CN114169066A - 基于微纳星群抵近侦察的空间目标特性测量、侦察方法 - Google Patents
基于微纳星群抵近侦察的空间目标特性测量、侦察方法 Download PDFInfo
- Publication number
- CN114169066A CN114169066A CN202111110259.8A CN202111110259A CN114169066A CN 114169066 A CN114169066 A CN 114169066A CN 202111110259 A CN202111110259 A CN 202111110259A CN 114169066 A CN114169066 A CN 114169066A
- Authority
- CN
- China
- Prior art keywords
- constellation
- task
- target
- space
- satellite
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000005259 measurement Methods 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000013508 migration Methods 0.000 claims abstract description 8
- 230000005012 migration Effects 0.000 claims abstract description 8
- 238000002360 preparation method Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 23
- 230000009471 action Effects 0.000 claims description 22
- 230000008447 perception Effects 0.000 claims description 22
- 238000013459 approach Methods 0.000 claims description 19
- 238000011217 control strategy Methods 0.000 claims description 14
- 230000002787 reinforcement Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000015572 biosynthetic process Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 11
- 230000003044 adaptive effect Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003042 antagnostic effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 241000408659 Darpa Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 240000000543 Pentas lanceolata Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
微纳星群抵近侦察的空间目标特性测量、侦察方法,包括任务准备阶段和任务执行阶段;任务准备阶段包括以空间目标特性测量为目标,结合微纳卫星机动能力与载荷探测能力,分解单颗卫星工作任务目标和能力需求,基于此构建星群;任务执行阶段包括迁移机动、抵近侦察等。本发明建立了一种星间智能、协同、自主的工作模式示范,可推广应用于在轨维护、天基通信、对地遥感等使用编队/星群/星座的领域,极大的改变未来空间卫星测控和工作的方式与方法;通过星群抵近侦察进行空间目标特性测量,并给出了任务执行的工作流程,作为目标特性的新型数据源,能够提供空间应用亟需的在轨视角目标特性信息,及时填补相关领域目标特性信息获取的空白,极大的提高进入空间和利用空间的能力。
Description
技术领域
本发明涉及航空航天技术领域,是一种基于微纳星群抵近侦察的空间目标特性测量方法以 及应用于该测量方法抵近侦察高价值非合作航天器的侦察方法。
背景技术
目标特性是航天器探测设备发展、使用和决策的战略基础信息。及时获取详实准确的未知 空间目标特性,是精确筹划与决策、掌控空间态势的基础条件,也是应对日益激烈的空间对抗 形势的重要基点。抵近侦察能够获得更高精度、更高可靠些和更符合在轨操作等需求的目标特 性数据。美国曾利用GSSAP间谍卫星多次抵近我国高轨卫星,开展多尺度全方位绕飞侦察, 对我国核心通信卫星的安全产生极大威胁。X-37B飞行期间也曾被曝光开展了抵近测量任务。
相比传统大卫星的建设成本高、研制周期长、任务目的性易发觉等,微纳星群有隐蔽性好、 覆盖范围广、形成工作能力迅速等优点,是空间抵近侦察的极佳选择。鉴于微纳星群的优点, 针对空间目标特性信息的迫切需求,利用微纳星群开展对某些高价值非合作航天器的抵近侦 察,获取特性测量数据,有着重要的价值及应用前景。实际上,微纳星群相关技术虽然已经在 国内外得到广泛重视,且国外已开展多个在轨验证计划,如康奈尔大学芯片卫星集群KickSat、 DARPA分离模块航天器集群(F6)计划、以色列纳星自主集群与地理定位计划(SAMSON)。 然而,现有公开的星群研发计划中,尚无针对空间目标特性测量的工作模式,抵近侦察方式更 是没有涉及。此外,报道中的人工智能方法在航天领域的应用多是针对某些技术点展开,缺乏 针对目标非合作特征的完整技术方案。
