第28卷 第4期航 空 学 报
V o l .28N o .4
2007年 7月A C T A A E R O N A U T I C A E T A S T R O N A U T I C AS I N I C A J u l y 2
007收稿日期!2006-05-22"修订日期!2006-10-25
通讯作者!席 政E -m a i l I x z t z x z t z !
s i n a .c o m 文章编号!
1000-6893 2007 04-0791-05人工智能在航天飞行任务规划中的应用研究
席 政
北京航空航天大学宇航学院9北京 100083
S t u d y O n M i s s i O np l a n n i n g O f S p a c e f l i g h tA p p l y i n g A r t i f i c i a l l n t e l l i g
e n c e X I z h e n g
C o l l e g e o fA s t r o n a u t i c s 9B e i i n g U n i v e r s i t y o fA e r o n a u t i c s a n dA s t r o n a u t i c s 9B e i i n g 1000839C h i n a 摘 要I 在航天飞行任务中9
如何设计航天器的飞行过程9如何确定地面对航天器的控制操作9如何制定飞行控制计划等9是地面飞行控制中心面临的重大问题9也是航天飞行任务规划所要解决的基本问题D 在充分认识和把握人工智能基本原理\方法和技术的基础上9提出了一个基于规则演绎和状态演化的生长式推理模型9并对模型的特性进行了详细讨论9然后导出了该模型在航天飞行任务规划问题中的具体形式9从而成功地解决了航天任务自动规划的难题D 通过在实际航天任务中的应用和验证9不仅证明该模型和方法是正确的\可行的和高效的9而且证明人工智能在航天飞行任务规划中有着广阔的应用前景D 关键词I 航天飞行9任务规划9人工智能9生长式推理模型9事件集9规则集中图分类号I V 55 文献标识码I A
A b s t r a c t I I n s p a c em i s s i o n 9h o wt o d e s i g n t h e f l i g h t p r o c e s s o f s p a c e c r a f t 9h o wt o d e s i g n t h e g r o u n d o p e r a t i o n p r o c e d u r e a n dh o wt om a k e f l i g h t c o n t r o l p l a na r e i m p o r t a n t p r o b l e m s f a c e db y a f l i g h t c o n t r o l c e n t e r 9w h i c h a r e t h e b a s i c p r o b l e m s o fm i s s i o n p l a n n i n g o f s p a c e f l i g h t .w i t h t h e f u l l y u n d e r s t a n d i n g o f b a s i c t h e o r y 9m e t h o d a n d t e c h n o l o g y o fA r t i f i c i a l I n t e l l i g e n c e 9t h ed e r i v e dR e a s o n i n g M o d e l d R M i s p u t f o r w a r d 9w h i c h i s b a s e d o n r u l e d e d u c t i o n a n d s t a t e e v o l u t i o n .T h e d e t a i l s a b o u t t h i sm o d e l a r e d i s c u s s e d .As p e c i a lm o d e l f o r t h em i s -s i o n p l a n n i n g o f s p a c e f l i g h t i s d e d u c e d .T h e s u c c e s s f u l a p p l i e a t i o n i n r e a l s p a c em i s s i o n s r a l i d a t e t h a t t h em o d e l a n dm e t h o d p r o p o s e d i n t h i s p a p e r a r e c o r r e f 9f e a s i b l e a n dh i g h l g e
