CN113779267B - 一种基于意图的星上智能任务决策方法 - Google Patents

Abstract

本发明公开了一种基于意图的星上智能任务决策方法，包括两个子模块，模块一是基于机器学习的意图参数实例化建模:通过将输入的格式化意图扩展成带有观测周期、空间分辨率等必要参数的结构化的意图。扩展参数的获取方式可以借助机器学习模型、根据指定规则或将机器学习模型和规则相结合；模块二是基于模板库推理的用户意图分解:根据意图和目标类型查询知识图谱得到不同的载荷任务清单。该方法实现将参数实例化后的基于模板库匹配进行扩充处理形成不同卫星或者同种卫星的任务序列集，便于后续智能规划模块直接调用。

Description

一种基于意图的星上智能任务决策方法

技术领域

本发明属于卫星定位领域，具体属于卫星监控技术，是一种基于意图的星上智能任务决策方法。

背景技术

传统地面离线管控模式下卫星并不具备自主能力，对载荷参数的修正只能被动进行，由于数据下传和指令上注存在一定滞后，该方式不能很好地根据卫星的实时情况进行修正，缺乏对动态环境的适应性。因此，需要在星上自主进行载荷参数的修正工作，对环境做出最及时的响应，提高资源利用效率，保障卫星的稳定运行。实现将简单描述的任务集通过任务参数回归和资源智能匹配进一步转换为计算机系统可识别的、形式规范的任务描述，可直接作为任务规划模块的输入。

而自主卫星在执行任务时，会产生大量的对地观测动作、数据回传动作、对日定向动作等数据，可以引入机器学习的模块来解析这些数据，让卫星可以通过自动获取知识的方式，提高自主规划模块的性能。把机器学习与自主卫星任务决策结合涉及到对环境和卫星自身关键信息提取、状态监视和综合评估、基于历史数据和决策模型调整调度策略等多个研究问题。未来星载计算机能力逐渐加强、自主卫星应用场景不断拓宽，对智能化自主卫星的决策能力、任务规划能力也会有更高的研究需求。

在现有技术中，传统的地面站规划方式存在时延高、耗费人力、资源利用率低且可能出现信息在传输过程中丢失等问题。而面向意图的星上智能任务决策方法，可以减少地面站的介入，极大提高卫星的运行效率，增加卫星系统的智能性，解决地面站规划存在的缺陷。

发明内容

本发明的目的在于以推理模块输出的或者地上指令给出的宏观意图为输入，将意图自动分解成可规划的任务指令集。通过基于机器学习的意图参数实例化建模和基于模板库推理的用户意图分解，实现了对复合任务模型以及多种卫星类型的支持。

本发明采用以下技术方案，包括：一种基于意图的星上智能任务决策方法，具体包含如下步骤：

S1地面上注意图信息预处理；

S11信息抽取：对地面上注意图信息进行正则表达式抽取，获得信息中具有固定形式且缺乏语法结构的信息；

S12信息分词：对剩余信息抽取后信息部分进行分词，按照词粒度进行分割，并对每个词进行词性标注，以进行信息结构化；

S13信息识别：使用命名体识别对信息中的实体对象进行识别，获得信息中的关键实体；

S14信息结构化：分析句子的语法结构，标记语法关系和对应的词下标，从而生成结构化的意图；

S2基于机器学习的意图参数实例化建模：实现通过将推理模块输入的或者地面上注的宏观意图扩展成带有观测周期、任务优先级、空间分辨率等必要参数的结构化的意图；

S3基于模板库推理的用户意图分解：根据意图和目标类型查询知识图谱得到不同的载荷任务清单。

进一步地，上述S12信息分词步骤中，设置伪分词数据库，将低频词进行存储。

同时，对于S2启发式智能任务推理：

S21建立数据集：将历史推理模块输出的或者地上指令给出的宏观意图作为输入变量X，其对应的观测周期、任务优先级、最低成像质量等具体属性作为输出变量Y，建立X-Y样本数据集；