通过已在轨部署的微纳星群抵近空间目标进行特性测量,不但需要通过复杂的卫星姿轨变 换,实现对星群构型、卫星轨道、载荷工作状态的有效规划与协同控制,完成目标抵近过程; 还需要不断快速自主感知星群状态、目标状态和环境的变化,辅助任务决策与控制策略的动态 优化,自适应获取所需测量信息。因此,需要解决三个核心难题:一是经验缺乏、需求与约束 时变的动态规划问题,该问题的有效解决,是飞抵目标前实现星群任务决策、抵近侦察轨道与 星群构型设计、载荷工作策略制定等的前提,也是抵近测量过程中实现星群及载荷任务决策动 态调整的重要保障;二是数量庞大、构型时变、状态约束强的群体协同控制问题,该问题的有 效解决,是实现星群精准的轨道机动、姿态控制、构型维持与变换,从而飞抵目标和执行近距 离全方位测量的技术基础;三是目标未知、态势复杂、时效性强的自适应感知问题,该问题的 有效解决,是保障抵近过程有效实现和提高特性测量数据质量的必要技术手段。
发明内容
本发明建立基于微纳星群抵近侦察的空间目标特性测量的工作流程,并基于知识学习和 人工智能技术,提出星下、星上综合的抵近测量方法,基于此能够给出抵近测量全任务流程 的初步解决方案,为敏感空间目标特性的及时准确获取提供新途径。
本发明要解决的技术问题是,面向空间目标特性获取需求,提供一种微纳星群抵近侦察的 空间目标特性测量方法,服务于空间目标侦察、预警等领域的信息获取需求。
本发明的技术方案是一种微纳星群抵近侦察的空间目标特性测量方法,其特征在于建立抵 近测量任务流程,综合星下和星上处理过程,提出抵近测量的规划决策、协同控制与智能感知 的全流程数据处理方法,具体如下:
(1)本发明提出了一种基于微纳星群抵近侦察的空间目标特性测量工作流程,该流程包 含任务准备和任务执行两个主要阶段:
a)任务准备阶段,首先,以空间目标特性测量为目标,结合微纳卫星机动能力与载荷探 测能力,分解单颗卫星工作任务目标和能力需求,基于此构建星群;其次,利用大型航天器为 载体实现星群发射和在轨释放,运送微纳卫星至指定位置附近释放;所述指定位置附近为:接 近高价值航天器/感兴趣空间目标轨道附近或满足一定覆盖性的区域内;最后,卫星适当机动, 抵达待命区域,完成轨道部署并建立星群内部通信,等待任务指令,保证足够数量的卫星在接 收任务后快速抵近目标并形成工作构型;
b)任务执行阶段,迁移机动:首先,根据任务指令,针对目标测量需求,进行星群的子群遴 选;其次,根据空间位置关系,遴选后的卫星迁移到一定地点,利用已建立的规划决策模型(这 里的决策模型指“星群知识图谱和对抗深度强化学习系统”),按照任务需求进行侦察任务自 主规划,重构星群构型,完成转移与探测轨道设计、载荷工作方式与时机选择;最后,星群协 同控制,自主进行轨道机动,抵达任务区域;
抵近侦察:根据目标特征及卫星探测能力,星群协同控制,自主实现交会、伴飞、饶飞轨 道姿态控制过程,并控制传感器自适应获取目标特性测量数据,同时及时感知目标、环境和任 务态势等的变化,自主调整规划决策与控制策略。
(2)本发明将抵近侦察过程分解为星下和星上两部分,建立星群规划决策、协同控制与 智能感知等方法,提供星群抵近测量的体系化解决方案。
a)星下处理部分完成任务前的星群规划决策,通过面向任务的星群知识图谱完成星群知 识的关联分析与体系构建,通过对抗深度强化学习系统完成星群任务规划决策建模,该部分是 星群的静态知识学习,在星下完成小样本/零样本的智能决策知识体系构建,并将其在星群部 署或等待任务阶段上注到卫星,作为执行任务的能力基础。
b)星上处理部分完成抵近侦察任务过程中的星群协同控制、智能感知与动态决策,利用 群体智能方法实现星群轨道、姿态与载荷等的协同控制,利用主动感知和迁移学习技术完成目 标信息与任务态势等的智能感知,利用持续学习技术完成抵近侦察工作的在轨动态决策,该部 分是星群的动态知识学习,在星上完成自适应感知与自主决策,并获得在线知识,达到更新任 务知识体系,提高任务执行能力的目的。
本发明还公开一种高价值非合作航天器的抵近侦察方法,包括上述的微纳星群抵近侦察的 空间目标特性测量方法。
有益效果
抵近侦察是星群未来发展的主要工作模式之一,本发明建立星群在轨抵近测量的工作流 程和技术方案,具有体制新颖、应用广泛、军事价值突出和理论效益显著等有益性。
本发明建立基于微纳星群抵近侦察的空间目标特性测量的工作流程,并基于知识学习和 人工智能技术,提出星下、星上综合的抵近测量方法,基于此能够给出抵近测量全任务流程 的初步解决方案,为敏感空间目标特性的及时准确获取提供新途径。
附图说明
图1是基于微纳星群抵近测量空间目标特性的工作流程示意图;
图2是通过知识体系构建及应用实现星群抵近测量的方法步骤示意图;
图3是微纳星群知识图谱示例;
图4是基于对抗深度强化学习的星群智能决策的基本思路;
图5是自主控制策略的决策树示意图;
图6是基于迁移学习的态势变化自适应感知流程;
图7是基于持续学习的决策优化流程。
具体实施方式
本发明在构建抵近测量任务流程基础上,基于知识学习和人工智能技术,将任务分解为星 下和星上两部分,建立星群规划决策、协同控制与智能感知方法,提供星群抵近测量的体系化 解决方案,满足空间目标特性及时准确获取的需求。
一种微纳星群抵近侦察的空间目标特性测量方法,包括建立抵近侦察工作流程和提供全流 程的技术方案。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以 相互结合,下面对发明的具体实施方式作详细说明。
基于微纳星群抵近侦察的空间目标特性测量方法包括如下内容:
