CN113496103A - 基于多重原则与链条组合的敏捷卫星多目标协同观测方法 - Google Patents

基于多重原则与链条组合的敏捷卫星多目标协同观测方法 Download PDF

Info

Publication number
CN113496103A
CN113496103A CN202110774338.2A CN202110774338A CN113496103A CN 113496103 A CN113496103 A CN 113496103A CN 202110774338 A CN202110774338 A CN 202110774338A CN 113496103 A CN113496103 A CN 113496103A
Authority
CN
China
Prior art keywords
satellite
observation
target
targets
agile
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110774338.2A
Other languages
English (en)
Other versions
CN113496103B (zh
Inventor
张晟宇
刘严
李宇晴
封家鹏
胡海鹰
朱振才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Engineering Center for Microsatellites
Innovation Academy for Microsatellites of CAS
Original Assignee
Shanghai Engineering Center for Microsatellites
Innovation Academy for Microsatellites of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Engineering Center for Microsatellites, Innovation Academy for Microsatellites of CAS filed Critical Shanghai Engineering Center for Microsatellites
Priority to CN202110774338.2A priority Critical patent/CN113496103B/zh
Publication of CN113496103A publication Critical patent/CN113496103A/zh
Application granted granted Critical
Publication of CN113496103B publication Critical patent/CN113496103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Radio Relay Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于多重原则与链条组合的敏捷卫星多目标协同观测方法，包括：敏捷卫星在轨接收引导信息后，多颗卫星针对大量待观测目标的观测分配的规划调度进行问题描述；通过问题描述设置协同观测问题；根据协同观测问题生成目标函数并进行符号定义，得到前后向链条优化组合的单星规划方法；基于约束的分层协同规划方法，结合不同策略下的分配原则与前后向链条优化组合的单星规划方法快速求解出收益较高的协同任务规划方案，形成多星对区域目标的协同观测序列。

