侯鵬榮, 王哲龍, 武強(qiáng), 仇森, 褚慶浩, 曾梓康

(1. 大連理工大學(xué), 大連 116024; 2. 北京衛(wèi)星環(huán)境工程研究所, 北京 100000)

1 引言

空間目標(biāo)是指所有外太空物體, 包括非功能性航天器、 火箭上面級(jí)、 空間碎片等[1]。 隨著人類空間探索活動(dòng)的逐漸增多, 空間碎片環(huán)境日益惡化, 嚴(yán)重威脅著在軌航天器的安全運(yùn)行。 同時(shí), 空間碎片的持續(xù)增加, 對(duì)有限的軌道資源構(gòu)成了嚴(yán)重威脅。 由于級(jí)聯(lián)碰撞效應(yīng), 即便大幅減少發(fā)射活動(dòng), 執(zhí)行嚴(yán)格的空間減緩措施, 仍無(wú)法有效減少空間碎片。 因此, 空間目標(biāo)探測(cè)、 跟蹤對(duì)于避免空間碰撞, 保障航天器運(yùn)行安全至關(guān)重要。 空間環(huán)境態(tài)勢(shì)感知對(duì)于碰撞預(yù)警、 機(jī)動(dòng)跟蹤、 碎片清除等具有重要意義。 圖1 為已知空間碎片的分布概況。

圖1 已知空間碎片的分布概況Fig.1 The distribution of space debris known

空間環(huán)境態(tài)勢(shì)感知旨在對(duì)空間目標(biāo)開(kāi)展全面的、 準(zhǔn)確的、 實(shí)時(shí)的探測(cè)、 跟蹤、 表征的過(guò)程,從而確定可能對(duì)合作目標(biāo)構(gòu)成威脅的非合作目標(biāo)的行為、 意圖。 空間環(huán)境態(tài)勢(shì)感知技術(shù)依賴于空間目標(biāo)監(jiān)測(cè)平臺(tái)和自主感知算法。 其中, 美國(guó)空間監(jiān)視網(wǎng)絡(luò)(SSN) 是目前世界上技術(shù)最先進(jìn)且覆蓋范圍最廣的空間目標(biāo)探測(cè)系統(tǒng)。 該系統(tǒng)具備主動(dòng)和被動(dòng)的協(xié)同探測(cè)能力, 擁有天地一體的監(jiān)測(cè)平臺(tái)以及遍布全球的控制操作中心[2]。 SSN 的數(shù)據(jù)支持美國(guó)空間作戰(zhàn)部隊(duì)的任務(wù), 也為世界其他國(guó)家的空間監(jiān)測(cè)提供重要參考。 通過(guò)空間環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)產(chǎn)生的傳感數(shù)據(jù), 具有多模態(tài)、 多時(shí)空、 多平臺(tái)特點(diǎn), 亟待發(fā)展面向復(fù)雜空間環(huán)境的多源數(shù)據(jù)融合、 態(tài)勢(shì)全面感知、 空間事件推理和在線智能決策等技術(shù)。

AI 的高速發(fā)展將從根本上推動(dòng)空間感知領(lǐng)域向智能化方向邁進(jìn)。 首先, AI 可以大幅提高空間環(huán)境態(tài)勢(shì)感知系統(tǒng)的性能和效率。 態(tài)勢(shì)感知涉及海量的數(shù)據(jù)處理和分析工作, 例如, 圖像解譯、星座識(shí)別、 天體測(cè)量等。 AI 通過(guò)強(qiáng)大的計(jì)算能力和智能算法, 快速處理和分析海量數(shù)據(jù)。 其次,AI 將促進(jìn)空間感知領(lǐng)域的自主學(xué)習(xí)和自適應(yīng)能力。 通過(guò)機(jī)器學(xué)習(xí), 從大量的歷史數(shù)據(jù)中學(xué)習(xí)和推理, 并不斷提升性能和精度。 這將支持更高效的軌道分析、 碎片預(yù)警和風(fēng)險(xiǎn)評(píng)估能力, 有助于實(shí)現(xiàn)實(shí)時(shí)監(jiān)測(cè)和快速響應(yīng)。 此外, AI 將提供更全面、 多維度的空間態(tài)勢(shì)信息。 通過(guò)整合地基的雷達(dá)、 光學(xué)與激光測(cè)距和天基的雷達(dá)、 光學(xué)與碰撞探測(cè)等多種探測(cè)手段, 以提高航天感知系統(tǒng)的感知能力和準(zhǔn)確性。 這將進(jìn)一步提升空間環(huán)境態(tài)勢(shì)感知的綜合能力和智能化水平。

綜上所述, 回顧和討論AI 在空間環(huán)境態(tài)勢(shì)感知的應(yīng)用進(jìn)展對(duì)于空間環(huán)境可持續(xù)性具有重要價(jià)值。 本文旨在探索空間環(huán)境態(tài)勢(shì)感知的相關(guān)背景研究和適用的AI 算法, 并進(jìn)一步討論多源信息融合、 自主協(xié)同感知等未來(lái)研究方向。

2 典型空間環(huán)境態(tài)勢(shì)感知系統(tǒng)

空間環(huán)境狀態(tài)信息的感知和評(píng)估通常依賴傳感器的高質(zhì)量追蹤。 美國(guó)、 俄羅斯、 中國(guó)、 歐盟在全球空間環(huán)境態(tài)勢(shì)感知系統(tǒng)的建設(shè)中處于領(lǐng)先地位。 表1 粗略地給出世界各國(guó)和地區(qū)建立的空間目標(biāo)監(jiān)測(cè)平臺(tái)清單[3-5]。