S22数据集分割：数据集中的80％用作训练集，20％用作测试集；

S23构建模型库：模型库中的多个模型进行训练，对于每个模型实现参数调整和特征优化以提升模型效果；

S24模型训练：使用S22中的训练接对S23模型库中的多个模型进行训练，对于每个模型实现参数调整和特征优化以提升模型效果；

S25模型融合：针对不同模型进行效果评估，依据评估结果选取所需模型果，并将所选取的模型进行模型融合，进一步提升模型的准确率。

具体地，所述步骤S23构建模型库及步骤S24模型训练中，选取XGBoost模型，使用K个累加的函数来预测输出：

其中，

是回归树的空间，q代表每个树的结构，其可以将每个样本映射到对应的叶节点中，T是树中叶子节点的个数，每个回归树在每一个叶节点上包含一个连续分数值，代表第i个结点的分数，是对样本x的打分，即模型预测值。

进一步地，对于每个样本，通过累加对应叶子中的分数w来获得最终的预测。为了学习模型中使用的函数集合，需最小化下列正则化目标：

其中l是一个可微凸损失函数，度量预测值与目标值之间的差，第二项Ω惩罚模型的复杂度，能够平滑每个叶节点的学习权重来避免过拟合。

进一步地，正则化的目标将倾向于选择采用简单和预测函数的模型，XGBoost的树集合模型以函数作为参数，采用加法学习方式训练，训练开始于一个常数预测，每次增加一个新的函数学习当前的树，找到当前最佳的树模型加入带整体模型中，学习第t棵树，寻找最佳的f_t，增加f_t并最小化目标函数，其中

是在第t次迭代时样本i的预测值：

第t轮的模型预测等于前t-1轮的模型预测加上f_t，

这意味着贪婪地添加最能改善模型的f_t，根据二阶泰勒近似展开：

此时，损失函数变为：

在损失函数中，g_i和h_i是一阶和二阶梯度统计。这就是XGBoost的特点：通过这种近似，可以自行定义一些损失函数(例如，平方损失，逻辑损失)，只要保证二阶可导。将常数项移除,得到了第t步的简化的目标函数：

接着重新定义每棵树，通过定义为叶子节点j中的样本集合。

进一步地，通过扩展惩罚项，根据叶节点重新组合目标函数：

对于一个固定的结构q(x)，计算叶节点j的最优权重，此时目标函数转为:

此时

被用作一个评分函数以度量树结构q的质量。

与现有技术相比较，本发明能够很清晰地将推理模块输出的或者地上指令给出的宏观意图自动分解成可规划的任务指令集，减少时间延迟、信息损失以及人员损耗，真正赋予卫星任务决策能力。

附图说明

图1是本发明的基于意图的星上智能任务决策整体框架；

图2是本发明的星上智能决策流程图；

具体实施方式

为使本发明的技术特征更加清楚，下面将结合附图使用具体的实施样例对本发明的技术方案进行描述。

如图1所示的卫星群的启发式智能任务推理与决策流程图，推理模块的意图输出形式为已规定的结构化输出，作为基于意图的星上智能任务决策的输入，此时的属性包括意图、载荷、目标、目标区域、高度、频率、结束时间以及载荷可选。此时属性还很简略，未包含规划需要得知的重要属性，例如分辨率、任务优先级、最低成像质量等。因此，为了将意图分解为可规划的任务序列，首先需要建立意图参数实例化模型，将意图的重要参数实例化，其重要参数包括目标类型、观测周期、持续时间、空间分辨率、任务优先级以及最低成像质量，得到重要参数实例化的规范化描述意图。在转化为规范化描述意图的基础上，匹配不同意图的模板库，得到针对不同卫星以及不同目标的可规划任务集，使之可以直接作为任务智能规划模块的输入。

如图2所示的星上智能决策流程图，具体过程为：S1地面上注意图信息预处理，S11信息抽取：对地面上注意图信息进行正则表达式抽取，获得信息中具有固定形式且缺乏语法结构的信息；S12信息分词：对剩余信息抽取后信息部分进行分词，按照词粒度进行分割，并对每个词进行词性标注，以进行信息结构化；S13信息识别：使用命名体识别对信息中的实体对象进行识别，获得信息中的关键实体；S14意图结构化：分析句子的语法结构，标记语法关系和对应的词下标，从而生成结构化的意图。

进一步地；上述S12信息分词步骤中，设置伪分词数据库，将低频词进行存储。具体地，现有的分词模型普遍存在未登录词和歧义分词问题，例如：组合型歧义和交集型歧义。其中，未登录词是指词典中没有收录、模型不认识的词语，可以通过用户自定义词典来解决。而对于歧义分词，则需要对模型进行修正，例如地面上注意图“对黑龙江省大兴安岭西林吉林区进行监控”，往往会被分割为“对”、“黑龙江省”、“大兴安岭”、“西林”、“吉林”、“区”、“进行”、“监控”，正确的分词结果应该为“对”、“黑龙江省”、“大兴安岭”、“西林吉”、“林区”、“进行”、“监控”，不难看出，造成歧义分词的主要原因是“西林吉林区”中“吉林”和“区”都是高频字词，而“西林吉”是低频词，分词模型更趋向于将文本分为多个高频词，因此需要增加一个专门的伪分词字段库，分词时进行最大正向匹配，在本例中，将“西林吉”加入到伪分词字段库中后，模型分词时优先匹配“西林”，从而得到正确的分词结果。

特别地，推理模块给出的意图已经是格式化了的，S1地面上注意图信息预处理步骤仅需要对于地面上注意图进行预处理。

S2基于机器学习的意图参数实例化建模，S21建立数据集：将历史推理模块输出的或者地上指令给出的宏观意图作为输入变量X，其对应的观测周期、任务优先级、最低成像质量等具体属性作为输出变量Y，建立X-Y样本数据集；S22数据集分割：为了使训练好的模型能在新数据上表现良好，对可用数据进行数据分割，S21建立的数据集中的80％用作训练集，20％用作测试集。S23构建模型库：意图参数实例化本质为机器学习中的回归与分类问题，模型库主要包括XGBoost、SVM、LR等模型；S24模型训练：使用S22中的训练接对S23模型库中的多个模型进行训练，对于每个模型实现参数调整和特征优化以提升模型效果；S25模型融合：针对不同模型进行效果评估，依据评估结果选取所需模型果，并将所选取的模型进行模型融合，进一步提升模型的准确率。

具体地，上述S23构建模型库及S24模型训练步骤中，以XGBoost模型为例，其使用K个累加的函数来预测输出：

其中，

是回归树的空间，q代表每个树的结构，其可以将每个样本映射到对应的叶节点中，T是树中叶子节点的个数，每个对应于一个独立的树结构q和叶子权重w。不同于决策树，每个回归树在每一个叶节点上包含一个连续分数值，代表第i个结点的分数,是对样本x的打分，即模型预测值。对于每个样本，通过累加对应叶子中的分数w来获得最终的预测。为了学习模型中使用的函数集合，需最小化下列正则化目标：

其中l是一个可微凸损失函数，度量预测值与目标值之间的差。第二项Ω惩罚模型的复杂度，能够平滑每个叶节点的学习权重来避免过拟合。直观地，正则化的目标将倾向于选择采用简单和预测函数的模型。XGBoost的树集合模型以函数作为参数，采用了加法学习方式训练。训练开始于一个常数预测，每次增加一个新的函数学习当前的树，找到当前最佳的树模型加入带整体模型中。因此关键在于学习第t棵树，寻找最佳的f_t，增加f_t并最小化目标函数，其中

是在第t次迭代时样本i的预测值：

第t轮的模型预测等于前t-1轮的模型预测加上f_t。

这意味着贪婪地添加最能改善模型的f_t。根据二阶泰勒近似展开：

设定,此时损失函数变为：

在损失函数中，g_i和h_i是一阶和二阶梯度统计。这就是XGBoost的特点：通过这种近似，可以自行定义一些损失函数(例如，平方损失，逻辑损失)，只要保证二阶可导。将常数项移除,得到了第t步的简化的目标函数：