本发明提出利用微纳星群协同自主完成非合作空间目标抵近测量的构想,应用场景是微纳 星群协同工作、自主飞抵空间目标附近,进行任意视角、不同精细程度的目标特性测量。工作 流程如图1所示,包含任务准备和任务执行两个步骤,共5个环节,智能规划、自主决策、协 同控制、自适应感知等需要贯穿星群执行任务的全过程。
步骤一:任务准备
所述步骤完成微纳星群的发射与在轨释放部署,为抵近侦察提供基础条件。
首先,以空间目标特性测量为目标,结合微纳卫星机动能力与载荷探测能力,分解单颗卫 星工作任务目标和能力需求,基于此构建星群。任务能力分解以卫星平台载重和供电能力为约 束;,单颗卫星搭载载荷尽量单一(如导航、通信中继、计算存储、特性测量等),便于卫星 量产,加快星群建设进度,降低星群建设成本。
其次,利用火箭多次搭载实现星群发射和在轨释放,或者以大型航天器为载体,运送微纳 卫星至指定位置附近释放(接近高价值航天器轨道或满足一定覆盖性的区域内)。
最后,卫星适当机动,抵达待命区域(使星群轨道分布位于待侦察高价值航天器轨道附近, 或者满足一定覆盖性的区域内),完成轨道部署并建立星群内部通信,等待任务指令,保证足 够数量的卫星可以在接收任务后快速抵近目标并形成工作构型。
步骤二:任务执行阶段
所述步骤依据任务需求、待侦察目标类型及轨道参数等,利用群体智能技术自主实现任务 规划与在线调整、队形有效保持与快速重构、平台状态与载荷工作模式协同控制、目标特征在 线感知、测量数据自适应获取,从而独立完成抵近测量任务,同时在线完善星群知识体系,达 到平时积累数据、战时快速侦察的作战目的。该步骤包含迁移机动、抵近侦察环节:
1)迁移机动
首先,根据任务指令,针对目标测量需求,进行星群的子群遴选;其次,根据空间位置关 系,遴选后的卫星迁移到一定地点,利用已建立的规划决策模型,按照任务需求进行侦察任务 自主规划,重构星群构型,完成转移与探测轨道设计、载荷工作方式与时机选择等;最后,星 群协同控制,自主进行轨道机动,抵达任务区域。
2)抵近侦察
根据目标特征及卫星探测能力,星群协同控制,自主实现交会、伴飞、饶飞等轨道姿态控 制过程,并控制传感器自适应获取目标特性测量数据,同时及时感知目标、环境和任务态势等 的变化,自主调整规划决策与控制策略。
通过已在轨部署的微纳星群抵近空间目标进行特性测量,不但需要通过复杂的卫星姿轨变 换,实现对星群构型、卫星轨道、载荷工作状态的有效规划与协同控制,完成目标抵近过程; 还需要不断快速自主感知星群状态、目标状态和环境的变化,辅助任务决策与控制策略的动态 优化,自适应获取所需测量信息。为此,本发明将抵近侦察过程分解为星下和星上两部分,如 图2所示,基于已有知识体系构建面向任务的星群知识图谱,综合运用对抗深度强化学习、群 体协同控制、主动感知、迁移学习和持续学习等人工智能方法构建群体智能技术方案,确保星 群抵近空间目标测量任务的高效达成。
本发明将抵近侦察过程中星下部分包括如下内容:
基于小样本/零样本的星下智能决策知识体系构建:
如图2所示,在星下,所述步骤结合任务需求、约束条件、卫星属性、任务场景等开展任 务前规划决策的静态知识学习,建立初步的星群规划与决策能力。核心出发点是紧贴问题需求、 综合发挥微纳星群离线知识储备、对抗性仿真学习的技术优势,包含知识图谱构建和决策建模 两个环节:
1)面向任务的星群知识图谱构建
本部分是离线状态(星下)对微纳星群的任务特点进行分析,将任务分解,基于先验信息 构建微纳星群知识体系,即针对微纳卫星组网、特性测量与抵近侦察任务背景,获取相关先验 信息,在建立数据支撑平台基础上,按照知识建模、抽取、融合与挖掘的步骤,建立知识图谱 作为星群自主决策的知识依据。
知识图谱是一种用图模型来描述知识和对事物间关联关系建模的方法,由节点和边组成。 节点是实体或抽象的概念,边是实体的属性或实体间关系。本发明的出发点就是利用知识图谱 对星群领域的知识进行模型化表达,从而为星群执行相关任务的自动规划和决策提供输入或约 束。所述星群领域知识包括任务需求的规则表达、约束条件、卫星能力、卫星属性、卫星协同 方式、轨道等。所述知识建模即是对这些知识构建出包括由异质节点与边组成的具有时空属性 的知识图谱。知识图谱建模时,同时使用了实体、概念、属性和关系等构建点和边,节点—— 实体、概念,边——属性、节点间关系。具体实现时,概念可包含卫星、载荷、测量行动等; 实体可包含星群,载荷,目标,环境,任务等;属性可包括构型、轨道、功能、性能、类型等; 关系等可包括相同系列卫星、相同星群、配备载荷、信息传输、监视等。
知识抽取。知识抽取是从不同来源、不同结构的数据中进行知识提取(包括实体提取、关 系提取、事件提取等),并在建模基础上形成知识样本并存入知识图谱。提取过程采取人工标 注加自动识别等方式,如通过对文本的自然语言分析实现实体和事件抽取,并获得事件等。根 据前述知识模型,知识抽取后获得的典型样本形式“点——边——点”,如“目标(实体)— —满足(关系)——类型(实体)”、“星群(实体)——包含(关系)——卫星(实体)”、 “卫星(实体)——具备(关系)——载荷(实体)”。
知识融合与挖掘。在进行了知识建模和图谱所学的格式抽取后,知识融合与挖掘是建立网 状图谱的关联关系,可以利用成熟的商用软件实现。这里建立的是领域知识图谱,图谱示例如 图3所示。
2)基于对抗深度强化学习的星群任务规划决策建模
本部分是离线状态(星下)通过对抗仿真的方式,建立星群智能决策的最优机制与方法。 这里将构建深度学习网络,利用任务目标、对抗规则和相关联的样本(来自前述的知识图谱) 作为输入,开展对抗性学习训练,形成不同情形下的星群行为决策机制与方法,基本思想如图 4所示。在基于深度网络的对抗性学习训练中,通过不断变换目标轨道、星群分布、机动路线 等输入条件,星群智能体不断与环境交互,以试错方式获得最优策略。该网络包括规则与输入 数据、动作空间D、状态空间S、奖赏值函数R等四个基本要素,具体如下。