表1 SSA 數(shù)據(jù)來(lái)源Table 1 SSA data source

截止到2023年9月, 美國(guó)SSN 已編目包括有效載荷、 分析對(duì)象和空間碎片在內(nèi)的空間目標(biāo)數(shù)量超過(guò)4.4 萬(wàn)。 其探測(cè)范圍覆蓋低軌到高軌, 對(duì)特征尺寸在10cm 以上的中低軌目標(biāo)跟蹤分辨率達(dá)5cm, 24h 定軌精度達(dá)1km, 特征尺寸在30cm以上的高軌目標(biāo)跟蹤分辨率達(dá)50cm, 24h 定軌精度達(dá)3km[5]。

由表1 可知, 空間目標(biāo)監(jiān)測(cè)平臺(tái)分為地基和天基兩種方式。 地基監(jiān)測(cè)平臺(tái)不受體積、 質(zhì)量等限制, 可以實(shí)現(xiàn)較高的空間目標(biāo)分辨率和較遠(yuǎn)的探測(cè)距離。 然而, 由于地基監(jiān)測(cè)平臺(tái)的空間覆蓋范圍受其部署數(shù)量和分布位置影響, 而探測(cè)性能受地球大氣衰減特性影響, 單獨(dú)依靠地基監(jiān)測(cè)平臺(tái)難以滿足近地空間環(huán)境日益復(fù)雜的監(jiān)測(cè)需求。天基監(jiān)測(cè)平臺(tái)作為地基監(jiān)測(cè)平臺(tái)的有力擴(kuò)展和補(bǔ)充, 彌補(bǔ)了地基監(jiān)測(cè)存在的盲區(qū)問(wèn)題。 相比地基監(jiān)測(cè)平臺(tái), 天基監(jiān)測(cè)平臺(tái)具有全天候、 長(zhǎng)時(shí)間連續(xù)觀測(cè)的優(yōu)勢(shì), 可進(jìn)一步提升對(duì)空間目標(biāo)監(jiān)測(cè)的靈活性、 時(shí)效性以及覆蓋范圍。

綜上, 兩種監(jiān)測(cè)方式各有利弊, 只有統(tǒng)籌兼顧實(shí)現(xiàn)天地一體協(xié)同監(jiān)測(cè)才能更全面高效地掌握近地空間動(dòng)態(tài)變化情況。 除此之外, 空間環(huán)境態(tài)勢(shì)感知還需考慮部署位置和設(shè)備配置優(yōu)化問(wèn)題、傳感器網(wǎng)絡(luò)布設(shè)問(wèn)題、 探測(cè)性能提升問(wèn)題, 其核心是發(fā)展先進(jìn)的空間目標(biāo)感知算法。 只有充分融合發(fā)揮軟硬件技術(shù)優(yōu)勢(shì), 才能構(gòu)建全天候、 多層次的空間環(huán)境感知體系, 實(shí)現(xiàn)長(zhǎng)期可持續(xù)地利用空間資源。

3 數(shù)據(jù)層面

空間環(huán)境態(tài)勢(shì)感知的核心是準(zhǔn)確獲取空間目標(biāo)數(shù)據(jù)以及必要的數(shù)據(jù)處理。 在此過(guò)程中, 海量多源異構(gòu)實(shí)際探測(cè)數(shù)據(jù)是不易獲得的, 特別是對(duì)于天基監(jiān)測(cè)平臺(tái)的開(kāi)發(fā), 由于實(shí)際安裝成本較高, 難以在短時(shí)間內(nèi)獲取所需的傳感數(shù)據(jù)進(jìn)行相關(guān)驗(yàn)證。 因此, 用于空間環(huán)境態(tài)勢(shì)感知數(shù)據(jù)主要來(lái)自美國(guó)SSN 發(fā)布的兩行根數(shù)(TLE)、 各天文站以及仿真成像。 表2 整理了空間環(huán)境態(tài)勢(shì)感知在數(shù)據(jù)層面的研究。

表2 SSA 數(shù)據(jù)層面的相關(guān)研究Table 2 Related research on SSA data level

3.1 數(shù)據(jù)獲取

到目前為止, 空間環(huán)境態(tài)勢(shì)感知的主要來(lái)源是美國(guó)的SSN, 通過(guò)Space-Track. org 有選擇性地公布空間目標(biāo)的TLE。 除此之外, TLE 并沒(méi)有包含軌道精度信息, 并根據(jù)物體位置和軌道的不同而變化, 使其應(yīng)用受到限制。 同時(shí), 空間目標(biāo)范圍廣, 受地緣政治影響, 全天候持續(xù)監(jiān)測(cè)面臨巨大挑戰(zhàn)。 在空間感知領(lǐng)域, 獲得完整、 有標(biāo)簽、高質(zhì)量的空間探測(cè)真實(shí)數(shù)據(jù)依然十分困難且昂貴, 特別是光學(xué)圖像數(shù)據(jù)。 缺乏足夠的空間注釋數(shù)據(jù)限制了空間環(huán)境態(tài)勢(shì)感知的研究工作。