Description

基于多重原则与链条组合的敏捷卫星多目标协同观测方法
技术领域
本发明涉及航空航天技术领域，特别涉及一种基于多重原则与链条组合的敏捷卫星多目标协同观测方法。
背景技术
近年来敏捷卫星技术快速发展，空间指向快速机动能力越来越强，指向的精度与稳定度越来越高，这些特点使得敏捷遥感卫星具备对于多种工作模式的适应性，因此敏捷遥感卫星在越来越多的领域中发挥作用，满足复杂多样的在轨应用需求。
与此同时由多颗敏捷卫星构成的空间分布式系统也在快速发展，卫星组网的空间协同技术也需要适应更为复杂多样的任务。例如多星协同实现广域大量目标的观测，多星完成对空间目标定位与接力观测，多星对同一地区多角度观测等。
基于网络的多星协同空间系统是未来空间的一种重要形态，基于网络的多星协同技术也是具有较大发展潜力和发展前景的重要技术。
卫星协同任务规划与调度方面的研究方面，针对卫星协同开展了面向数据传输、在轨行为规划、大邻域搜索、协同调度、自适应搜索等方面算法的研究。例如面向在轨实时引导成像的多星自主任务规划方法，可实时地通过高收益目标替代低收益目标的方式提高整个规划方案的成像收益，但该方法主要解决多目标向多星系统的分配的问题，没有考虑对于单个卫星姿态机动能力的充分挖掘。
现有方法有两方面的问题，一个是算法较为复杂，难于适应星上实时计算，计算时间太久，不满足1s以内的计算时效性需求；另外现有的协同观测在大量目标的分配上多以目标的相对分布关系进行聚类和分配，较少结合观测条件与观测能力进行并行优化。
发明内容
本发明的目的在于提供一种基于多重原则与链条组合的敏捷卫星多目标协同观测方法，以解决现有的观测方法未进行并行优化。
为解决上述技术问题，本发明提供一种基于多重原则与链条组合的敏捷卫星多目标协同观测方法，包括：
敏捷卫星在轨接收引导信息后，多颗卫星针对大量待观测目标的观测分配的规划调度进行问题描述；
通过问题描述设置协同观测问题；
根据协同观测问题生成目标函数并进行符号定义，得到前后向链条优化组合的单星规划方法；
基于约束的分层协同规划方法，结合不同策略下的分配原则与前后向链条优化组合的单星规划方法快速求解出收益较高的协同任务规划方案，形成多星对区域目标的协同观测序列。
可选的，在所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法中，敏捷卫星在轨接收引导信息后，多颗卫星针对大量待观测目标的观测分配的规划调度进行问题描述包括：
典型场景中宽幅载荷获得大范围内多个待观测的点目标的位置信息和优先级，后续飞越的敏捷卫星接收所述点目标的位置信息及状态评估信息，在过境的有效时间内通过在轨规划，充分利用卫星姿态机动能力实现观测收益的最大化。
可选的，在所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法中，敏捷卫星在轨接收引导信息后，多颗卫星针对大量待观测目标的观测分配的规划调度进行问题描述包括：
空间分布式系统中，最前端飞行的卫星为宽视场普查卫星，宽视场普查卫星具备目标发现的能力，不具备高分辨成像的能力；
具备将探测到的潜在目标在轨实时生成引导信息的能力；
引导信息包含潜在探测目标的ID、目标的位置、以及目标的重要程度。
可选的，在所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法中，敏捷卫星在轨接收引导信息后，多颗卫星针对大量待观测目标的观测分配的规划调度进行问题描述包括：
在宽视场普查卫星后布置敏捷成像卫星，敏捷成像卫星具备较强的姿态机动能力，能够在俯仰方向、侧摆方向进行快速姿态机动；
同时敏捷成像卫星具备较高的成像分辨率，能够针对宽视场普查卫星发送来的引导信息进行任务规划后，对潜在的观测目标进行高分辨率探测。
可选的，在所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法中，敏捷卫星在轨接收引导信息后，多颗卫星针对大量待观测目标的观测分配的规划调度进行问题描述包括：
通过多颗高分辨探测的敏捷遥感卫星一起协同完成针对较大范围内的多目标的高分辨率探测；
不同的敏捷遥感卫星之间通过星间链路进行通信，将宽视场普查卫星的引导信息进行广播分发，同时共享相互之间的卫星位置，卫星状态信息，从而进行区域内多目标观测任务的分配，并各自生成观测序列；
同轨敏捷遥感卫星的侧视能力覆盖宽视场普查卫星的幅宽范围。
可选的，在所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法中，通过问题描述设置协同观测问题包括：
多颗敏捷卫星在宽幅获取区域大量待观测点后，结合卫星的轨道、观测条件、以及卫星的机动能力，实现目标观测任务在多颗卫星之间合理分配，从而获得加大观测收益；
其中第一卫星跟随宽幅卫星飞行，以使第一卫星的可观测范围覆盖所有的待观测目标；
第二卫星飞行在不同的轨道，与第一卫星的星下点轨迹交叉，以使第二卫星可观测范围覆盖部分目标；
第一卫星与第二卫星的可观测范围重叠的区域，称为目标待分配区域，第一卫星与第二卫星都能够覆盖的目标称为待分配目标；
第一卫星与第二卫星之间的协同观测包括：协同观测的假设是每个目标只需要被观测一次，以将待观测目标合理地分配给每颗卫星，从而实现整体观测收益最大化。
可选的，在所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法中，根据协同观测问题生成目标函数包括：
协同任务规划模型根据整体的任务收益，以及敏捷卫星的姿态机动资源利用进行优化；
主要目标的最高观测收益为：
Figure BDA0003153979480000041
主要目标被优先观测以保障权重较高的目标，从而在有限的观测窗口覆盖过程中实现观测收益的最大化；
次要目标的最少姿态机动花费时间为：
Figure BDA0003153979480000042
次要目标作为目标函数的惩罚项，为对于需要消耗过大资源的进行观测的目标，如果对其观测的需要消耗的姿态机动资源超过对其观测产生的观测收益，则将该次要目标放弃，而选择观测机动代价更小的两个目标实现大于一个重点目标的观测收益。