首先是建立规则与汇集输入数据。利用相关联的数据生成环境、目标、星群、传感器等训 练要素,进而基于星群知识图谱构建对抗规则,生成自对抗数据,用于训练深度强化网络。
其次是状态空间和动作空间设计。对于状态空间S,主要是在任务起始、关键航路点和抵 近测量的关键时间切片,给出星群的状态,包括构型、群位置、群速度、群工作状态等。对于 动作空间D,主要是刻画星群完成探测任务的操作,包括星群动作(构型保持、典型构型间变 换、群位置迁移轨迹等)、单星动作(无机动飞行、轨道机动方式、姿态等)、传感器动作(开 关机等)。
再次是构建奖赏值函数R。
R=Ra-Rt
其中,Ra是星群探测被规避的奖赏值函数,Rt是对方目标可探测度,与目标特性相关。
Ra=f(r,a)·g(r,a,E)
探测规避优势函数f(r,a)是距离r和方位a的函数,探测优势g(r,a,E)是距离r、方位a和能 量E的函数。
最后是进行网络优化。方法是
a)构建从状态s∈S经过动作d∈D到状态s'∈S的奖励函数R(s,d,s');
b)遍历所有动作,选出最大化奖励函数的参数动作
π(d/s)=argmax∑R(s,d,s')+γυ(s')
υ(s')是空间约束条件,γ是影响因子,可在网络训练过程中根据实际情况设置。
本发明将抵近侦察过程星上部分包括如下内容:
面向抵近策略任务的星上协同控制、智能感知与动态决策
如图2所示,在星上,所述步骤通过设计星群协同控制和智能感知及动态决策机制与方法, 建立在线自适应感知与规划能力。这些方法反馈至星下,可以实现星下智能化能力的持续更新, 获得自适应感知与规划的动态知识。核心出发点是紧贴问题需求、综合发挥对抗性仿真学习、 在线智能化系统控制、知识动态更新等的技术优势,包含协同控制、智能感知与动态决策两个 环节。
1)基于群体智能的星群自主协同控制
本部分瞄准星群遂行任务中快速聚集与分散、构型保持与重构、群体博弈与操控等主要场 景需求,基于生物群体智能方法,建立基于分布式架构的星群协同控制技术,在线状态(星上) 为微纳星群提供基于群体智能的协同控制能力。
首先,将星群看作一个自组织网络,建立轨道约束下控制策略约束条件。
利用星群进行空间目标抵近测量,需要星群具备相对飞行轨道测量、抵近绕飞观测、数据 转发、观测数据处理、运动状态估计、感知动作实施、星群快速重构等功能。因此,这里建立 控制约束包括:a)星群在一定的范围内聚集或分散,满足运行轨道根数相似,集群内卫星轨 道距离有界;b)尽量选用与目标航天器一致的轨道,避免轨道摄动引起星群构型变形;c)星 群在轨运行期间,卫星个体间的距离随时间变化可控,演化关系可预测;d)根据碰撞预警安 全距离和概率阈值,设置碰撞规避约束;e)燃料消耗约束,以不影响卫星后续工作和寿命为 阈值。
其中,碰撞概率P可表示为在交会平面上两个卫星的碰撞圆内概率,计算方法是:
其次,根据前述约束条件,建立协同控制方法。
这里将星群个体间的轨道冲突约束描画为群体协商或博弈目标,基于“羊群归圈”的生物 群体行为模型建立协同控制方法。星群个体行为分解成如下几个部分:
a)个体向群体中心聚拢行为
式中,ui是个体控制项,根据具体问题的不同可以是速度或加速度。其中xi是个体当前的状态, 根据具体问题的不同可以是位置或速度。下标i是个体的编号。式中的表示群体的中 心,γi为控制的系数,N是目标数。
b)个体向群体密集处移动行为
其中,Sm表示具有m个成员的最密集集合,m为群体密集处的样本大小,ηi为控制的系数。
c)最邻近个体排斥行为
控制系数γi、ηi、κi根据工程经验设置。对于上述模型,结合控制约束条件,引入遗传算法等 优化算法,可以进行控制策略的求解。
最后,建立协同控制策略,使星群具备智能自主的控制能力。
这里,针对迁移、交会、悬停、绕飞、伴飞等任务场景的态势特点,按照前述方法建立目 标及星群的轨道约束,利用群体协同控制方法,分别建立快速聚集与分散、构型保持与重构的 约束目标。进而,根据这些控制任务目标与控制策略的对应关系,构建自主控制策略的决策树, 使星群具备智能自主的控制能力。
2)星群抵近测量的系统状态智能感知与动态决策
本部分是在线状态(星上)通过智能感知与动态决策技术,提升星群动态知识学习及应用 能力,使其能够根据目标、环境、任务状态的变化,快速高质量的完成自适应感知和规划决策, 辅助在线控制行为调整,提升任务执行的有效性和针对性。这是一个目标与环境感知、任务知 识更新、决策优化、决策知识更新的迭代优化过程。
a)基于主动感知的目标特性信息自主获取
这里以光学特性测量为例,目标特性自适应感知的过程,替换信息处理方法后,其它测量 设备可以参考执行。其基本思想是,基于已有知识体系,建立视觉注意机制,让星群或者卫星 个体能够快速自主的获取目标显著性特征,进而根据实时感知的信息及时调整观测策略,通过 在线强化学习,实现当前场景内目标的更好观测。具体地:
首先,显著性特征自主感知
星群测量目标时,基于像素在整个图像上的全局对比度,判断是否存在感兴趣目标特征, 锁定目标显著性特征区域。记第k像素图像的强度为Ik,通过下式计算对比度Sk,取前N个 最大值的区域作为显著性区域
Sk=||Ik-I1||+||Ik-I2||+…+||Ik-IM||
M为像素总数;N<M/5,具体数值根据实际目标设定。
其次,感知策略在线调整优化
此步骤是基于强化学习方法,主动调整相机参数,对显著性特征区域进行更细致的测量, 奠定自适应感知的基础,从而获得高效的视觉感知信息。具体做法是,基于已建立的知识库(前 述的图谱和决策网络),建立基于相似性度量建立奖励函数,通过强化学习网络,实现传感器 测量行为的优化。该网络的构建和解算与前文类似。
i)构建从状态x经过动作a到状态x'的奖励函数R(x,a,x')
ii)在每一步状态下遍历所有动作,选出最大化奖励函数的参数动作