接着重新定义每棵树，通过定义为叶子节点j中的样本集合。通过扩展惩罚项，根据叶节点重新组合目标函数：

对于一个固定的结构q(x)，我们可以计算叶节点j的最优权重，此时的目标函数转为:

此时的

可以被用作一个评分函数来度量树结构q的质量。该评分是针对更广泛的目标函数得出的，类似于评估决策树的杂质评分。我们只需要将每个叶子结点的梯度与二阶梯度相加，接着应用评分公式来获得质量分数。但是通常不可能枚举所有可能的树结构q。而是使用从单个叶结点开始，并迭代地向树添加分支的贪心算法。假设和是拆分后左右节点的实例集。，拆分之后的损失减少为：

这个公式通常被用于评估分割候选集(选择最优分割点)，其中前两项分别是切分后左右子树的的分支之和，第三项是未切分前该父节点的分数值，最后一项是引入额外的叶节点导致的复杂度。XGBoost模型确定了怎么选择最优分割点，最优分割点即上面阐述的输入属性之一的分割方式，例如：目标的不同类型分割、目标坐标的不同阈值分割等，确定了每次的最优分割点之后既可以构建回归树，采用训练集训练得到完整的回归模型，针对新的输入，可以直接由模型得到规范化描述的连续属性输出。

S3基于模板库推理的用户意图分解，根据意图和目标类型查询知识图谱得到不同的载荷任务清单。实现将参数实例化后的基于模板库匹配进行扩充处理形成不同卫星或者同种卫星的任务序列集，便于后续智能规划模块直接调用。

进一步地，S3中模板库拥有的模板有三种类型，其类型是根据产生几种类型的任务划分，分别为需要同时动用三种资源：电子/光学/SAR；只需要两种资源：电子/光学或者SAR；只需一种资源：光学或者SAR。每个意图智能地选择模板进行匹配，根据其任务优先级以及意图本身属性，选择最适合的模板来帮助得到最后的任务清单。进一步地，第一种模板是对应三种资源的任务，这种类型的任务是优先级为最高的任务，比如目标指示和打击效果评估的意图产生的任务需要调动最大资源，此时会对应此种模板，生成三种资源的任务清单序列，此时将会将目标完成最为最高优先级去全力完成任务。此模板中，光学卫星任务属性中的依赖关系ID、前序关系ID以及成像模式将会根据任务中目标类别以及意图得到推算；SAR卫星任务属性中的依赖关系ID、前序关系ID\SAR工作频段、极化方式以及成像模式将会根据任务中目标类别、目标属性以及意图得到推算；电子卫星任务属性中的依赖关系ID、前序关系ID、频率类型、任务模式标志以及任务类型将会根据任务中目标类别、意图种类以及其他意图参数化得到的属性进行推算得知。

第二种模板是对应两种资源的任务，这种类型的任务是资源受到限制但优先级比较高的任务，比如搜索发现和识别验证的意图产生的任务需要尽快实施但是优先级没有到最高，此时会产生一些两种资源的任务清单，规划模块会根据当时的资源空闲进行规划，同时生成两种资源的任务清单序列，此时两种资源是方便规划模块进行更方便快捷、资源损耗少的规划，更快更好完成任务。此模板中，会根据时间和云朵情况来判断使用光学卫星或者SAR卫星，光学卫星任务属性中的依赖关系ID、前序关系ID以及成像模式将会根据任务中目标类别以及意图得到推算；SAR卫星任务属性中的依赖关系ID、前序关系ID\SAR工作频段、极化方式以及成像模式将会根据任务中目标类别、目标属性以及意图得到推算；电子卫星任务属性中的依赖关系ID、前序关系ID、频率类型、任务模式标志以及任务类型将会根据任务中目标类别、意图种类以及其他意图参数化得到。