可选的，在所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法中，根据协同观测问题进行符号定义包括：
Tar＝{Tar1,Tar2,...,Tarn}...(2.9)
为观测目标的集合，n为待观测目标的数量；
Sat＝{Sat1,Sat2,...,Satm}...(2.10)
为敏捷卫星的集合，m为敏捷卫星数量；
AMCSat＝{AMCSat1,AMCSat2,...,AMCSatm}...(2.11)
AMCSat代表卫星的机动能力；
计算目标集合Tar和卫星集合Sat中的所有潜在可见窗口，获得p个可见窗口的集合AW；
Figure BDA0003153979480000043
对于窗口集合中的awi,j，表示第Satj对Tari的可见窗口；
awi,j＝{sti,j,eti,j,periodi,j,st_anglei,j,et_anglei,j}...(2.13)
其中，sti,j为窗口起始时间，eti,j为窗口结束时间，periodi,j为窗口的长度，st_anglei,j为指向窗口开始点的卫星指向角度，et_anglei,j为指向窗口结束时刻的卫星指向角度；
W＝{w1,w2,...,wn}...(2.14)
Wn为第n个目标的观测重要度；
TW＝{twi,j|1≤i≤m,1≤j≤n}...(2.15)
任务指向窗口集合，获得q个可见窗口的集合TW；
对于窗口集合中的twi,j，表示第Satj对Tari的可见窗口
Figure BDA0003153979480000051
可选的，在所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法中，基于约束的分层协同规划方法包括：
初始化设置，根据卫星的轨道信息，目标的位置信息根据最大观测角约束，计算卫星与目标的可见窗口；
根据可见性计算，形成第一卫星的可观测目标集合TarSat1{目标ID}，第二卫星的可观测目标集合TarSat2{目标ID}；
如果目标既属于TarSat1{目标ID}，又属于TarSat2{目标ID}，则将目标归类为待观测目标TarWD{目标ID}；
根据三类原则分别进行待观测目标的分配；
进行总体收益比较，选择收益最高的组合为最终方案。
可选的，在所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法中，所述三类原则包括：
能力划分原则，包括：进行机动能力比较，机动能力大的卫星对它自己可见的所有目标(包括只有它可见的和待分配集合)进行观测序列规划，次选卫星去除掉优先卫星已经观测的目标进行任务规划，计算总收益；
代价划分原则，包括：分别计算待观测区内所有点到卫星轨迹垂线的距离，每次计算中，将距离更近的目标划分给卫星；从而完成对于待分配区的划分；
简单任务优先原则，包括：比较两个卫星的可以观测目标数，选择总目标数少的优先进行观测，次选卫星去除掉优先卫星已经观测的目标进行任务规划，计算总收益。
在本发明提供的基于多重原则与链条组合的敏捷卫星多目标协同观测方法中，通过敏捷卫星在轨接收引导信息后，得到前后向链条优化组合的单星规划方法，基于约束的分层协同规划方法，结合不同策略下的分配原则与前后向链条优化组合的单星规划方法快速求解出收益较高的协同任务规划方案，形成多星对区域目标的协同观测序列，解决了现有观测方法算法较为复杂、难于适应星上实时计算、计算时间太久的缺陷，满足了1s以内的计算时效性需求；本发明实现了结合观测条件与观测能力进行并行优化，取代现有的协同观测在大量目标的分配上多以目标的相对分布关系进行聚类和分配的方法，进一步提高了观测收益，且计算时间短，适应卫星上有限资源下的快速计算需求。
附图说明
图1是本发明一实施例的多目标星间协同观测示意图；
图2是本发明一实施例的协同观测问题示意图；
图3是本发明一实施例的前后向链条优化组合方法规划流程示意图；
图4是本发明一实施例的基于约束的分层规划方法流程示意图；
图5(a)是本发明一实施例的能力分配原则协同观测任务规划结果的首选星观测序列示意图；
图5(b)是本发明一实施例的能力分配原则协同观测任务规划结果的首选星观测点与卫星轨迹距离示意图；
图5(c)是本发明一实施例的能力分配原则协同观测任务规划结果的次选星观测序列示意图；
图5(d)是本发明一实施例的能力分配原则协同观测任务规划结果的次选星观测点与卫星轨迹距离示意图；
图6(a)是本发明一实施例的代价分配原则协同观测任务规划结果首选星观测序列示意图；
图6(b)是本发明一实施例的代价分配原则协同观测任务规划结果首选星观测点与卫星轨迹距离示意图；
图6(c)是本发明一实施例的代价分配原则协同观测任务规划结果次选星观测序列示意图；
图6(d)是本发明一实施例的代价分配原则协同观测任务规划结果次选星观测点与卫星轨迹距离示意图；
图7(a)是本发明一实施例的简单优先原则协同观测任务规划结果首选星观测序列示意图；
图7(b)是本发明一实施例的简单优先原则协同观测任务规划结果首选星观测点与卫星轨迹距离示意图；
图7(c)是本发明一实施例的简单优先原则协同观测任务规划结果次选星观测序列示意图；
图7(d)是本发明一实施例的简单优先原则协同观测任务规划结果次选星观测点与卫星轨迹距离示意图；
图8是本发明一实施例的场景一中多种算法收益对比示意图；
图9是本发明一实施例的场景二中多种算法收益对比示意图；
图10是本发明一实施例的场景三中多种算法收益对比示意图；
图11是本发明一实施例的场景四中多种算法收益对比示意图。
具体实施方式
下面结合具体实施方式参考附图进一步阐述本发明。
应当指出，各附图中的各组件可能为了图解说明而被夸大地示出，而不一定是比例正确的。在各附图中，给相同或功能相同的组件配备了相同的附图标记。
在本发明中，除非特别指出，“布置在…上”、“布置在…上方”以及“布置在…之上”并未排除二者之间存在中间物的情况。此外，“布置在…上或上方”仅仅表示两个部件之间的相对位置关系，而在一定情况下、如在颠倒产品方向后，也可以转换为“布置在…下或下方”，反之亦然。