目前, 研究學(xué)者對(duì)空間目標(biāo)可見(jiàn)光成像的仿真進(jìn)行了相關(guān)研究, 用以支持動(dòng)態(tài)模擬目標(biāo)跟蹤和識(shí)別任務(wù)。 在空間可見(jiàn)光成像模擬中, 需要充分考慮空間目標(biāo)光學(xué)特性和傳感器成像特性。 針對(duì)研究重點(diǎn)的不同(如傳感器種類[7]、 是否發(fā)生抖動(dòng)[8]、 圖像信噪比[9]、 靜態(tài)或動(dòng)態(tài)跟蹤[10]、 照明角度、 超亮星拖尾[11]), 自定義模擬和生成空間目標(biāo)的光學(xué)圖像、 光變曲線以及軌跡數(shù)據(jù)。 據(jù)我們所知, 對(duì)于6D 航天器姿態(tài)估計(jì)任務(wù), 公開(kāi)可供科學(xué)研究的包括航天器姿態(tài)估計(jì)數(shù)據(jù)集SPEED[12]、 虛擬渲染航天器在軌數(shù)據(jù)集URSO[13]; 對(duì)于空間目標(biāo)檢測(cè)和識(shí)別任務(wù), 包括SPARK[14]; 可用于3D 軌跡估計(jì)的數(shù)據(jù)集包括SPARK-T[15]。

此外, 已經(jīng)有研究學(xué)者關(guān)注到空間感知中的數(shù)據(jù)共享和數(shù)據(jù)欺詐問(wèn)題。 大多數(shù)衛(wèi)星運(yùn)營(yíng)商無(wú)法獨(dú)立獲取SSA 數(shù)據(jù), 必須依賴幾個(gè)由主要太空強(qiáng)國(guó)運(yùn)營(yíng)的集中存儲(chǔ)庫(kù)。 考慮到各國(guó)在空間軌道上的合作競(jìng)爭(zhēng)關(guān)系不斷加深, 濫用共享信息進(jìn)行攻擊的威脅也日益增加。 因此, 在實(shí)現(xiàn)數(shù)據(jù)共享的同時(shí), 如何避免欺詐行為成為一個(gè)更為迫切的問(wèn)題。 James Pavur 首次提出了針對(duì)SSA 欺騙的防御技術(shù), 進(jìn)而開(kāi)發(fā)了基于機(jī)器學(xué)習(xí)的異常檢測(cè)工具, 使防御者在沒(méi)有空間探測(cè)傳感條件的情況下依然可以檢測(cè)到90% ～98%的欺騙企圖[16]。 Robert J 提出一個(gè)關(guān)于空間目標(biāo)的本體架構(gòu), 用于空間領(lǐng)域數(shù)據(jù)共享、 互操作和知識(shí)發(fā)現(xiàn), 從而促進(jìn)空間環(huán)境態(tài)勢(shì)感知社區(qū)之間的數(shù)據(jù)交換和知識(shí)共享[3]。

3.2 數(shù)據(jù)處理

數(shù)據(jù)處理是空間環(huán)境態(tài)勢(shì)感知的前置環(huán)節(jié)?？臻g目標(biāo)具有運(yùn)行軌跡長(zhǎng)、 飛行速度快等特性,僅靠單一傳感器無(wú)法對(duì)其整個(gè)軌跡進(jìn)行有效覆蓋和精確跟蹤[17]。 通過(guò)多探測(cè)系統(tǒng)組網(wǎng)協(xié)同探測(cè),可滿足對(duì)新目標(biāo)、 動(dòng)態(tài)目標(biāo)快速發(fā)現(xiàn)的需求。 因而, 探測(cè)數(shù)據(jù)通常具有異站、 異時(shí)、 海量、 多模態(tài)、 探測(cè)精度不一等特點(diǎn)。 對(duì)各傳感器獲得的數(shù)據(jù)信息進(jìn)行有效融合與處理, 能最大限度地提升空間態(tài)勢(shì)感知的作用和能力。

數(shù)據(jù)融合旨在對(duì)來(lái)自多個(gè)同構(gòu)或異構(gòu)傳感提供的局部不完整信息加以整合, 消除傳感器間存在的冗余和矛盾, 形成更全面、 準(zhǔn)確、 可靠的融合信息, 從而增強(qiáng)對(duì)空間態(tài)勢(shì)的認(rèn)知和理解。 數(shù)據(jù)融合難點(diǎn)和痛點(diǎn)在于數(shù)據(jù)格式的差異性、 數(shù)據(jù)質(zhì)量的均衡性以及數(shù)據(jù)整合的復(fù)雜性。 傳統(tǒng)的數(shù)據(jù)融合無(wú)法適應(yīng)日益復(fù)雜的空間傳感數(shù)據(jù)環(huán)境和多樣化的應(yīng)用需求, 需要通過(guò)引入新的方法和技術(shù)來(lái)提升數(shù)據(jù)融合的能力和適應(yīng)性。

數(shù)據(jù)融合包括數(shù)據(jù)層融合、 特征層融合和決策層融合三個(gè)層次。 數(shù)據(jù)層融合涉及對(duì)來(lái)自不同傳感器如雷達(dá)、 光學(xué)以及紅外等的數(shù)據(jù)進(jìn)行配準(zhǔn)、 校正和歸一化, 實(shí)現(xiàn)不同數(shù)據(jù)源之間的信息補(bǔ)償和數(shù)據(jù)增強(qiáng)。 基于卡爾曼濾波的軌跡預(yù)測(cè)是最典型的數(shù)據(jù)融合的案例[18]。

