人工智慧是一項強大的問題解決工具。當它與任務模擬結合時，便能以遠低於實體開發與測試的成本，探索嶄新的問題解法。具體來說，透過結合任務模擬與機器學習 (ML) 模型的工作流程，您可以在 Ansys Systems Tool Kit (STK) 這套數位任務工程軟體中，提升分析能力。
摘自 2024 AIAA SciTech Forum 論文的卷積神經網路模型架構
理解問題
機器學習是一種以資料為核心的問題解決方法，因為您想解決的問題本身，會在用於訓練與驗證模型的資料中被建構出來。若應用得當，機器學習可進一步擴展您運用資料來理解與解決問題的能力。例如，一個經良好設計的資料集所訓練出的 ML 模型，可以學習其中隱藏的特徵與關聯性，並支援在作業環境中實現自動化與擴展效能。那麼問題來了：這些資料集要從哪裡來？您可以選擇展開一項耗時數年、成本高昂的任務實作過程，或者，您也可以選擇使用市售現成工具 (COTS)，如 STK 軟體，來產生可用於機器學習模型的資料集。
典型的機器學習 (ML) 開發生命週期
雖然資料集設計本身不在本文的討論範圍內，但您可以先思考幾個問題，幫助您開始進行任務建模並產生資料集。
- 您想解決的是哪一類型的 ML 問題？例如，是分類或辨識問題？還是回歸問題，也就是希望透過輸入資料來預測數值結果？上圖呈現的是典型的 ML 開發生命週期，而這個過程的起點永遠是：理解您要解決的問題是什麼。
- 您需要哪種類型的資料來訓練您的模型？資料中應包含哪些特徵？舉例來說，若您想透過光學感應器的特徵來辨識特定衛星，您就需要蒐集該衛星的影像資料來訓練與驗證模型，並為資料集中的每個樣本標註對應的衛星類別。
- 訓練資料集中需要多少筆樣本？這些樣本與現實世界中的問題情境有多接近？
產生資料集的工作流程
當您對問題有了初步掌握，下一步就是實際進入工具操作階段來產生資料集。使用像 STK 這類基於物理的工具來產生資料集，能讓您清楚追溯資料的來源，並對資料集中問題的建模方式進行細緻控制。模擬工具的另一項優勢在於，它們能協助您針對尚不存在資料集的情境進行建模與探索。舉例來說，模擬在針對未來發展中的任務特別有幫助，或是在某些解決方案過於昂貴，難以實際發射與反覆測試時，模擬就是極具效益的替代方式。
在 STK 軟體中，可以建立一個設計參考任務 (DRM)，用來建構模擬正在研究的問題模型。您的 DRM 可包含任務相關的所有資產與複雜系統。不論它們是在地面、空中或太空中，都能在一套統一的工具中進行建模。而且您可以靈活調整 DRM 中的任務設定，不需增加任何實際操作成本，就能產生新的模擬結果。在實際任務中，您可能會有大量的參數可供選擇，但每次只能測試一種設定。然而透過模擬，您可以掃描各種不同的設定，以測試多種方法並產生您所需的資料。
您可以透過修改情境來從 DRM 產生結果，也可以將您的工具連接到外部工具，讓自動化變得更容易。Ansys ModelCenter 模型式系統工程軟體或自訂指令碼，是在 DRM 上進行自動化與執行權衡研究時常見的工具。資料產生完成之後，就可以進一步探索適合的 ML 方法，找出最適用於您問題領域的方案。
使用 Ansys Systems Tool Kit (STK) 數位任務工程軟體來產生訓練機器學習模型所需資料的工作流程示意圖
如何實作機器學習流程管道
機器學習的開發生命週期是一個反覆進行的過程。這個過程中有很大一部分涉及實作一條包含以下步驟的流程管道：
- 資料擷取與預處理。
- 探索性資料分析。這個步驟的重點是瞭解您所產生的資料集。具體來說，您要瞭解這些資料是否能充分代表該問題。
- 資料準備。在這個步驟中，您需要進行任何必要的預處理，以將資料轉換為適合訓練與模型評估的格式。這包括將資料分成訓練集、測試集與驗證集，以及進行特徵縮減。
- 模型選擇、訓練與評估。
探索實際工作流程
當 STK 軟體與機器學習結合使用時，可以協助您在任務分析中達到全新層次。接下來我們來談談一些展示上述方法的研究工作。在 2023 與 2024 年的 AIAA SciTech 論壇中，我們分別發表了「用於衛星識別與特徵辨識的電光對準標記 (Electro-optical Fiducial Markers on Satellites for Identification and Characterization)」以及「使用電光對準標記對低解析度 LEO 與 GEO 衛星進行特徵辨識與分類 (Characterization and Classification of Low-resolution LEO and GEO Satellites With Electro-optical Fiducial Markers)」。
在這些實驗中，我們使用 STK 軟體來模擬任務並設計我們的資料集。我們想要測試衛星本體上的獨特光譜標記 (也稱為電光對準標記) 是否能被鄰近衛星或地面偵測並進行特徵辨識。我們的機器學習模型能否判斷標記是否存在？我們對每個資產上的攝影機系統進行建模，並讓 STK 軟體為我們產生資料。在後續研究中，我們透過使用解析度逐漸降低的攝影機來拍攝目標衛星，使問題變得更加困難。我們想看看圖像品質能劣化到什麼程度，同時挑戰我們的 ML 分類模型。
2024 年研究中 STK 軟體情境畫面。左圖中，SOI_LEO 以紫紅色表示，觀測衛星則為青綠色。右圖中，SOI_GEO 以綠色表示，而觀測衛星的軌跡階段則分別以橘色、黃色與紅色表示。
在這兩項研究中，我們都遵循資料產生流程並接續進行ML流程管道。我們首先擷取並預處理資料，接著進行初步的探索性分析，準備資料，並訓練與評估我們的模型。
邁出下一步
我們的研究顯示，模擬與機器學習的結合能大幅提升分析成果。我們希望這套工作流程與我們的研究，能激發您使用 STK 軟體來建模任務，並探索如何產生資料集來訓練 ML 模型。
立即開始，並加入我們在 8 月 6 日至 8 日於阿拉巴馬州亨茨維爾舉辦的太空與飛彈防禦研討會。