在本发明中，各实施例仅仅旨在说明本发明的方案，而不应被理解为限制性的。
在本发明中，除非特别指出，量词“一个”、“一”并未排除多个元素的场景。
在此还应当指出，在本发明的实施例中，为清楚、简单起见，可能示出了仅仅一部分部件或组件，但是本领域的普通技术人员能够理解，在本发明的教导下，可根据具体场景需要添加所需的部件或组件。另外，除非另行说明，本发明的不同实施例中的特征可以相互组合。例如，可以用第二实施例中的某特征替换第一实施例中相对应或功能相同或相似的特征，所得到的实施例同样落入本申请的公开范围或记载范围。
在此还应当指出，在本发明的范围内，“相同”、“相等”、“等于”等措辞并不意味着二者数值绝对相等，而是允许一定的合理误差，也就是说，所述措辞也涵盖了“基本上相同”、“基本上相等”、“基本上等于”。以此类推，在本发明中，表方向的术语“垂直于”、“平行于”等等同样涵盖了“基本上垂直于”、“基本上平行于”的含义。
另外，本发明的各方法的步骤的编号并未限定所述方法步骤的执行顺序。除非特别指出，各方法步骤可以以不同顺序执行。
以下结合附图和具体实施例对本发明提出的基于多重原则与链条组合的敏捷卫星多目标协同观测方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
本发明的目的在于提供一种基于多重原则与链条组合的敏捷卫星多目标协同观测方法，以解决现有的观测方法未进行并行优化。
为实现上述目的，本发明提供了一种基于多重原则与链条组合的敏捷卫星多目标协同观测方法，包括：敏捷卫星在轨接收引导信息后，多颗卫星针对大量待观测目标的观测分配的规划调度进行问题描述；通过问题描述设置协同观测问题；根据协同观测问题生成目标函数并进行符号定义，得到前后向链条优化组合的单星规划方法；基于约束的分层协同规划方法，结合不同策略下的分配原则与前后向链条优化组合的单星规划方法快速求解出收益较高的协同任务规划方案，形成多星对区域目标的协同观测序列。
本发明协同问题描述中的问题假设主要研究敏捷卫星在轨接收引导信息后，多颗卫星对大量待观测目标进行观测分配的规划调度问题。问题描述的示意如图1所示。
典型场景中宽幅载荷获得大范围内多个待观测的点目标的位置信息和优先级，后续飞越的敏捷卫星接收这些点目标的位置信息及状态评估信息，在过境的有效时间内通过在轨规划，充分利用卫星姿态机动能力实现观测收益的最大化。
问题假设1：空间分布式系统(Distributed Space System，DSS)中，最前端飞行的卫星是非敏捷卫星，不具备姿态机动的能力。同时该卫星具有较大的观测视场(FOV)，通过扫描实现较大幅宽范围的观测。同时由于其较大的视场，所以该卫星的分辨率(GSD)较低，因此具备目标发现的能力，而不具备高分辨成像的能力。将该卫星称为宽视场普查卫星(Wide FOV Satellite)，例如广域探测的火灾检测卫星，可以通过红外探测在较大的空间范围内发现潜在的火点。同时该卫星具备将探测到的潜在目标在轨实时生成引导信息的能力。也就是对潜在的目标进行初步的定位，同时生成该目标的重要程度，如在火灾探测卫星中，可以将红外辐射值较高的目标设定为重要度更高的目标。同时WFOV Satellite将引导信息通过星间链路(Inter satellite link，ISL)向飞行在其后方敏捷遥感卫星进行传输。引导信息包含潜在探测目标的ID，目标的位置，以及目标的重要程度。
问题假设2：在WFOV卫星后的是敏捷成像卫星(Agile Satellite)，具备较强的姿态机动能力，可以在俯仰，侧摆方向进行快速的姿态机动。同时敏捷成像卫星具备较高的成像分辨率，可以针对WFOV Satellite发送来的引导信息进行任务规划后，对潜在的观测目标进行高分辨率探测。
问题假设3：可以进行高分辨探测的敏捷遥感卫星通过多颗卫星一起协同来完成对于较大范围内的多目标的高分辨率探测。不同的敏捷遥感卫星之间可以通过ISL进行通信，将WFOV Satellite的引导信息进行广播分发，同时共享相互之间的卫星位置，卫星状态信息，从而进行区域内多目标观测任务的分配，并各自生成观测序列。
问题假设4：同轨敏捷卫星的侧视能力覆盖WFOV Satellite的幅宽范围。
本发明协同观测问题主要研究两颗敏捷卫星在宽幅获取区域大量待观测点后如何结合卫星的轨道、观测条件，卫星的机动能力，实现目标观测任务在两颗卫星之间合理分配，从而获得加大观测收益的问题。典型场景如图2所示。其中卫星1跟随宽幅卫星飞行，因此卫星1的可观测范围覆盖了所有的待观测目标。卫星2飞行在不同的轨道，与卫星1的星下点轨迹交叉，卫星2可观测范围覆盖了部分的目标。卫星1与卫星2的可观测范围重叠的区域，称为目标待分配区域，如图2所示的黄色部分，卫星1与卫星2都可以覆盖的目标称为待分配目标。
本发明主要解决在卫星1与卫星2之间的协同观测问题。协同观测的假设是每个目标只需要被观测一次。因此协同观测是为了解决如何将待观测目标合理地分配给每颗卫星，从而实现整体观测收益最大化的问题。
本发明的实施例的目标函数提出了协同任务规划模型主要考虑到整体的任务收益，以及敏捷卫星的姿态机动资源利用优化。
主要目标，观测的收益最高
Figure BDA0003153979480000101
该目标主要为了保障权重较高的目标可以被优先观测，从而在有限的观测窗口覆盖过程中实现观测收益的最大化。
次要目标，姿态机动花费时间最少
Figure BDA0003153979480000102
次要目标主要作为目标函数的惩罚项，对于需要消耗过大资源的进行观测的目标，如果对其观测的需要消耗的姿态机动资源超过了对其观测产生的观测收益，则将这样的目标放弃，而选择观测机动代价更小的两个目标实现大于一个重点目标的观测收益。
本发明的实施例的符号定义包括：
Tar＝{Tar1,Tar2,...,Tarn}...(2.9)
为观测目标的集合，n为待观测目标的数量。
Sat＝{Sat1,Sat2,...,Satm}...(2.10)
为敏捷卫星的集合，m为敏捷卫星数量。
AMCSat＝{AMCSat1,AMCSat2,...,AMCSatm}...(2.11)
