网络架构，能够在严重的处理限制内执行复杂的导航任务。
内存约束代表另一个关键挑战：与地面系统相比，航天器计算机系统提供有限的存储，迫使工程师开发适应这些限制的紧凑AI模型，同时保持导航精度。先进的模型压缩技术，包括神经网络量化和剪枝，与全精度实现相比实现了大幅内存减少。
功耗直接影响任务持续时间和科学能力。自主导航系统必须平衡计算复杂性与功率效率，连续运行多年，同时与科学仪器和通信系统共享电力资源。导航处理器代表航天器功率预算的重要组成部分，使高效设计对任务成功至关重要。
实时性能需求增加了另一层复杂性：导航决策必须在严格的时间约束内执行以确保航天器安全。碰撞避免算法必须在几秒内处理传感器数据并生成轨迹修正，而较长期的路径规划根据任务需求在分钟到小时的时间尺度上运行。
自主探索革命
AI驱动的自主导航的意义远超提高效率——它们使之前在传统地面控制操作下不可能的全新太空任务类别成为可能。这在实践中意味着什么？曾经需要十年才能完成目标的任务现在可能在3-4年内完成相同的科学工作。当每个航天器都能独立导航，同时保持编队并在最少地面干预下避免碰撞时，涉及多个协调航天器的编队任务变得可行。
自主导航使在通信延迟使地面控制不切实际或不可能的环境中进行探索成为可能。前往木星卫星的任务面临可能超过90分钟的往返通信时间，使实时危险避免在没有机载决策能力的情况下不可能。未来前往这些目标的任务将严重依赖自主系统进行着陆、表面操作甚至样品返回活动。
该技术还通过最大限度减少对持续地面监控和干预的需要来降低任务运营成本。传统任务需要导航专家团队全天候工作来规划和执行航天器机动——想象一下太空的空中交通管制，但有数小时的延迟。自主系统减少了这种操作负担，同时实现更积极的探索策略，能够适应意外发现和机会。当探测器发现有趣的岩石构造或矿物沉积时，它可以立即调查，而不是等待数天让地面任务规划者评估和批准新路线。
展望下一个十年，AI导航系统将整合越来越先进的能力，包括预测路径规划以预测未来障碍和机会、多目标优化以平衡科学目标与工程约束，以及多航天器任务的协作导航。这些进步有望将太空探索从精心编排的预设动作舞蹈转变为由人工智能指导的动态、适应性发现追求。
自主太空探索的时代已经开始，其影响远超导航效率。随着航天器越来越独立于地面控制，我们站在一个新时代的门槛上，机器人探索者将以前所未有的自由进入宇宙发现、适应并推动人类知识的边界进入太空的最深处。
参考文献
[1] ESA, “Artificial intelligence in space,” Available: https://www.esa.int/Enabling_Support/Preparing_for_the_Future/Discovery_and_Preparation/Artificial_intelligence_in_space
[2] NASA, “NASA’s AI Use Cases: Advancing Space Exploration with Responsibility,” Available: https://www.nasa.gov/organizations/ocio/dt/ai/2024-ai-use-cases/
[3] X. Chen et al., “A Novel Autonomous Celestial Integrated Navigation for Deep Space Exploration Based on Angle and Stellar Spectra Shift Velocity Measurement,” Sensors, vol. 19, no. 11, p. 2555, 2019.
[4] Frontiers in Robotics and AI, “Autonomous Exploration of Small Bodies Toward Greater Autonomy for Deep Space Missions,” Available: https://www.frontiersin.org/journals/robotics-and-ai/articles/10.3389/frobt.2021.650885/full
[5] NASA Science, “Technology,” Available: https://science.nasa.gov/technology/
[6] NASA JPL, “Jet Propulsion Laboratory,” Available: https://www.jpl.nasa.gov/
[7] H. Kannamarlapudi and S. Chintalapudi, “Quantum Artificial Intelligence for Secure Autonomous Vehicle Navigation: An Architectural Proposal,” arXiv preprint arXiv:2506.16000, 2025.
[8] A. Young et al., “Enhancing Autonomous Navigation by Imaging Hidden Objects using Single-Photon LiDAR,” arXiv preprint arXiv:2410.03555, 2024.
[9] IEEE Spectrum, “Autonomous Vehicles,” Available: https://spectrum.ieee.org/tag/autonomous-vehicles
本文由 AaBot 基于实时网络与文献研究自动生成。