π(a/s)=argmax∑R(x,a,x')+γυ(s')
其中x是当前相机状态量,x'是下一时刻相机状态量,a为当前相机调整动作。
b)基于迁移学习的态势变化自适应感知
太空中环境及目标类型(态势)会不断变化,新观测到的数据只有少量样本,新态势处于 小样本或零样本,本步骤通过迁移学习实现对新目标的自适应感知。基本思想是,在离线知识 库(图谱)的基础上,针对集群、环境、目标三类态势,利用数据、任务或模型之间的相似性, 将在旧领域学习过或训练好的模型,应用于新领域的过程。
在完成离线知识学习后,假设已获得了训练模型(如模型可分辨各种型号卫星、空间碎片、 卫星搭载的传感器),本步骤实现过程包括两个部分,实现方式如图6。
一是获取在线监督数据,查询知识图谱,将观测到的新样本数据(轨道机动或载荷工作模 式)与图谱已有数据进行相似性比对,没有相似结果的样本作为在新的监督数据。
二是知识迁移,根据在线标注的小样本数据,对已训练好的模型参数做微调,使其适用于 新的学习任务,如通过星群构型和载荷指向等的微调,便于在新轨道和新方向上对目标进行测 量。调整的依据是使更利于主动感知(便于步骤a)中对显著性区域进行观测和感知策略调整)。
c)基于持续学习的星群行为决策优化。
为应对任务执行中出现的对目标类型、目标特征或障碍物等的新认知,本步骤基于持续学 习的决策系统优化方法,充分利用动态新知识,提高星群行为决策/规划的有效性。本步骤实 现过程包括四个部分,实现方式如图7。
一是对观测到的数据通过查询知识图谱做标注,形成有监督的数据集。即在线感知获取目 标新载荷或部件的特征,与已有知识库进行对比,寻找到相似的载荷或部件类型,对其进行标 注,建立学习样本。
二是根据在线标注的小样本数据,对已训练好的模型参数做微调,获取知识迁移的数据, 使其适用于新的学习任务。
三是对上述样本和模型,开展强化学习(方法同前,不再赘述),更新决策网络,指导星 群重构和传感器测量等行为决策过程。
四是将新的网络作为新的星群知识反馈给已有知识库(线下),用于知识图谱扩充(扩充 过程与建立图谱过程相同),从而实现新知识的整合,更新知识体系,实现系统任务规划能力 循环上升。
本发明建立星群在轨抵近测量的工作流程和技术方案,具有体制新颖、应用广泛、军事价 值突出和理论效益显著等有益性,具体的:
(1)本发明建立了一种星间智能、协同、自主的工作模式示范,突破了传统依赖于地面 的卫星规划、控制、感知工作体制,可推广应用于在轨维护、天基通信、对地遥感等使用编队 /星群/星座的领域,极大的改变未来空间卫星测控和工作的方式与方法。
(2)本发明通过星群抵近侦察进行空间目标特性测量,并给出了任务执行的工作流程, 作为目标特性的新型数据源,能够提供空间应用亟需的在轨视角目标特性信息,及时填补相关 领域目标特性信息获取的空白,极大的提高进入空间和利用空间的能力。
(3)本发明建立完整的任务解决方案,实现了知识图谱、强化学习、群体智能等新技术 在航天领域的应用实践,能够有效促进大数据与人工智能等技术的发展与完善。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解, 本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本 发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本 发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.微纳星群抵近侦察的空间目标特性测量方法,所述测量方法分为任务准备阶段和任务执行阶段;其特征为:
所述任务准备阶段包括如下步骤:
首先,以空间目标特性测量为目标,结合微纳卫星机动能力与载荷探测能力,分解单颗卫星工作任务目标和能力需求,基于此构建星群;
其次,利用大型航天器为载体实现星群发射和在轨释放,运送微纳卫星至指定位置附近释放;所述指定位置附近为:接近高价值航天器/感兴趣空间目标轨道附近或满足一定覆盖性的区域内;
最后,卫星适当机动,抵达待命区域,完成轨道部署并建立星群内部通信,等待任务指令,保证足够数量的卫星在接收任务后快速抵近目标并形成工作构型;
所述任务执行阶段包括如下步骤:
迁移机动:首先,根据任务指令,针对目标测量需求,进行星群的子群遴选;其次,根据空间位置关系,遴选后的卫星迁移到一定地点,利用已建立的规划决策模型,按照任务需求进行侦察任务自主规划,重构星群构型,完成转移与探测轨道设计、载荷工作方式与时机选择;最后,星群协同控制,自主进行轨道机动,抵达任务区域;
抵近侦察:根据目标特征及卫星探测能力,星群协同控制,自主实现交会、伴飞、饶飞轨道姿态控制过程,并控制传感器自适应获取目标特性测量数据,同时及时感知目标、环境和任务态势等的变化,自主调整规划决策与控制策略。
2.根据权利要求1所述的微纳星群抵近侦察的空间目标特性测量方法,其特征为:所述抵近侦察过程分解为星下和星上两部分;所述星下部分包括基于小样本/零样本的星下智能决策知识体系构建;所述星上部分包括面向抵近策略任务的星上协同控制、智能感知与动态决策。
3.根据权利要求2所述的微纳星群抵近侦察的空间目标特性测量方法,其特征为:所述基于小样本/零样本的星下智能决策知识体系构建包括面向任务的星群知识图谱构建和基于对抗深度强化学习的星群任务规划决策建模步骤。
4.根据权利要求3所述的微纳星群抵近侦察的空间目标特性测量方法,其特征为:所述面向任务的星群知识图谱构建包括如下步骤:对微纳星群的任务特点进行分析,将任务分解,基于先验信息构建微纳星群知识体系,即针对微纳卫星组网、特性测量与抵近侦察任务背景,获取相关先验信息,在建立数据支撑平台基础上,按照知识建模、抽取、融合与挖掘的步骤,建立知识图谱作为星群自主决策的知识依据。