f f e c t u a l .K e y w
O r d s I s p a c e f l i g h t 9m i s s i o n p l a n n i n g 9a r t i f i c i a l i n t e l l i g e n c e 9d e r i v e d r e a s o n i n g m o d e l 9e v e n t s e t 9r u l e s e t 航天飞行任务的典型特点是系统庞大\
过程复杂\控制活动多\测控资源紧张\可靠性和安全性要求都很高D 面对这样的任务9如何设计航天器的飞行过程9如何确定地面对航天器的控制操作9
如何制定飞行控制计划并在任务中实时\动态地进行调整9以及采用何种模式确保飞行控制任务的圆满完成9这些就是航天飞行任务规划所要解决的基本问题D
航天飞行任务规划问题可以用图1的模型表示D 任务规划的对象是飞行控制过程9其目标是在一定的资源约束下根据经验及知识实现可行的或最优的过程规划9其核心问题是要回答6什么时间进行什么样的飞行控制操作9或6按照什么样的时间和顺序来实施每一个操作事件9
D 航天飞行任务规划是一个典型的知识处理过程9
其中涉及较为复杂的逻辑推理和众多的约束条件9这种问题适合采用人工智能的理论加以解
图1 航天飞行任务规划问题模型
F i g .1 M o d e l o fm i s s i o n p l a n n i n g o f s p a c e f l i g
h t 决D 随着人类的太空活动越来越频繁9足迹越来
越远9人们在取得丰硕成果的同时也积累了丰富的经验9对航天活动的规律有了比较清楚的认识9这些都使我们运用人工智能的原理和方法来解决航天飞行任务规划问题成为可能D
由于航天飞行活动本身的复杂性9解决好任务规划问题并非易事9若要实现其自动化就更加困难D 另外9中国的国情是测控站较少9且主要分布在国内区域9测控站所配备的测控设备也不多9
航 空 学 报第28卷
测控资源非常有限9尤其是在近地轨道航天活动这样的飞行任务中9
每一分钟的测控弧段对于测控者来说都是很宝贵的D 因此9在中国的航天飞行任务中9研究并解决好任务规划问题并实现其自动化具有特殊重要的意义D
人工智能(A r t i f i c i a l I n t e l l i g
e n c e 9A I 的概念最早出现在40多年前 192
D A I 由于范围极其广泛9因而在具体领域中的原理和方法千差万别\不一而同D 但是9就总体而言9A I 的基本原理就是以机器(目前主要是计算机 为工具9将人类解决智能问题的过程或方法转化为某种模型或算法9并编制相应的软件9从而让机器模拟人的智能行为D
人工智能在航天活动中也得到了多方面的应用9如各种专家系统\实时故障诊断\智能机器人\智能化管理系统等D 但将人工智能应用于航天飞行任务规划中9
却是一种新的尝试D 本文基于人工智能的基本理论9不仅提出了一种普遍适用于任务规划问题的生长式推理模型9
而且导出了其在航天飞行任务规划领域中的具体形式9从而成功地解决了航天飞行任务自动规划的难题D
1 人工智能之任务规划问题1
11生长式推理模型的提出
任务规划问题9简单地说就是对完成某个任务的过程作出安排9即什么时间做什么事情(参见图1 D 一次任务规划9可以具体描述为2从初始状态开始9根据任务过程中每一步骤的状态及其受到的资源约束条件9按照预先制定的推理规则9推理产生每一步骤所需要完成的操作事件9直至任务过程结束9从而形成关于任务全过程的操作事件序列9最后将该事件集排序并消除事件之间的冲突9
得到一个可执行的事件序列9即得到完成该任务的任务计划D 通过执行任务计划即可完成一次任务D
本文对这一类任务规划问题进行了深入研究9
建立了这一类人工智能问题的数学模型9并根据其基于规则演绎和状态演化逐步产生操作事件的特点将该模型称为6生长式推理模型n D 其中的使用的符号如下2
E e 19e 29"9e 7
为原始种子事件集9简称种子集3其中e i (
i 1929"97 为种子事件3E (a e (a 19e (a 29"9e (a 7a
为根据原始的种子事件集推理产生的可执行事件集3其中e (a
j (
j 1929"97a 为可执行事件3a 为推理(规划 步骤(a 1929"9K 9K 为总步数
3! S 1 S 2 " S T
为任务系统的状态向量9
它描述任务过程的演变情况3! (!i j