特征層融合是在提取數(shù)據(jù)源的特征后進(jìn)行分析并支持后續(xù)決策。 特征可以是軌道參數(shù)、 位置坐標(biāo)、 面質(zhì)比、 投影面積等手動(dòng)提取的特征, 也可以是算法自動(dòng)提取的特征。 基于多源信息融合的空間碎片檢測(cè)就是利用神經(jīng)網(wǎng)絡(luò)自動(dòng)提取RGB圖像和深度圖像的深層特征后進(jìn)行融合, 最后利用分類頭來(lái)實(shí)現(xiàn)目標(biāo)檢測(cè), 這是一種端對(duì)端的特征層融合的方法[19]。

在決策層面, 不同的傳感器和算法可能會(huì)產(chǎn)生關(guān)于目標(biāo)的不一致結(jié)論。 利用貝葉斯推理[20]、DS 證據(jù)理論[21]、 神經(jīng)網(wǎng)絡(luò)等方法, 可以將不同數(shù)據(jù)源的單個(gè)決策綜合得到更全面、 更可靠的結(jié)果, 增強(qiáng)空間感知的智能和決策支持能力。

4 感知層面

本節(jié)主要是圍繞如何去收集、 整合、 分析和理解來(lái)自空間環(huán)境中各種數(shù)據(jù)和信息, 來(lái)獲得對(duì)空間狀態(tài)和態(tài)勢(shì)的全面認(rèn)知和理解的過(guò)程。 其核心任務(wù)

包括遠(yuǎn)距離跟蹤測(cè)量和運(yùn)動(dòng)狀態(tài)識(shí)別, 以及獲取待測(cè)目標(biāo)從整體到局部的屬性、 軌道參數(shù)及運(yùn)動(dòng)姿態(tài)等, 進(jìn)而對(duì)目標(biāo)特性數(shù)據(jù)進(jìn)行評(píng)估以支持太空交通管理。 圖2 給出空間環(huán)境態(tài)勢(shì)感知的一般流程。

圖2 空間環(huán)境態(tài)勢(shì)感知的一般流程Fig.2 General process of situational awareness of space environment

4.1 目標(biāo)檢測(cè)和識(shí)別

目標(biāo)檢測(cè)旨在識(shí)別和定位太空中的目標(biāo)物體, 包括在軌衛(wèi)星、 載人航天器、 火箭發(fā)射級(jí)、空間碎片以及小行星等。 實(shí)施空間目標(biāo)檢測(cè)任務(wù)時(shí), 面臨著多個(gè)挑戰(zhàn), 如復(fù)雜背景和遮擋、 尺度變化、 復(fù)雜光照和氣象條件以及目標(biāo)類型多樣性等因素的影響。 這些挑戰(zhàn)對(duì)于確保準(zhǔn)確性、 效率和可靠性提出了要求。 為了克服這些挑戰(zhàn), 需要不斷發(fā)展和改進(jìn)適應(yīng)性強(qiáng)、 魯棒性好的空間目標(biāo)檢測(cè)算法。

目前已經(jīng)開(kāi)發(fā)了許多用于空間目標(biāo)檢測(cè)的技術(shù)。 Liu 提出一種基于拓?fù)鋻呙璧亩嗄繕?biāo)檢測(cè)技術(shù), 利用了幾何對(duì)偶性, 支持在大量雜波和噪聲中提取目標(biāo)的近似線性軌跡[22]。 卷積神經(jīng)網(wǎng)絡(luò)(CNN) 在目標(biāo)檢測(cè)任務(wù)中較為常見(jiàn), 這歸功于其對(duì)圖像特征的有效學(xué)習(xí)能力。 它可以自動(dòng)學(xué)習(xí)圖像的局部特征和全局特征, 并且具有平移不變性的特性, 使得它能夠在圖像中找到目標(biāo)的位置和邊界框。 然而, 將CNN 用于空間目標(biāo)檢測(cè)的復(fù)雜性在于: (1) 真實(shí)數(shù)據(jù)的信噪比有所不同;(2) 缺少標(biāo)準(zhǔn)的仿真數(shù)據(jù)集。 其中, CSAU-Net網(wǎng)絡(luò)[23]、 EfficientDet + EfficientNet-v2 網(wǎng)絡(luò)[19]等是通過(guò)模糊和添加噪聲進(jìn)行數(shù)據(jù)增強(qiáng), 從而提高了模型的精度, 減少了漏檢、 誤檢的事件發(fā)生。針對(duì)小碎片檢測(cè)場(chǎng)景下存在誤報(bào)而可能產(chǎn)生噪聲標(biāo)簽的情況, Li 提出一種新的噪聲標(biāo)簽學(xué)習(xí)范式-協(xié)同校正算法, 目的是在高噪聲標(biāo)簽率下保持較高的空間碎片檢出率[24]。

4.2 目標(biāo)跟蹤

目標(biāo)跟蹤旨在準(zhǔn)確追蹤和持續(xù)監(jiān)測(cè)目標(biāo)運(yùn)動(dòng)狀態(tài), 為后續(xù)分析和決策提供關(guān)鍵性數(shù)據(jù)支持。同時(shí), 目標(biāo)跟蹤技術(shù)必須克服空間環(huán)境的復(fù)雜性和空間目標(biāo)運(yùn)動(dòng)的不確定性, 如遠(yuǎn)距離探測(cè)下的目標(biāo)信號(hào)微弱、 目標(biāo)間可能存在遮擋與交叉運(yùn)動(dòng)等困難[25]。 因此, 審查與目標(biāo)跟蹤相關(guān)的關(guān)鍵技術(shù)對(duì)于空間態(tài)勢(shì)感知的后續(xù)研究開(kāi)展至關(guān)重要。

4.2.1 軌道確定

軌道確定問(wèn)題可視為一個(gè)回歸問(wèn)題, 其關(guān)鍵在于如何充分利用多段極短弧觀測(cè)數(shù)據(jù), 與之對(duì)應(yīng)的是目標(biāo)在不同時(shí)間點(diǎn)的位置和速度信息。Feng 提出一種加權(quán)分布回歸方法用于地球同步軌道(GEO) 的空間目標(biāo)定軌, 該方法在白噪聲和有色噪聲干擾下優(yōu)于Laplace 方法[26], 而支持向量機(jī)則被用于減少空間目標(biāo)在定軌和傳播過(guò)程后的位置誤差[27]。

4.2.2 軌道預(yù)測(cè)

軌道預(yù)測(cè)對(duì)于空間環(huán)境態(tài)勢(shì)感知相關(guān)任務(wù)(例如空間碰撞預(yù)警) 至關(guān)重要[28]。 然而, 由于觀測(cè)稀疏且精度低、 目標(biāo)幾何特征未知以及對(duì)受力的簡(jiǎn)化, 傳統(tǒng)基于軌道力學(xué)理論或者基于物理模型的軌道預(yù)測(cè)在較長(zhǎng)時(shí)間內(nèi)誤差快速增長(zhǎng), 直接面臨不可用的問(wèn)題[29]。 通過(guò)機(jī)器學(xué)習(xí)從歷史數(shù)據(jù)中學(xué)習(xí)軌道預(yù)測(cè)誤差的潛在模式[30-33]或者直接用于軌道預(yù)測(cè)[34-36], 可以大幅提高軌道預(yù)測(cè)精度。 更進(jìn)一步, 將機(jī)器學(xué)習(xí)方法和傳統(tǒng)的軌道預(yù)測(cè)方法進(jìn)行融合, 建立混合解析- 機(jī)器學(xué)習(xí)框架, 軌道預(yù)測(cè)的精度獲得極大提升[37,38]。

4.2.3 機(jī)動(dòng)檢測(cè)

機(jī)動(dòng)檢測(cè)是通過(guò)對(duì)空間目標(biāo)的運(yùn)動(dòng)和軌跡進(jìn)行分析, 確定其機(jī)動(dòng)的類型和特征, 實(shí)現(xiàn)對(duì)目標(biāo)運(yùn)動(dòng)狀態(tài)的動(dòng)態(tài)監(jiān)測(cè), 從而更好地了解目標(biāo)意圖和行為模式。 LIU 等人通過(guò)假設(shè)檢驗(yàn)實(shí)現(xiàn)對(duì)目標(biāo)軌道數(shù)據(jù)分析, 判斷目標(biāo)是否處于機(jī)動(dòng)狀態(tài)。 這種方法可以有效地降低目標(biāo)軌道機(jī)動(dòng)檢測(cè)的誤報(bào)率, 提高檢測(cè)的準(zhǔn)確性和可靠性[39,40]。 而后, 針對(duì)傳統(tǒng)的卡爾曼濾波器算法無(wú)法工作在非合作目標(biāo)的機(jī)動(dòng)檢測(cè)任務(wù)這一不足, JIANG 等人提出了改進(jìn)的擴(kuò)展卡爾曼濾波器、 增廣的無(wú)偏最小方差輸入和狀態(tài)估計(jì)等方法用于未知的機(jī)動(dòng)檢測(cè)[41]。此外, LI 提出了兩種自適應(yīng)的基于Unscented 信息濾波器, 用于追蹤具有機(jī)動(dòng)和有色量測(cè)噪聲的目標(biāo)[42]。

4.3 目標(biāo)表征

部分研究集中在對(duì)空間目標(biāo)進(jìn)行建模和表征, 目的是提取目標(biāo)關(guān)鍵信息, 了解目標(biāo)可能來(lái)源、 軌跡和特征, 進(jìn)而確定其威脅程度, 并制定相應(yīng)的對(duì)策。

軌跡估計(jì)在空間目標(biāo)軌道預(yù)測(cè)中起著重要作用, 特別是在觀測(cè)數(shù)據(jù)有限或不準(zhǔn)確的情況下。軌跡估計(jì)的目標(biāo)是對(duì)目標(biāo)歷史軌跡數(shù)據(jù)進(jìn)行分析和建模, 以預(yù)測(cè)目標(biāo)未來(lái)可能的運(yùn)動(dòng)軌跡。 由于空間軌跡在時(shí)間和空間維度上具有強(qiáng)相關(guān)性, 僅憑單張目標(biāo)圖像的視角無(wú)法確定其三維位置[43]。研究表明, 通過(guò)單一攝像機(jī)連續(xù)捕捉空間目標(biāo)的動(dòng)態(tài)圖像, 并通過(guò)兩階段的計(jì)算可以獲得具有時(shí)間一致性的三維位置軌跡。 此外, Dave 提出了一種基于遞歸卷積神經(jīng)網(wǎng)絡(luò)的方法, 在低分辨率成像條件下實(shí)現(xiàn)了空間目標(biāo)位置和速度的估計(jì)[44]。