5.根据权利要求3所述的微纳星群抵近侦察的空间目标特性测量方法,其特征为:所述基于对抗深度强化学习的星群任务规划决策建模包括如下步骤:
首先:建立规则与汇集输入数据,利用相关联的数据生成环境、目标、星群、传感器等训练要素,进而基于星群知识图谱构建对抗规则,生成自对抗数据,用于训练深度强化网络;
其次:状态空间和动作空间设计:对于状态空间S,在任务起始、关键航路点和抵近测量的关键时间切片,给出星群的状态,包括构型、群位置、群速度、群工作状态;对于动作空间D:刻画星群完成探测任务的操作,包括星群动作、单星动作、传感器动作;
再次:构建奖赏值函数R。
R=Ra-Rt
其中,Ra是星群探测被规避的奖赏值函数,Rt是对方目标可探测度,与目标特性相关。
Ra=f(r,a)·g(r,a,E)
探测规避优势函数f(r,a)是距离r和方位a的函数,探测优势g(r,a,E)是距离r、方位a和能量E的函数;
最后是进行网络优化:
a)构建从状态s∈S经过动作d∈D到状态s'∈S的奖励函数R(s,d,s');
b)遍历所有动作,选出最大化奖励函数的参数动作
π(d/s)=argmax∑R(s,d,s')+γυ(s')
υ(s')是空间约束条件,γ是影响因子,可在网络训练过程中根据实际情况设置。
6.根据权利要求2所述的微纳星群抵近侦察的空间目标特性测量方法,其特征为:所述面向抵近策略任务的星上协同控制、智能感知与动态决策进一步包括如下步骤:基于群体智能的星群自主协同控制策略:首先,将星群看作一个自组织网络,建立轨道约束下控制策略约束条件;其次,根据前述约束条件,建立协同控制方法;最后,建立协同控制策略,使星群具备智能自主的控制能力。
7.根据权利要求2所述的微纳星群抵近侦察的空间目标特性测量方法,其特征为:还包括星群抵近测量的系统状态智能感知与动态决策:所述决策包括a)基于主动感知的目标特性信息自主获取;b)基于迁移学习的态势变化自适应感知;c)基于持续学习的星群行为决策优化。
8.一种高价值非合作航天器的抵近侦察方法,包括上述权利要求1-7任一所述的微纳星群抵近侦察的空间目标特性测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111110259.8A CN114169066B (zh) | 2021-09-18 | 2021-09-18 | 基于微纳星群抵近侦察的空间目标特性测量、侦察方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111110259.8A CN114169066B (zh) | 2021-09-18 | 2021-09-18 | 基于微纳星群抵近侦察的空间目标特性测量、侦察方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114169066A true CN114169066A (zh) | 2022-03-11 |
CN114169066B CN114169066B (zh) | 2022-07-29 |
Family
ID=80476765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111110259.8A Active CN114169066B (zh) | 2021-09-18 | 2021-09-18 | 基于微纳星群抵近侦察的空间目标特性测量、侦察方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114169066B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492210A (zh) * | 2022-04-13 | 2022-05-13 | 潍坊绘圆地理信息有限公司 | 一种高光谱卫星星载数据智能解译系统及其实现方法 |
CN115118330A (zh) * | 2022-06-22 | 2022-09-27 | 中国人民解放军63921部队 | 多星协同在轨信息交互协议及时序设计方法、装置及介质 |
CN115273566A (zh) * | 2022-07-29 | 2022-11-01 | 西北工业大学 | 一种高轨卫星群区域防护系统及方法 |
CN115510250A (zh) * | 2022-11-10 | 2022-12-23 | 成都国恒空间技术工程股份有限公司 | 一种基于知识区块链的航天信息协同采集方法及系统 |
CN116485162A (zh) * | 2023-06-21 | 2023-07-25 | 中科边缘智慧信息科技(苏州)有限公司 | 一种基于图计算的卫星观测任务规划方法、系统及装置 |
CN116523212A (zh) * | 2023-04-12 | 2023-08-01 | 中国科学院软件研究所 | 一种多星协同语义建模及任务规划方法和系统 |
CN118095047A (zh) * | 2023-12-29 | 2024-05-28 | 中国人民解放军31511部队 | 时敏目标打击链分析方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189090A (zh) * | 2018-07-16 | 2019-01-11 | 南京航空航天大学 | 基于仿生微纳星群的大型航天器全域监测方法 |
CN109242886A (zh) * | 2018-09-06 | 2019-01-18 | 中国人民解放军63921部队 | 一种空间集群目标运动轨迹建模与预报方法 |