AMCSat代表卫星的机动能力。
计算目标集合Tar和卫星集合Sat中的所有潜在可见窗口，获得p个可见窗口的集合AW。
Figure BDA0003153979480000111
对于窗口集合中的awi,j，表示第Satj对Tari的可见窗口。
awi,j＝{sti,j,eti,j,periodi,j,st_anglei,j,et_anglei,j}...(2.13)
其中，sti,j为窗口起始时间，eti,j为窗口结束时间，periodi,j为窗口的长度，st_anglei,j为指向窗口开始点的卫星指向角度，et_anglei,j为指向窗口结束时刻的卫星指向角度。
W＝{w1,w2,...,wn}...(2.14)
Wn为第n个目标的观测重要度；
TW＝{twi,j|1≤i≤m,1≤j≤n}...(2.15)
任务指向窗口集合，获得q个可见窗口的集合TW。
对于窗口集合中的twi,j，表示第Satj对Tari的可见窗口
Figure BDA0003153979480000112
本发明的实施例中，基于约束的分层协同规划方法分析如下：多星多目标协同，是一个非常复杂的问题，不但取决于待观测目标数量，也取决于观测卫星的对待观测目标的观测条件和机动能力。因此本发明设计了一种基于约束的分层协同规划方法，结合不同策略下的分配原则与上述前后向链条优化组合的单星规划方法快速求解出收益较高的协同任务规划方案，形成多星对区域目标的协同观测序列。基于约束的分层协同规划方法如图4所示。
在本发明的实施例中，OFBCCM算法的具体步骤如下，流程如图3所示。
步骤1初始化设置，获取多目标的经纬度信息、观测权重及观测开始点信息、卫星的姿态机动能力、每个点目标观测收益，作为任务规划的输入条件。
步骤2进行初始链条组链，选择本一级观测权重的目标通过最小自动开销计算形成包含2个观测点的元链条。
步骤3元链条的两端搜索最近的链条或者孤点，以整链收益最高的原则组成新链条，若同一链条为多组链条所选，则选择收益最高组链，如果组成链条节点相同，以收益高的方向组链条。
步骤4组链后判断链条是否达到局部最优，及是否达到该方向组链长度的上限。满足任意一项则形成局部单条链条，准备开始全局链条组合。如局部收益不是最优判断是否达到上限，如未达上限，则链条继续增长。
步骤5进行长链条组合，如最近链接端，姿态开销较大，收益较低链条以丢弃最末节点来组链条，计算丢弃1点与丢弃2点，选组合后最大收益完成组链。返回收益最大链条，如果未超过最大姿态约束则输出链条，如超过，则丢弃两端代价较大点。
步骤6输出观测序列。
在本发明的实施例中，分层协同规划算法的具体流程如图4所示。
步骤1初始化设置，根据卫星的轨道信息，目标的位置信息根据最大观测角(如60度)约束，计算卫星与目标的可见窗口。
步骤2根据可见性计算，形成卫星1的可观测目标集合TarSat1{目标ID}，卫星2的可观测目标集合TarSat2{目标ID}.
步骤3如果目标既属于TarSat1{目标ID}，又属于TarSat2{目标ID}，则将目标归类为待观测目标TarWD{目标ID}。
步骤4根据三类原则分别进行待观测目标的分配。
原则一：能力划分原则，进行机动能力比较，机动能力大的卫星对它自己可见的所有目标(包括只有它可见的和待分配集合)进行观测序列规划，次选卫星去除掉优先卫星已经观测的目标进行任务规划，计算总收益。
原则二：代价划分原则，分别计算待观测区内所有点到卫星轨迹垂线的距离，每次计算中，将距离更近的目标划分给卫星。从而完成对于待分配区的划分。
原则三：简单任务优先原则，比较两个卫星的可以观测目标数，选择总目标数少的优先进行观测，次选卫星去除掉优先卫星已经观测的目标进行任务规划，计算总收益。
步骤5总体收益比较，选择收益最高的组合为最终方案。
本发明进行了仿真验证，其中仿真场景设置包括：仿真场景设置待观测目标数量50个，随机分布于600km*2000km范围内。每个算例进行20次仿真迭代，测试算例，设置如表1所示。在仿真场景中，Satellite2与宽幅卫星处于相同轨道。场景中所有目标都处于Satellite2的可观测范围内。Satellite1与Satellite2轨道夹角为30度，对于Satellite1只能观测到场景中部分目标，目标观测收益1～10随机分配。
表1仿真测试场景设置
Figure BDA0003153979480000131
同时本发明采用使用遗传算法(GA)和模拟退火算法(SA)作为对比试验算法，遗传算法变异概率设置为0.8,交叉概率设置为0.2。最大化观测总收益为优化目标，需要合理分配Satellite1与Satellite2的观测目标。基于约束计算求解卫星与目标间的所有可见窗口，通过轨道信息和目标位置计算时间窗口内传感器的俯仰和侧摆角度，不满足机动时间约束的窗口将从观测策略中剔除。本发明进行计算仿真环境见表2。
表2仿真环境
Figure BDA0003153979480000132
Figure BDA0003153979480000141
在本发明的实施例中，并行规划原则观测结果对比分析包括：针对随机生成的目标，分别采用能力分配原则，代价分配原则和简单优先原则进行目标的分配。经过目标分配之后采用OFBCCM方法对分配的目标进行观测序列的规划，并根据分别规划的结果计算两颗卫星的整体规划收益，三种不同原则在不同的卫星机动能力与观测时间要求下的仿真结果如下。
原则一：能力分配原则，能力分配原则任务规划仿真输入条件：Satellite1姿态机动能力1°/s，Satellite 2机动能力3°/s，观测时间1s。仿真结果见图5(a)～(d)。
图5(a)～(d)中可以看到在能力分配原则下，为机动能力较强的satellite2分配了绝大多数的目标，由于目标数量较大，Satellite2完成了26个待观测目标的观测任务，对飞行方向的左侧(图中的纵坐标0值上方)有更多的覆盖，同时覆盖到离星下轨迹较远的目标。对飞行方向的右侧(图中的纵坐标0值下方)的覆盖较少，主要原因是飞行方向的右侧的目标整体分布离星下点轨迹的距离较大，因此进行观测的侧摆代价较大，因此规划算法选择了代价较小的左侧目标。在Satellite2完成观测序列规划后，将剩余处于可见范围的目标分配给Satellite1。分配的目标较少，Satellite1对分配的目标只有一个没有观测到。经过计算，规划后整体观测收益为186。