姿態(tài)估計(jì)旨在推斷目標(biāo)的朝向和姿態(tài)參數(shù),如目標(biāo)的姿態(tài)角、 旋轉(zhuǎn)角速度等。 迄今為止, 已經(jīng)開(kāi)發(fā)了很多針對(duì)空間目標(biāo)的姿態(tài)估計(jì)方法。 現(xiàn)階段空間目標(biāo)在軌姿態(tài)的精確測(cè)量依賴于雷達(dá)與光學(xué)高質(zhì)量連續(xù)高分辨成像感知, 目標(biāo)狀態(tài)參數(shù)的估計(jì)依賴于目標(biāo)觀測(cè)數(shù)據(jù)與歷史積累觀測(cè)數(shù)據(jù)庫(kù)的特征匹配, 缺乏觀測(cè)物理模型的支撐, 估計(jì)精度有限, 無(wú)法推廣至具有復(fù)雜運(yùn)動(dòng)的目標(biāo)、 非合作目標(biāo)等實(shí)際應(yīng)用場(chǎng)景。 基于深度學(xué)習(xí)的空間目標(biāo)姿態(tài)估計(jì)方法具有潛在優(yōu)勢(shì)。 例如, 通過(guò)單站逆合成孔徑雷達(dá)(ISAR) 觀測(cè)目標(biāo), 隱馬爾可夫模型描述目標(biāo)投影變化, 采用不同優(yōu)化算法進(jìn)行求解計(jì)算[44,45]。 融合光學(xué)和ISAR 等不同測(cè)量手段實(shí)現(xiàn)空間目標(biāo)的準(zhǔn)確瞬時(shí)姿態(tài)[46,47]。 此外,多站ISAR 協(xié)同用于自旋航天器的動(dòng)態(tài)估計(jì)[47]。深度學(xué)習(xí)在空間目標(biāo)姿態(tài)估計(jì)的應(yīng)用不多但潛力巨大, 已成功應(yīng)用在光變曲線[48]、 單目視覺(jué)[49]、視頻幀[50]等不同觀測(cè)條件下的空間目標(biāo)姿態(tài)估計(jì), 實(shí)現(xiàn)了空間目標(biāo)的姿態(tài)變化的精確捕捉和分析, 為碰撞預(yù)測(cè)和軌道博弈提供了更可靠的支持和指導(dǎo)。

特別地, Xu 等人提出了一種基于光度反射特性的衛(wèi)星工作狀態(tài)檢測(cè)方法, 可以作為快速檢測(cè)GEO 衛(wèi)星工作狀態(tài)的依據(jù)[51]。

5 決策層面

空間環(huán)境態(tài)勢(shì)感知的決策部分實(shí)質(zhì)是將感知到的空間環(huán)境信息轉(zhuǎn)化為行動(dòng)的過(guò)程。 決策可能涉及資源調(diào)度、 避免碰撞、 軌道博弈等。 本文對(duì)空間感知中的資源調(diào)度、 避免碰撞和軌道博弈等關(guān)鍵技術(shù)進(jìn)行了回顧和討論。 表3 整理了空間環(huán)境態(tài)勢(shì)感知在決策層面的研究。

表3 SSA 決策層面的相關(guān)研究Table 3 Related research on SSA data level

5.1 資源調(diào)度

由于空間碎片的爆炸性增加、 巨型星座的任務(wù)實(shí)施, 導(dǎo)致空間監(jiān)測(cè)任務(wù)較之前更為繁瑣復(fù)雜, 需要新的資源調(diào)度方法來(lái)滿足新需求。 在早期研究中, 調(diào)度問(wèn)題被視為如何將傳感器的探測(cè)時(shí)間有效地分配到空間目標(biāo)的收集和測(cè)量上。Bussy-Virat 等人提出了NICO 調(diào)度器, 該調(diào)度器通過(guò)考慮氣象和天文限制來(lái)協(xié)調(diào)各用戶的請(qǐng)求。其核心思想是利用遺傳算法來(lái)解決資源調(diào)度問(wèn)題[52]。 此外, 其他學(xué)者還開(kāi)發(fā)了基于禁忌遺傳算法[53]、 基于假設(shè)和協(xié)方差[54]等調(diào)度方法, 旨在提高求解速度和推理精度。

此外, 博弈論在解決資源調(diào)度方面具有很大潛力。 Jaunzemis 等人提出一種自組織的空間目標(biāo)跟蹤方法, 將資源調(diào)度問(wèn)題轉(zhuǎn)化成潛在博弈問(wèn)題, 參與者需要遵循同步最優(yōu)反應(yīng)準(zhǔn)則來(lái)更新其動(dòng)作, 獲得了較大的跟蹤精度提升[55]。 類似地, Peng 等人將因果關(guān)系考慮在內(nèi), 提出基于深度強(qiáng)化學(xué)習(xí)的資源調(diào)度解決方案, 在提高跟蹤精度的同時(shí), 使模型具有潛在的解釋學(xué)習(xí)策略的能力[56]。

5.2 避免碰撞

避免碰撞技術(shù)的關(guān)鍵在于通過(guò)準(zhǔn)確的碰撞預(yù)測(cè)和靈活的機(jī)動(dòng)策略, 從而實(shí)現(xiàn)對(duì)在軌航天器的安全導(dǎo)航。 碰撞預(yù)測(cè)的核心是碰撞概率計(jì)算, 而機(jī)動(dòng)規(guī)避算法則是機(jī)動(dòng)策略的精髓。