为任务系统的状态转移矩阵9它描述任务状态的变化规律3
! r 19r 29"9r m 为预先制定的生长规则集3
!(a r (a 19r (a 29"9r (a
m a
为推理过程中通过学习得以完善的生长规则集9a 2939"9K 3
!S r S 19r S 29"9r S
m S
为排序规则集3!V r V 19r V 29"9r V m V
为冲突消解规则集3 l a n 为任务计划9
它是一个经排序并消除冲突的可执行的事件序列9为任务规划的最终结果D
假定任务系统的初始状态为!(
9并且取第1步推理时的生长规则集!(1
!9
则基于规则演绎和状态演化的生长式推理模型可表达如下2
NO #l
$!(a =!(a -1 !(a -1
(
a =1929"9K (1 E (a =!(a (!(a 9E
(
a =1929"9K (2 !(a = (!9 !(P 9P =1929"9a -1 (
a =2939"9K (3 E
=S e u e n c e !S
9U K
a =1U 7a
j
=1
e (a
( j (4
l a n =V a l i d a t e (!V 9E (5<
'L 式中2 称为生长算子9
表示在给定状态!(a
的前提下9将生长规则集!(a 作用于原始种子集E 而产生可执行事件集E (a 的某种推理方法9比如搜
索匹配法\规则演绎法\归纳推理法等3
称为学习算子9
表示在推理的过程中9生长规则集自身可以通过一定的学习算法进行修正\补充和完善9常用的学习算子如机械学习法\实例学习法\
类推学习法等3S e u e n c e (0 称为排序算子(排序函数 9它依据排序规则集!S 并按照某种算法将所有事件在时间轴上进行排列3E 为中间变量9它表示由推理产生的可执行事件集经排序处理后的事件集3
V a l i d a t e (0 称为冲突消解算子9它依据冲突消解规则集!V 并按照某种算法对事件之间的矛盾与冲突进行检查并予以排除D
a 为第a 步规划(
推理 9而K 为总的规划步数D 第a 步与第(a 1
步规划之间对应一个规划297
第4期席政:人工智能在航天飞行任务规划中的应用研究
步长"
a s而#
a
1
"a
称为规划密度0规划密度应与
任务系统的状态变化剧烈程度相匹配s并受制于计算机完成一步推理的时间0
需要着重强调两点:
(1)种子事件e和可执行事件e(a)是两个既相联系又有区别的概念0前者作为推理使用的原始种子事件s是预先从任务过程中抽象归纳出来的代表一类事件共同特征的事件全体s而后者是由前者在推理过程中派生出来的附加了各个时刻系统状态特性的事件个体0之所以能派生s是因为生长算子是一种6推理映射H s而推理映射之不同于一般映射s就是它可以根据规则由总体演绎出个体s即推陈出新0这也是该模型被称为6生长式H推理模型的原因所在0
(2)模型(I)考虑了推理系统的学习功能s即在不断推理的过程中s生长规则集可以通过学习不断得到更新和完善0当然s也可以取生长规则集!(a)E!(a1s2s"s K)s此时即表示该模型是一个不带学习功能的生长式推理模型0
另外顺便指出s采用生长式推理模型进行推理的结果s除了得到关于任务过程的任务计划l a n之外s还同时得到2个6副H产品:
(1)任务过程的状态描述:r o c e s s4!(a)s a0s1s"s K}s它是一个状态向量的序列s表示了任务系统从初始状态!(0)达到目标状态!(K)所历经的状态变化过程0
(2)任务操作控制过程:C o n t r o l4E(a)s a
1s2s"s K}s它是一个可执行事件集的序列s表示为了完成任务过程r o c e s s所必须施加于任务系统的操作控制序列0
2生长式推理模型在航天飞行任务规划中的应用
上一节提出的生长式推理模型是一个通用的形式s要应用于航天飞行任务规划之中s还需要导出适合于该类问题的更加有针对性~更加快捷有效的具体模型0
2.1航天飞行任务规划中的生长式推理模型
根据航天飞行任务规划的特点s为了提高推理效率s将种子集和生长规则集分别进行分组0分组的原则是使一组规则可以作用于一组种子s 从而使该组规则与该组种子之间只使用一个生长算子s最终达到简化推理复杂度~提高推理效率的
目的0为此重新定义符号:
(1)E4E
1
s E
2
s"s E
N
}为种子集s其中E
G
4e
G1
s e
G2
s"s e
G X
}s(G
1
s G
2
s"s G
X G1
s7I)称为种
子事件组(G1s2s"s N)0显然有种子事件总数7E
N
G=1
s u m(E G)s其中s u m(-)表示求集合元素的个数(下同);
(2)!4!
1
s!
2
s"s!
M
}为生长规则集s其中
!
P
4r
P1
s r
P2
s"s r
P Z
}s(P
1
s P
2
s"s P
Z G1
s m I)称为生长规则组(P1s2s"s M)s显然有生长规则总数m E M
P=1
s u m(!P);
(3)"(
P G
)
M N
为算子矩阵s其中
P G (P1s2s"s M;G 1s2s"s N)为对应于序对
P
s E
G
>的生长算子;其余符号定义不变0
然后再进行以下处理和简化:
(1)在航天飞行任务系统中s状态!(a)(a1s 2s"s K)是通过测控系统的测量和计算获得的s 此时不需要通过!(a)来计算系统状态s状态作为推理的外部输入数据直接得到s状态转移方程失去意义;
(2)仅考虑不带学习功能的推理系统s即!(a)E!(a1s2s"s K)0
这样s就得到一个可以应用于航天飞行任务规划中的生长式推理模型:
模型#l l$
E(a)=!(!(a)s E)
(a=1s2s"s K)(6) E=S e u e n c e(!S s U
K
a=1
U
7a
j=1
e(a)
j
)(7) l a n=V a l i d a t e(!V s E)(8 <
'
L)
2.2应用与验证%%%在某型航天飞行任务中的
运用
本文的研究成果在某型航天飞行任务的实践中得到了具体的应用和验证0在获取必要的航天飞行控制与任务规划知识的基础上s通过选择合适的种子事件集4E1s E2s"s E N}s生长规则集
4!
1
s!
2
s"s!
M
}以及推理算子矩阵(
P G
)
M N
s运
用模型(I I)成功地开发了某型航天飞行任务自动规划系统0下面简要阐述应用中的一些具体做法0通过对某型航天任务过程的分析~归纳和总结s定义了完成该型任务所必须的种子事件集共计120个种子事件0为了简化推理算子的选
3
9
7
航 空 学 报第28卷
取并提高推理效率9将整个种子事件集分为5个组9即
E = E 19E 29E 39E 49E 5}(9
)式中:E 1为6常驻事件组,9E 2为6例行事件组,9E 3为6控制事件组,9E 4为6故障事件组,9E 5为6特殊事件组,
0每一个种子事件组的产生方法(即推理规则)是不同的0
常驻事件组中的事件在推理时是无条件产生的9
且其执行时间是从任务计划开始一直持续到任务计划结束0该类种子事件的推理规则非常简单9可以只有一条规则:无条件产生所有常驻事件9事件时间从头到尾0无论有一条或多条9这类规则构成第1个生长规则组9
用!1表示0常驻事件通常是一些启动软件进行实时数据处理的事件9如6时间广播,\6收发信处理,\6遥测数据处理,等等0
例行事件组中的事件是在每一个任务周期中都需要执行的例行操作9这种周期可以是每一次地面测控站的进站到出站9也可以是地面测控网的一个连续测量过程9还可以是航天器连续运行一圈或多圈0在制定规则时9一般视事件产生的需要来选取某种周期0这一类按照一定的任务周期来产生操作事件的规则构成了的第2个生长规则组9以!2表示0例行事件的例子有6测站跟踪准备,\6测站跟踪开始,\6测轨开始,\6测轨结束,\6测站跟踪结束,
等等0控制事件组中的事件是在需要对飞行器实施某个控制活动时才执行的操作事件9这种控制活动包括入轨控制\轨道机动控制\轨道维持控制\有效载荷控制等0这类事件的规则一般是以控制开始时刻为基准9相对于该基准前或后一定时间间隔执行某个操作事件9这些规则构成了的第3个生长规则组9以!3表示0控制事件的例子有6太阳帆板展开,\6太阳帆板归零,\6轨控发动机预热,\6轨控发动机点火,\6轨控发动机关机,
等等0故障事件组中的事件是在航天器发生某个故障时才需要执行的操作事件9这种故障包括太阳帆板未展开\燃料瓶泄漏\某分系统主控机失效等0这类事件的规则一般是以故障发生时刻或者故障判出时刻为基准9
在该基准后一定时间间隔执行某个故障对策事件9
这些规则构成了第4个生长规则组9以!4表示0故障事件一般来自于航天器的故障处置预案9数量较大(可达上百个)9如6关闭主路燃料瓶,\6切换备路燃料瓶,\6重启 分系统主控机,
\6切换 分系统备控机,等等0特殊事件组中的事件是不能按照一条简单的推理规则来产生的事件0该类事件的产生一般比较麻烦9需要较为复杂的算法进行逻辑运算0对于这类事件9我们的做法是进行特殊处理9一般一个种子事件编制一个专门的逻辑处理模块0在推理时9
这类事件就不再按照规则进行推理9而是调用相应的逻辑模块经过专门的逻辑处理来产生0为了在形式上符合模型(I I )9将这一类逻辑模块的集合写成6伪规则,的形式9并以!5表示0比如在多测控站同时跟踪条件下96测站上行载波开,与6测站上行载波关,就是一对典型的需要复杂逻辑推理才能处理的特殊事件0
这样就得到上述航天飞行任务规划系统的生长规则集! !19!29!39!49!5}
0由于在种子事件集和生长规则集的选取中我们使一组规则只对应于一组事件9从而算子矩阵得以大大简化9
退化为一个对角阵9即有"=
1
00000 200000 300000 400
T L J
5(10
)式中:推理算子 1及 5均选择了深度优先的正
向推理法9
推理算子 3及 4均选择了宽度优先的正向推理法9而推理算子 2选择了搜索-匹配推理法0
为了解释具体的推理过程9下面以规则组!2
中的一条规则举例说明
R u l e 205:
T I M E ( i n >9 600)(11 )式中:R u l e 205为规则代码9表示!2中的第5条规则9E v e n t 2010为种子事件代码9在所开发的系统中为6测控跟踪准备,9是一个例行操作事件9C I R C L E 9S T A T I O N 9T I M E 9A N Y 9T 3i n 均为推理 系统预定义的关键字0这条规则的含义是:在任务过程中的每一圈的每一个测控站的进站3度时刻之前600s 需要安排一个E v e n t 2010事件0 推理机在进行第a 步推理时9将首先获取任务系统的当前状态特别是与该规则有关的状态如任务系统的当前时刻I a \当前圈号\各个测控站的进站时间等9然后尝试与该条规则匹配9即考察规则的条件部件是否同时成立0假定经匹配9有下式 497 第4期席政:人工智能在航天飞行任务规划中的应用研究C I R C L E(5)/S T A T I O N(6渭南7)/T I M E ( 3i n>,600)当前时刻T a 成立(其中的当前圈号657可与关键词6A N Y7相匹配,当前测控站6渭南7可与关键词6A N Y7相匹配),则推理机将产生一个6测控跟踪准备7事件,其执行者是6渭南7站,执行时间是T a 时刻D如果在第a步推理中有3个测控站的条件与该条规则匹配成功,则可执行事件集中将增加3个可执行事件,从而,种子事件集中的1个事件在一步推理中就触发\催生出了3个可执行事件D这也是本文将前面的模型称为6生长式7推理模型的原因D 其他规则的推理原理与方法类似,这里不再一一列举D上述的航天飞行任务自动规划系统开发完成后,经受住了多次实际航天飞行任务的考验,并达到如下效果: (1)自动规划111该系统已经实现了在航天器正常飞行情况下以及有预案故障情况下各类飞行控制计划的完全自动生成9 (2)快速响应111如果在飞行过程中出现没有预案的故障,只要经专家会诊确定出处置方案,就可以按照系统的知识表达方法临时修改种子事件集和生长规则集,从而快速\准确地生成满足新需求的飞行控制计划9 (3)可靠稳定111系统推理可靠\运行稳定,已多次运用于实际任务,为在实际任务中自动\正确\快速地生成飞行控制计划并进而采用计划工作模式对航天器实施控制做出了较大贡献D 3结论 根据人工智能的普遍原理提出了一个基于规则演绎和状态演化的生长式推理模型,该模型适用于一般的任务规划问题D然后导出了一个适用于航天飞行任务规划的具体模型,从而较为圆满地解决了航天飞行任务自动规划的难题D 依据本文提出的模型(I I)在某型实际航天任务中进行了具体应用和验证D实践不仅证明本文的模型是正确的\可行的和高效的,同时也说明人工智能的理论和方法在航天飞行任务规划中有着广阔的应用前景D本文的后续研究包括进一步完善生长式推理模型以及解决好该模型在任务规划中的应用问题,如适合于具体问题的生长算子选取等D 参考文献 1J蔡自兴\徐光佑.人工智能及其应用(第二版).北京:清华大学出版社,1996. C a i zX,X uGY.A I a n d i t s a p p l i c a t i o n(2n dE d i t i o n)M J. B e i i n g:T s i n g h u aU n i v e r s i t y r e s s,1996.(i n C h i n e s e) 2J田盛丰.人工智能原理与应用M J.北京:北京理工大学出版社,1993. T i a nSF.T h et h e o r y a n da p p l i c a t i o no fA I M J.B e i i n g: B e i i n g I u s t i t u t e o f S c i e n c e a n dT e c h n o l o g yp r e s s,1993.(i n C h i n e s e) 作者简介! 席政#1956$男,博士研究生,研究员D主要研究方向:航天测控D E-m a i l:x z t z x z t z!s i n a.c o m 5 9 7