原则二：代价分配原则，代价分配原则任务规划仿真输入条件：Satellite1姿态机动能力1°/s，Satellite 2机动能力3°/s，观测时间1s。仿真结果见图6(a)～(d)。
图6(a)～(d)中可以看到在代价分配原则下，根据目标对两颗卫星下轨迹的距离完成的观测目标分配结果是为能力较强的satellite2分配了35个目标，为Satellite1分配了15个目标。基于此原则，Satellite2分配到的目标多数处于离星下轨迹较近的范围，Satellite2完成了27个目标的观测。Satellite1完成了12个目标的观测。经过计算，规划后整体观测收益为184。观测收益略低于原则一。
原则三：简单优先原则，简单优先原则任务规划仿真输入条件：Satellite1姿态机动能力1°/s，Satellite 2机动能力3°/s，观测时间1s。仿真结果见图7(a)～(d)。
图7(a)～(d)中可以看到在简单优先原则下，可观测目标少的Satellite1优先进行观测。由于将可观测的目标都分配到了姿态机动能力较弱的Satellite1，Satellite1完成了11个目标的观测。Satellite2对剩余的未观测目标进行规划并完成25个目标的观测。经过计算，规划后整体观测收益为175。观测收益低于原则一与原则二。
综上可以看出，主要对观测造成影响的是对不同姿态机动能力卫星的目标分配，为机动能力弱的卫星分配较多目标会影响到整体的观测收益。
本发明的实施例中，并行规划原则+OFBCCM与参考算法规划结果对比分析包括：针对表1的四种场景，采用多次随机目标分布进行验证。分别采用能力分配原则，代价分配原则和简单优先原则结合OFBCCM方法生成观测收益，并与作为对比的遗传算法(GA)和模拟退火算法(SA)计算的收益综合分析，评价分层并行的协同观测策略的协同观测任务规划效率。分别从最大机动速率和观测时间两个方面分析对于收益的影响。
其中，最大机动速率对收益的影响包括：场景一仿真输入条件：最大姿态机动能力3°/s，观测时间1s。如图8所示，在最大姿态机动能力3°/s，观测时间1s条件下，GA算法的观测总收益最高，能力原则下总收益次之。SA算法和代价原则与简单原则的总收益的中位数较为接近。GA算法、SA算法、简单原则算法上四分位数与下四分位数更接近中位数，说明这三种算法在该场景下对多种随机目标的分布情况有更稳定的适应性。而能力原则和代价原则的上四分位数与下四分位数的分布都较宽，说明这两种原则受到目标分布情况影响较大。
场景二仿真输入条件：最大姿态机动能力5°/s，观测时间1s。如图9所示，在最大姿态机动能力5°/s，观测时间1s条件下，GA算法的观测整体总收益还是最高的，能力原则下总收益次之，但能力原则下的收益上限有约8的提高。卫星的姿态机动能力增强之后，SA算法、能力原则和代价原则的上四分位数与下四分位数的间距更大，算法的稳定性下降，受到目标分布的影响变大。简单原则相对稳定，但收益最低。
另外，最大机动速率对收益的影响包括：场景三仿真输入条件：最大姿态机动能力5°/s，观测时间2s。如图10所示，在最大姿态机动能力5°/s，观测时间2s条件下，GA算法的中位数是最高的，同时上四分位数与下四分位数非常接近中位数，说明GA算法很稳定。但能力原则和代价原则的上四分位数都超过了GA算法的上限。说明在部分目标分布情况下，能力原则和代价原则的规划效率较高，可获取较好的观测收益，但同时在波动较大的问题。SA算法和简单原则也相对稳定，但整体收益较低，尤其简单原则收益下降明显。
如图11所示，在最大姿态机动能力5°/s，观测时间3s条件下，所有算法的总体收益都下降了，同时所有算法的结果也更为稳定。其中GA算法的整体收益还是最高的，SA算法、能力原则及代价原则的总体收益水平接近。整体算法间的收益差异变小，说明在观测时间增加后，抑制了机动能力增加带来的随机性。
在本发明的实施例中，计算时间如表3所示。
表3算法平均计算时间
Figure BDA0003153979480000161
综上可以看出遗传算法属于群智能优化算法，在保持种群多样性的情况下能得到问题的更好解，在多个仿真场景中GA算法的收益都是最优的。但GA算法的缺点也是明显的，其计算时间开销很大，无法适应卫星上有限资源下的快速计算需求。SA算法在多数情况下比能力分配原则+OFBCCM算法和代价分配原则+OFBCCM算法的整体收益要低，而且算法稳定性也较低。简单优先原则+OFBCCM算法在多个场景的仿真中都较为稳定，但整体收益都是最低的。能力分配原则+OFBCCM算法和代价分配原则+OFBCCM算法虽然只在部分场景中收益超过GA算法，但整体收益与GA算法的差距较小，同时这两种原则结合OFBCCM算法的计算时间比GA算法低40倍和比SA算法低4倍，具有卫星在轨应用的潜力。
在本发明提供的基于多重原则与链条组合的敏捷卫星多目标协同观测方法中，通过敏捷卫星在轨接收引导信息后，得到前后向链条优化组合的单星规划方法，基于约束的分层协同规划方法，结合不同策略下的分配原则与前后向链条优化组合的单星规划方法快速求解出收益较高的协同任务规划方案，形成多星对区域目标的协同观测序列，解决了现有观测方法算法较为复杂、难于适应星上实时计算、计算时间太久的缺陷，满足了1s以内的计算时效性需求；本发明实现了结合观测条件与观测能力进行并行优化，取代现有的协同观测在大量目标的分配上多以目标的相对分布关系进行聚类和分配的方法，进一步提高了观测收益，且计算时间短，适应卫星上有限资源下的快速计算需求。
综上，上述实施例对基于多重原则与链条组合的敏捷卫星多目标协同观测方法的不同构型进行了详细说明，当然，本发明包括但不局限于上述实施中所列举的构型，任何在上述实施例提供的构型基础上进行变换的内容，均属于本发明所保护的范围。本领域技术人员可以根据上述实施例的内容举一反三。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。