5.2.1 碰撞概率計(jì)算

計(jì)算碰撞概率是避免碰撞的前置階段。 Fan等人提出一種基于蒙特卡羅協(xié)方差演化的碰撞概率計(jì)算方法。 該方法精度高但計(jì)算極慢, 僅適用于少量受控的、 重點(diǎn)監(jiān)測(cè)的空間目標(biāo)間的碰撞演化計(jì)算, 不足以應(yīng)對(duì)更加復(fù)雜的空間環(huán)境導(dǎo)致的大批量的軌道碰撞預(yù)警[57]。 Fernandez-Mellado 等人在僅提供初始開(kāi)普勒參數(shù)的前提下, 用一組ANN 來(lái)預(yù)測(cè)衛(wèi)星在一段時(shí)間內(nèi)的分點(diǎn)參數(shù)。 該方法不依賴任何動(dòng)態(tài)模型, 在傳播中不涉及積分,因而執(zhí)行速度更快[58]。 在實(shí)際應(yīng)用中, 需要根據(jù)實(shí)測(cè)數(shù)據(jù)動(dòng)態(tài)校正軌道預(yù)報(bào)協(xié)方差, 進(jìn)行快速高精度的軌道誤差傳播, 以提供及時(shí)可靠的碰撞預(yù)警。

5.2.2 機(jī)動(dòng)策略

機(jī)動(dòng)規(guī)避策略旨在通過(guò)靈活的機(jī)動(dòng)行為來(lái)避免潛在的碰撞風(fēng)險(xiǎn)。 在相對(duì)距離計(jì)算和機(jī)動(dòng)策略的設(shè)計(jì)中, Ni 等人提出基于人工勢(shì)函數(shù)的滑?？刂撇呗? 在保證相對(duì)位置和姿態(tài)誤差的收斂的同時(shí)避免發(fā)生碰撞[59]。 Qu 等人還提出一種自適應(yīng)探索深度確定性策略梯度(DDPG) 算法, 這一訓(xùn)練控制策略相較于上述人工勢(shì)函數(shù)方法能夠在近距離階段能耗減少16.44%。 此外, 引入元學(xué)習(xí), 可以在短時(shí)間內(nèi)訓(xùn)練出適用于其他受擾動(dòng)場(chǎng)景的控制策略[60]。

5.3 軌道博弈

軌道博弈是兩個(gè)(含) 以上空間運(yùn)動(dòng)目標(biāo)在各自允許的控制能力和所獲得的信息支持下, 通過(guò)施加主動(dòng)控制實(shí)現(xiàn)相對(duì)位姿的動(dòng)態(tài)變化的過(guò)程。 其中, 追逐-逃逸作為空間軌道博弈的典型代表, 旨在支撐整體空間博弈戰(zhàn)略, 獲得空間優(yōu)勢(shì)。

Zhang 等人提出將原始的追逐-逃逸問(wèn)題等效為一個(gè)四維的單邊最優(yōu)控制問(wèn)題(OCP), 利用深度神經(jīng)網(wǎng)絡(luò)建立OCP 和其解的映射關(guān)系, 進(jìn)而解決自由時(shí)間橢圓軌道追逐- 逃逸的博弈問(wèn)題[61]。 Zhang 等人將追逐-逃逸問(wèn)題建模為差分博弈, 并給出一個(gè)閉合形式的邊界解。 通過(guò)深度強(qiáng)化學(xué)習(xí)得到了軌道追逐-逃逸中近乎最佳的攔截策略[62]。 Zhao 將追逐- 逃逸問(wèn)題轉(zhuǎn)化為雙邊優(yōu)化問(wèn)題, 為了確定博弈雙方的最優(yōu)脈沖動(dòng)作,設(shè)計(jì)了基于多代理強(qiáng)化學(xué)習(xí)框架的PRD-MADDPG算法[63]。 結(jié)果表明, 即使是在更復(fù)雜的約束下,該算法仍能有效地找到適用的策略。

6 研究前景

6.1 數(shù)據(jù)層面

準(zhǔn)確的空間探測(cè)數(shù)據(jù)是不可或缺的。 這些數(shù)據(jù)來(lái)源包括地基的雷達(dá)、 光學(xué)、 激光測(cè)距以及天基的紅外、 光學(xué)以及被動(dòng)感知等, 對(duì)于目標(biāo)的檢測(cè)、 跟蹤、 識(shí)別以及機(jī)動(dòng)策略等至關(guān)重要。 為應(yīng)對(duì)數(shù)據(jù)量少且涉及數(shù)據(jù)安全, 可以考慮

(1) 數(shù)字孿生技術(shù)的運(yùn)用: 基于數(shù)字孿生技術(shù)建?？臻g場(chǎng)景, 進(jìn)而提供高保真的空間目標(biāo)仿真數(shù)據(jù), 但需要注意數(shù)據(jù)與真實(shí)場(chǎng)景的匹配程度。

(2) 分布式機(jī)器學(xué)習(xí)的運(yùn)用: 在保障數(shù)據(jù)安全的前提下, 建立國(guó)際間協(xié)作機(jī)制, 共同開(kāi)展空間碎片的監(jiān)測(cè)和跟蹤工作。 聯(lián)邦學(xué)習(xí)等先進(jìn)技術(shù)的引入, 能夠在不犧牲隱私的前提下, 促進(jìn)全球范圍內(nèi)的合作, 實(shí)現(xiàn)信息共享與技術(shù)創(chuàng)新, 從而更好地應(yīng)對(duì)不斷增加的太空碎片問(wèn)題。

6.2 感知層面

當(dāng)前的空間環(huán)境態(tài)勢(shì)感知系統(tǒng)在小目標(biāo)和高軌目標(biāo)的監(jiān)測(cè)能力方面存在局限性, 需要進(jìn)一步優(yōu)化以提升性能。 此外, 對(duì)于空間目標(biāo)的電磁和光學(xué)特性的監(jiān)測(cè)與識(shí)別也需要精細(xì)化改進(jìn)。 為了有效解決這些問(wèn)題, 需進(jìn)一步發(fā)揮人工智能在知識(shí)表示和遷移學(xué)習(xí)等方面的潛力

(1) 知識(shí)圖譜的運(yùn)用: 知識(shí)圖譜可用于空間態(tài)勢(shì)的知識(shí)表示與推理, 從而更好地組織表示空間物體、 行為事件之間的聯(lián)系, 進(jìn)行基于知識(shí)的目標(biāo)檢測(cè)、 跟蹤、 識(shí)別等高級(jí)推理。

(2) 遷移學(xué)習(xí)的運(yùn)用: 遷移學(xué)習(xí)可以將源域?qū)W習(xí)到的知識(shí)遷移到目標(biāo)域, 空間環(huán)境態(tài)勢(shì)感知涉及多樣化的環(huán)境和場(chǎng)景, 對(duì)應(yīng)的探測(cè)數(shù)據(jù)分布也存在差異。 通過(guò)域自適應(yīng)技術(shù), 將在一個(gè)空間場(chǎng)景獲得的知識(shí)和模型遷移到另一個(gè)場(chǎng)景, 以提高跨場(chǎng)景的空間目標(biāo)識(shí)別的一致性。 運(yùn)用弱監(jiān)督遷移學(xué)習(xí)提高對(duì)新發(fā)現(xiàn)空間目標(biāo)的檢測(cè)能力。

6.3 決策層面

現(xiàn)有地基雷達(dá)和光學(xué)等探測(cè)設(shè)備對(duì)空間的覆蓋范圍有限, 且受到地理?xiàng)l件的限制, 接收到的信號(hào)強(qiáng)度與被觀測(cè)目標(biāo)的距離成反比。 為了彌補(bǔ)地面監(jiān)測(cè)網(wǎng)的不足, 基于天基光學(xué)的傳感器被用于高軌目標(biāo)探測(cè)。 為了提高跟蹤性能, 需要使用多顆衛(wèi)星來(lái)執(zhí)行任務(wù)。

如何最大限度地降低消耗并獲得更好地感知是需要進(jìn)一步思考的方向。 構(gòu)建多智能體協(xié)同算法,協(xié)調(diào)地面的雷達(dá)和光學(xué)傳感器以及衛(wèi)星上的紅外和光學(xué)設(shè)備, 進(jìn)而實(shí)現(xiàn)更為高效的分布式空間監(jiān)測(cè)。

7 結(jié)論

在過(guò)去的幾年里, 以深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等關(guān)鍵技術(shù)為驅(qū)動(dòng), 以大數(shù)據(jù)和云計(jì)算為基礎(chǔ), 人工智能呈現(xiàn)出爆炸性的增長(zhǎng), 并在空間環(huán)境態(tài)勢(shì)感知方面表現(xiàn)出卓越的能力。 因此, 將人工智能新技術(shù)應(yīng)用于空間科學(xué)領(lǐng)域具有良好的發(fā)展前景。 可以預(yù)見(jiàn), 數(shù)字孿生、 分布式機(jī)器學(xué)習(xí)、 知識(shí)圖譜、 遷移學(xué)習(xí)、 多智能體協(xié)同將是未來(lái)空間環(huán)境態(tài)勢(shì)感知的主要研究方向。 在此, 總結(jié)了本文關(guān)鍵結(jié)論和見(jiàn)解:

1. 在天地一體空間監(jiān)測(cè)網(wǎng)絡(luò)協(xié)同感知的背景下, 為了進(jìn)一步強(qiáng)化空間態(tài)勢(shì)感知能力, 通過(guò)多傳感器的動(dòng)態(tài)優(yōu)化管理, 使系統(tǒng)取得整體性能最優(yōu)。 通過(guò)數(shù)據(jù)融合, 將來(lái)自不同傳感器的數(shù)據(jù)整合, 從而提供更豐富、 詳盡的態(tài)勢(shì)感知信息。

2. 在空間目標(biāo)檢測(cè)和識(shí)別任務(wù)中, 面臨特征不確定性和樣本稀缺性的雙重難題。 因此, 需要針對(duì)典型目標(biāo)的特征變化, 提出自動(dòng)數(shù)據(jù)增強(qiáng)方法, 用于改進(jìn)空間目標(biāo)檢測(cè)和識(shí)別的模型, 以提高其對(duì)空間目標(biāo)特征變化的適應(yīng)性。

3. 針對(duì)在空間復(fù)雜環(huán)境的不完全信息條件下的軌道博弈問(wèn)題, 單個(gè)智能體的知識(shí)和計(jì)算能力有限, 難以有效應(yīng)對(duì)各種不確定因素。 為了應(yīng)對(duì)這一挑戰(zhàn), 可以考慮結(jié)合深度強(qiáng)化學(xué)習(xí)技術(shù), 開(kāi)展多智能體大規(guī)模博弈問(wèn)題的建模和求解研究,以充分利用多智能體之間的交互信息, 并自適應(yīng)地調(diào)整環(huán)境參數(shù), 從而提高全局策略學(xué)習(xí)能力。