第三种模板只对应一种资源，这种类型的任务是优先级一般而且只需通过成像来实施的任务，比如早期预警和态势普查的意图产生的任务优先级没有到最高且只需要成像卫星来实施的，此时会产生一些单种资源的任务清单，由于优先级不太高，规划模块可以根据资源的空闲窗口来规划，同时会生成单种资源的任务清单序列。此模板中，会根据时间和云朵情况来判断使用光学卫星或者SAR卫星，光学卫星任务属性中的依赖关系ID、前序关系ID以及成像模式将会根据任务中目标类别以及意图得到推算；SAR卫星任务属性中的依赖关系ID、前序关系ID\SAR工作频段、极化方式以及成像模式将会根据任务中目标类别、目标属性以及意图得到推算。

本发明能够实现如下技术效果：

本发明能够很清晰地将推理模块输出的或者地上指令给出的宏观意图自动分解成可规划的任务指令集，减少时间延迟、信息损失以及人员损耗，真正赋予卫星任务决策能力。

Claims (2)

1.一种基于意图的星上智能任务决策方法，其特征在于：

S1地面上注意图信息预处理；

S11信息抽取：对地面上注意图信息进行正则表达式抽取，获得信息中具有固定形式且缺乏语法结构的信息；

S12信息分词：对剩余信息抽取后信息部分进行分词，按照词粒度进行分割，并对每个词进行词性标注，以进行信息结构化；

S13信息识别：使用命名体识别对信息中的实体对象进行识别，获得信息中的关键实体；

S14信息结构化：分析句子的语法结构，标记语法关系和对应的词下标，从而生成结构化的意图；

S2基于机器学习的意图参数实例化建模：将地上指令给出的宏观意图作为输入变量；

S21建立数据集：将地上指令给出的宏观意图作为输入变量X，其对应的观测周期、任务优先级、最低成像质量作为输出变量Y，建立X-Y样本数据集；

S22数据集分割：数据集中的80％用作训练集，20％用作测试集；

S23构建模型库：对于模型库中多个模型的每个模型实现参数调整和特征优化以提升模型效果；

S24模型训练：使用S22中的训练集对S23模型库中的多个模型进行训练；

选取XGBoost模型，使用K个累加的函数来预测输出：

其中，F＝{f(x)＝w_q(x)}(q：R→T，w∈R^T)是回归树的空间，q代表每个树的结构，其可以将每个样本映射到对应的叶节点中，T是树中叶子节点的个数，每个回归树在每一个叶节点上包含一个连续分数值，代表第i个节点的分数，是对样本x_i的打分，即模型预测值；

对于每个样本，通过累加对应叶子中的分数来获得最终的预测；为了学习模型中使用的函数集合，需最小化下列正则化目标：

其中l是一个可微凸损失函数，度量预测值与目标值之间的差，Ω为惩罚模型的复杂度，能够平滑每个叶节点的学习权重来避免过拟合；

正则化目标采用简单的预测函数模型实现，XGBoost的树集合模型以函数作为参数，采用加法学习方式训练，训练开始于一个常数预测，每次增加一个新的函数学习当前的树，找到当前最佳的树模型加入到整体模型中，学习第t棵树，寻找最佳的f_t，增加f_t并最小化正则化目标，其中

是在第t次迭代时样本x_i的预测值：

第t轮的模型预测等于t-1轮的模型预测加上f_t，

这意味着添加最能改善模型的f_t，根据二阶泰勒近似展开：

目标函数变为：

在目标函数中，g_i和h_i是一阶和二阶梯度统计，将常数项移除，得到了第t步的简化的目标函数：

接着重新定义每棵树；

通过扩展惩罚项，根据叶节点重新组合目标函数：

对于一个固定的结构q(x)，通过定义为叶子节点j中的样本集合,计算叶子节点j的最优权重，此时目标函数转为：

此时

被用作一个评分函数以度量树结构q的质量；

S25模型融合：针对不同模型进行效果评估，依据评估结果选取所需模型，并将所选取的模型进行模型融合，进一步提升模型的准确率；

S3基于模板库推理的用户意图分解：根据意图和目标类型查询知识图谱得到不同的载荷任务清单。

2.根据权利要求1所述的基于意图的星上智能任务决策方法，其特征在于：上述S12信息分词步骤中，设置伪分词数据库，将低频词进行存储。

Images