Claims (10)

1.一种基于多重原则与链条组合的敏捷卫星多目标协同观测方法，其特征在于，包括：
敏捷卫星在轨接收引导信息后，多颗卫星针对大量待观测目标的观测分配的规划调度进行问题描述；
通过问题描述设置协同观测问题；
根据协同观测问题生成目标函数并进行符号定义，得到前后向链条优化组合的单星规划方法；
基于约束的分层协同规划方法，结合不同策略下的分配原则与前后向链条优化组合的单星规划方法快速求解出收益较高的协同任务规划方案，形成多星对区域目标的协同观测序列。
2.如权利要求1所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法，其特征在于，敏捷卫星在轨接收引导信息后，多颗卫星针对大量待观测目标的观测分配的规划调度进行问题描述包括：
典型场景中宽幅载荷获得大范围内多个待观测的点目标的位置信息和优先级，后续飞越的敏捷卫星接收所述点目标的位置信息及状态评估信息，在过境的有效时间内通过在轨规划，充分利用卫星姿态机动能力实现观测收益的最大化。
3.如权利要求1所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法，其特征在于，敏捷卫星在轨接收引导信息后，多颗卫星针对大量待观测目标的观测分配的规划调度进行问题描述包括：
空间分布式系统中，最前端飞行的卫星为宽视场普查卫星，宽视场普查卫星具备目标发现的能力，不具备高分辨成像的能力；
具备将探测到的潜在目标在轨实时生成引导信息的能力；
引导信息包含潜在探测目标的ID、目标的位置、以及目标的重要程度。
4.如权利要求1所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法，其特征在于，敏捷卫星在轨接收引导信息后，多颗卫星针对大量待观测目标的观测分配的规划调度进行问题描述包括：
在宽视场普查卫星后布置敏捷成像卫星，敏捷成像卫星具备较强的姿态机动能力，能够在俯仰方向、侧摆方向进行快速姿态机动；
同时敏捷成像卫星具备较高的成像分辨率，能够针对宽视场普查卫星发送来的引导信息进行任务规划后，对潜在的观测目标进行高分辨率探测。
5.如权利要求1所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法，其特征在于，敏捷卫星在轨接收引导信息后，多颗卫星针对大量待观测目标的观测分配的规划调度进行问题描述包括：
通过多颗高分辨探测的敏捷遥感卫星一起协同完成针对较大范围内的多目标的高分辨率探测；
不同的敏捷遥感卫星之间通过星间链路进行通信，将宽视场普查卫星的引导信息进行广播分发，同时共享相互之间的卫星位置，卫星状态信息，从而进行区域内多目标观测任务的分配，并各自生成观测序列；
同轨敏捷遥感卫星的侧视能力覆盖宽视场普查卫星的幅宽范围。
6.如权利要求1所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法，其特征在于，通过问题描述设置协同观测问题包括：
多颗敏捷卫星在宽幅获取区域大量待观测点后，结合卫星的轨道、观测条件、以及卫星的机动能力，实现目标观测任务在多颗卫星之间合理分配，从而获得加大观测收益；
其中第一卫星跟随宽幅卫星飞行，以使第一卫星的可观测范围覆盖所有的待观测目标；
第二卫星飞行在不同的轨道，与第一卫星的星下点轨迹交叉，以使第二卫星可观测范围覆盖部分目标；
第一卫星与第二卫星的可观测范围重叠的区域，称为目标待分配区域，第一卫星与第二卫星都能够覆盖的目标称为待分配目标；
第一卫星与第二卫星之间的协同观测包括：协同观测的假设是每个目标只需要被观测一次，以将待观测目标合理地分配给每颗卫星，从而实现整体观测收益最大化。
7.如权利要求1所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法，其特征在于，根据协同观测问题生成目标函数包括：
协同任务规划模型根据整体的任务收益，以及敏捷卫星的姿态机动资源利用进行优化；
主要目标的最高观测收益为：
Figure FDA0003153979470000031
主要目标被优先观测以保障权重较高的目标，从而在有限的观测窗口覆盖过程中实现观测收益的最大化；
次要目标的最少姿态机动花费时间为：
Figure FDA0003153979470000032
次要目标作为目标函数的惩罚项，为对于需要消耗过大资源的进行观测的目标，如果对其观测的需要消耗的姿态机动资源超过对其观测产生的观测收益，则将该次要目标放弃，而选择观测机动代价更小的两个目标实现大于一个重点目标的观测收益。
8.如权利要求1所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法，其特征在于，根据协同观测问题进行符号定义包括：
Tar＝{Tar1,Tar2,...,Tarn}...(2.9)
为观测目标的集合，n为待观测目标的数量；
Sat＝{Sat1,Sat2,...,Satm}...(2.10)
为敏捷卫星的集合，m为敏捷卫星数量；
AMCSat＝{AMCSat1,AMCSat2,...,AMCSatm}...(2.11)
AMCSat代表卫星的机动能力；
计算目标集合Tar和卫星集合Sat中的所有潜在可见窗口，获得p个可见窗口的集合AW；
Figure FDA0003153979470000033
对于窗口集合中的awi,j，表示第Satj对Tari的可见窗口；
awi,j＝{sti,j,eti,j,periodi,j,st_anglei,j,et_anglei,j}...(2.13)
其中，sti,j为窗口起始时间，eti,j为窗口结束时间，periodi,j为窗口的长度，st_anglei,j为指向窗口开始点的卫星指向角度，et_anglei,j为指向窗口结束时刻的卫星指向角度；
W＝{w1,w2,...,wn}...(2.14)
Wn为第n个目标的观测重要度；
TW＝{twi,j|1≤i≤m,1≤j≤n}...(2.15)
任务指向窗口集合，获得q个可见窗口的集合TW；
对于窗口集合中的twi,j，表示第Satj对Tari的可见窗口
Figure FDA0003153979470000041
9.如权利要求1所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法，其特征在于，基于约束的分层协同规划方法包括：
初始化设置，根据卫星的轨道信息，目标的位置信息根据最大观测角约束，计算卫星与目标的可见窗口；
根据可见性计算，形成第一卫星的可观测目标集合TarSat1{目标ID}，第二卫星的可观测目标集合TarSat2{目标ID}；
如果目标既属于TarSat1{目标ID}，又属于TarSat2{目标ID}，则将目标归类为待观测目标TarWD{目标ID}；
根据三类原则分别进行待观测目标的分配；
进行总体收益比较，选择收益最高的组合为最终方案。
10.如权利要求9所述的基于多重原则与链条组合的敏捷卫星多目标协同观测方法，其特征在于，所述三类原则包括：
能力划分原则，包括：进行机动能力比较，机动能力大的卫星对它自己可见的所有目标(包括只有它可见的和待分配集合)进行观测序列规划，次选卫星去除掉优先卫星已经观测的目标进行任务规划，计算总收益；
代价划分原则，包括：分别计算待观测区内所有点到卫星轨迹垂线的距离，每次计算中，将距离更近的目标划分给卫星；从而完成对于待分配区的划分；
简单任务优先原则，包括：比较两个卫星的可以观测目标数，选择总目标数少的优先进行观测，次选卫星去除掉优先卫星已经观测的目标进行任务规划，计算总收益。
CN202110774338.2A 2021-07-08 2021-07-08 基于多重原则与链条组合的敏捷卫星多目标协同观测方法 Active CN113496103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110774338.2A CN113496103B (zh) 2021-07-08 2021-07-08 基于多重原则与链条组合的敏捷卫星多目标协同观测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110774338.2A CN113496103B (zh) 2021-07-08 2021-07-08 基于多重原则与链条组合的敏捷卫星多目标协同观测方法