CN109459041A (zh) * | 2018-11-27 | 2019-03-12 | 上海航天控制技术研究所 | 一种微纳星群变迁规划与控制方法 |
CN110046800A (zh) * | 2019-03-14 | 2019-07-23 | 南京航空航天大学 | 面向空间目标协同观测的卫星集群构形调整规划方法 |
CN110450989A (zh) * | 2019-08-16 | 2019-11-15 | 西北工业大学 | 微纳卫星集群捕获空间非合作目标的贴附消旋与轨控方法 |
CN113283666A (zh) * | 2021-06-10 | 2021-08-20 | 中国人民解放军国防科技大学 | 一种卫星群的启发式智能任务推理与决策方法 |
-
2021
- 2021-09-18 CN CN202111110259.8A patent/CN114169066B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189090A (zh) * | 2018-07-16 | 2019-01-11 | 南京航空航天大学 | 基于仿生微纳星群的大型航天器全域监测方法 |
CN109242886A (zh) * | 2018-09-06 | 2019-01-18 | 中国人民解放军63921部队 | 一种空间集群目标运动轨迹建模与预报方法 |
CN109459041A (zh) * | 2018-11-27 | 2019-03-12 | 上海航天控制技术研究所 | 一种微纳星群变迁规划与控制方法 |
CN110046800A (zh) * | 2019-03-14 | 2019-07-23 | 南京航空航天大学 | 面向空间目标协同观测的卫星集群构形调整规划方法 |
CN110450989A (zh) * | 2019-08-16 | 2019-11-15 | 西北工业大学 | 微纳卫星集群捕获空间非合作目标的贴附消旋与轨控方法 |
CN113283666A (zh) * | 2021-06-10 | 2021-08-20 | 中国人民解放军国防科技大学 | 一种卫星群的启发式智能任务推理与决策方法 |
Non-Patent Citations (3)
Title |
---|
GUO, JM 等: "Design of Space Self-Organized Network based on TDMA for Micro/Nano-Satellite Cluster Flying Tasks", 《PROCEEDINGS OF THE 2017 INTERNATIONAL CONFERENCE ON MECHANICAL, ELECTRONIC, CONTROL AND AUTOMATION ENGINEERING (MECAE 2017)》 * |
张超等: "星群观测任务自主规划的星地联合运行机制", 《哈尔滨工业大学学报》 * |
郭玉洁: "基于仿生的微纳卫星集群", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492210A (zh) * | 2022-04-13 | 2022-05-13 | 潍坊绘圆地理信息有限公司 | 一种高光谱卫星星载数据智能解译系统及其实现方法 |
CN114492210B (zh) * | 2022-04-13 | 2022-07-19 | 潍坊绘圆地理信息有限公司 | 一种高光谱卫星星载数据智能解译系统及其实现方法 |
CN115118330A (zh) * | 2022-06-22 | 2022-09-27 | 中国人民解放军63921部队 | 多星协同在轨信息交互协议及时序设计方法、装置及介质 |
CN115118330B (zh) * | 2022-06-22 | 2023-07-14 | 中国人民解放军63921部队 | 多星协同在轨信息交互协议及时序设计方法、装置及介质 |
CN115273566A (zh) * | 2022-07-29 | 2022-11-01 | 西北工业大学 | 一种高轨卫星群区域防护系统及方法 |
CN115273566B (zh) * | 2022-07-29 | 2024-01-09 | 西北工业大学 | 一种高轨卫星群区域防护系统及方法 |
CN115510250A (zh) * | 2022-11-10 | 2022-12-23 | 成都国恒空间技术工程股份有限公司 | 一种基于知识区块链的航天信息协同采集方法及系统 |
CN115510250B (zh) * | 2022-11-10 | 2023-02-14 | 成都国恒空间技术工程股份有限公司 | 一种基于知识区块链的航天信息协同采集方法及系统 |
CN116523212A (zh) * | 2023-04-12 | 2023-08-01 | 中国科学院软件研究所 | 一种多星协同语义建模及任务规划方法和系统 |
CN116485162A (zh) * | 2023-06-21 | 2023-07-25 | 中科边缘智慧信息科技(苏州)有限公司 | 一种基于图计算的卫星观测任务规划方法、系统及装置 |
CN116485162B (zh) * | 2023-06-21 | 2023-09-19 | 中科边缘智慧信息科技(苏州)有限公司 | 一种基于图计算的卫星观测任务规划方法、系统及装置 |
CN118095047A (zh) * | 2023-12-29 | 2024-05-28 | 中国人民解放军31511部队 | 时敏目标打击链分析方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114169066B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114169066B (zh) | 基于微纳星群抵近侦察的空间目标特性测量、侦察方法 | |
Wu et al. | Distributed trajectory optimization for multiple solar-powered UAVs target tracking in urban environment by Adaptive Grasshopper Optimization Algorithm | |
Chung et al. | A survey on aerial swarm robotics | |
Chen et al. | Coordination between unmanned aerial and ground vehicles: A taxonomy and optimization perspective | |
Rezwan et al. | Artificial intelligence approaches for UAV navigation: Recent advances and future challenges | |
AlMahamid et al. | Autonomous unmanned aerial vehicle navigation using reinforcement learning: A systematic review | |
CN110428111A (zh) | Uav/ugv协同长时多任务作业轨迹规划方法 | |
Ergezer et al. | 3D path planning for multiple UAVs for maximum information collection | |
Wang et al. | [Retracted] Virtual Reality Technology of Multi UAVEarthquake Disaster Path Optimization | |
Dhulkefl et al. | Dijkstra algorithm using UAV path planning | |
Lawrance et al. | Long endurance autonomous flight for unmanned aerial vehicles | |
Mansouri et al. | Distributed model predictive control for unmanned aerial vehicles | |
Mazakova et al. | Controllability of an unmanned aerial vehicle | |
Wu et al. | Multi-objective reinforcement learning for autonomous drone navigation in urban areas with wind zones | |
Heidari et al. | Improved black hole algorithm for efficient low observable UCAV path planning in constrained aerospace | |
Baig et al. | Machine learning and AI approach to improve UAV communication and networking | |
Kristiansen et al. | Operational concepts in UAV formation monitoring of industrial emissions | |
Jung et al. | Enabling operational autonomy for unmanned aerial vehicles with scalability | |
CN115390584B (zh) | 一种多机协同搜索方法 | |
Shen et al. | Pigeon-inspired optimisation algorithm with hierarchical topology and receding horizon control for multi-UAV formation | |
Gao | Autonomous soaring and surveillance in wind fields with an unmanned aerial vehicle | |
Le Floch et al. | Trajectory planning for autonomous parafoils in complex terrain | |
Elfatih et al. | Navigation and Trajectory Planning Techniques for Unmanned Aerial Vehicles Swarm | |
Morrell | Enhancing 3D Autonomous Navigation Through Obstacle Fields: Homogeneous Localisation and Mapping, with Obstacle-Aware Trajectory Optimisation | |
Hu et al. | Analysis of the current situation of aviation swarm operations |
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 |