Publications (2)

Publication Number Publication Date
CN113496103A true CN113496103A (zh) 2021-10-12
CN113496103B CN113496103B (zh) 2023-08-29

Family

ID=77996253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110774338.2A Active CN113496103B (zh) 2021-07-08 2021-07-08 基于多重原则与链条组合的敏捷卫星多目标协同观测方法

Country Status (1)

Country Link
CN (1) CN113496103B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114326795A (zh) * 2021-12-13 2022-04-12 中国运载火箭技术研究院 一种基于星网信息的飞行器主动规避方法
CN114970054A (zh) * 2022-03-17 2022-08-30 北京交通大学 一种基于卫星定位观测质量评估的虚拟应答器布局方法
CN115535297A (zh) * 2022-11-30 2022-12-30 南京航空航天大学 一种卫星星座在轨分布式协同调度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108052759A (zh) * 2017-12-25 2018-05-18 航天恒星科技有限公司 一种基于遗传算法的敏捷多星任务观测计划求解方法及系统
CN109358345A (zh) * 2018-10-12 2019-02-19 合肥工业大学 基于Agent的虚拟星座协作观测方法
CN109492834A (zh) * 2018-12-26 2019-03-19 航天恒星科技有限公司 基于遗传优化的敏捷卫星任务规划与调度建模方法
CN110210700A (zh) * 2019-04-19 2019-09-06 中国科学院遥感与数字地球研究所 面向应急响应的基于任务优先级的多星动态任务规划方法
CN110825513A (zh) * 2019-12-02 2020-02-21 西安航天天绘数据技术有限公司 敏捷单星多约束任务优化调度方法
CN111521185A (zh) * 2020-04-15 2020-08-11 中国科学院微小卫星创新研究院 敏捷遥感卫星多目标在轨观测方法
CN113051815A (zh) * 2021-03-18 2021-06-29 浙江大学 一种基于独立指针网络的敏捷成像卫星任务规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108052759A (zh) * 2017-12-25 2018-05-18 航天恒星科技有限公司 一种基于遗传算法的敏捷多星任务观测计划求解方法及系统
CN109358345A (zh) * 2018-10-12 2019-02-19 合肥工业大学 基于Agent的虚拟星座协作观测方法
CN109492834A (zh) * 2018-12-26 2019-03-19 航天恒星科技有限公司 基于遗传优化的敏捷卫星任务规划与调度建模方法
CN110210700A (zh) * 2019-04-19 2019-09-06 中国科学院遥感与数字地球研究所 面向应急响应的基于任务优先级的多星动态任务规划方法
CN110825513A (zh) * 2019-12-02 2020-02-21 西安航天天绘数据技术有限公司 敏捷单星多约束任务优化调度方法
CN111521185A (zh) * 2020-04-15 2020-08-11 中国科学院微小卫星创新研究院 敏捷遥感卫星多目标在轨观测方法
CN113051815A (zh) * 2021-03-18 2021-06-29 浙江大学 一种基于独立指针网络的敏捷成像卫星任务规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHENGYU ZHANG: "Research on Task Satellite Selection Method for Space Object Detection LEO Constellation Based on Observation Window Projection Analysis", 《AEROSPACE》, pages 1 - 18 *
张晟宇: "启发式前后向链条优化组合在轨多目标观测规划算法", 《系统工程与电子技术》, pages 1262 - 1269 *
张晟宇: "红外低轨星座突发任务多重策略调度方法", 《北京航空航天大学学报》, pages 2405 - 2414 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114326795A (zh) * 2021-12-13 2022-04-12 中国运载火箭技术研究院 一种基于星网信息的飞行器主动规避方法
CN114326795B (zh) * 2021-12-13 2024-02-20 中国运载火箭技术研究院 一种基于星网信息的飞行器主动规避方法
CN114970054A (zh) * 2022-03-17 2022-08-30 北京交通大学 一种基于卫星定位观测质量评估的虚拟应答器布局方法
CN115535297A (zh) * 2022-11-30 2022-12-30 南京航空航天大学 一种卫星星座在轨分布式协同调度方法

Also Published As

Publication number Publication date
CN113496103B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN113496103A (zh) 基于多重原则与链条组合的敏捷卫星多目标协同观测方法
CN108229719B (zh) 无人机编队任务分配与航迹规划的多目标优化方法及装置
CN107807665B (zh) 无人机编队探测任务协同分配方法及装置
CN110515708B (zh) 卫星在轨自主任务规划方法及系统
CN107886201B (zh) 多无人机任务分配的多目标优化方法及装置
Eun et al. Cooperative task assignment/path planning of multiple unmanned aerial vehicles using genetic algorithm
CN109960544B (zh) 基于数据驱动型敏捷卫星任务并行调度方法
Cobano et al. Path planning based on genetic algorithms and the monte-carlo method to avoid aerial vehicle collisions under uncertainties
Yuan et al. A cooperative approach for multi-robot area exploration
CN109933842A (zh) 一种基于约束满足遗传算法的移动目标单星任务规划方法
CN107864007A (zh) 面向区域目标的多星多地面站资源协同分配管理方法
CN111598473A (zh) 面向复杂观测任务的多平台联合任务规划方法
CN105095643A (zh) 面向动态环境的成像卫星自主任务规划方法
CN113612525A (zh) 基于约束满足的低轨互联网星座星地链路规划方法
CN106372766A (zh) 用于电磁干扰环境中的无人机路径规划方法
CN115801095B (zh) 面向无人机集群应用的空地中继通信控制方法
CN112733251A (zh) 一种多无人飞行器协同航迹规划方法
CN113408063B (zh) 面向多星多侦察目标的轨道机动优化方法
CN114035913A (zh) 一种卫星多目标重复观测任务规划方法及终端
CN112668930A (zh) 基于改进教学优化方法的多星任务调度规划方法
CN111178419B (zh) 一种基于任务聚类的敏捷遥感卫星多目标任务规划方法
Yu et al. Mission scheduling optimization of multi-optical satellites for multi-aerial targets staring surveillance
MahmoudZadeh et al. A cooperative fault-tolerant mission planner system for unmanned surface vehicles in ocean sensor network monitoring and inspection
CN111917459A (zh) 一种多轨道器中继通信方法
Xiang et al. An effective memetic algorithm for UAV routing and orientation under uncertain navigation environments

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant