CN114327919B - 空间目标碰撞预警方法及系统 - Google Patents
空间目标碰撞预警方法及系统 Download PDFInfo
- Publication number
- CN114327919B CN114327919B CN202210245874.8A CN202210245874A CN114327919B CN 114327919 B CN114327919 B CN 114327919B CN 202210245874 A CN202210245874 A CN 202210245874A CN 114327919 B CN114327919 B CN 114327919B
- Authority
- CN
- China
- Prior art keywords
- gpu
- orbit
- task
- target
- space
- 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.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及空间目标碰撞预警技术领域,提供一种空间目标碰撞预警方法及系统,方法包括:获取需要预警的航天器及所有空间目标的TLE根数;CPU对SGP4模型初始化,统计所有空间目标的数量和轨道时间点信息,获得预报的任务量,将SGP4模型的数据、TLE根数、轨道时间点信息及轨道预报的任务量拷贝至显存;根据GPU线程数将轨道预报任务分配给GPU的各个线程进行处理,汇总轨道预报结果;GPU根据轨道预报结果确定航天器与空间目标可能存在碰撞的交会事件;根据GPU线程数将交会事件任务分配给GPU的各个线程进行处理;将交会的概率拷贝至内存;CPU根据交会的概率筛选出最有可能发生碰撞的交会事件。本方案的方法及系统能快速处理空间目标碰撞预警事件。
Description
技术领域
本发明涉及空间目标碰撞预警技术领域,特别是涉及一种空间目标碰撞预警方法及系统。
背景技术
随着人类对太空的不断探索,地球周边轨道已囤积大量的空间碎片。空间碎片以超高速绕地球飞行,对在轨航天器具有极大破坏力,特别对载人飞船更可能产生灾难性的后果。为保护航天器的安全,需要对其进行空间碎片碰撞风险评估计算,预报未来可能发生的危险轨道交会时刻,以便提前采取措施,避免航天器发生碰撞。
截至2021年11月,Space Track提供的已编目的在轨的空间目标已经超过22000个,这些已编目的目标大部分是尺寸大于10cm的目标,而这只占整个空间碎片的一小部分,即便仅考虑已编目的空间目标,碰撞预警的计算量仍十分庞大:
(1)轨道外推计算量大:对已编目的空间目标进行为期7天的轨道预报,间隔1分钟计算空间目标的位置和速度,就需要2.2亿次轨道预报计算;
(2)交会关系计算量大:航天器与空间目标的交会时间、距离计算是碰撞预警系统计算量最大的模块,设计插值、迭代、数值积分等多个部分的内容,低轨航天器在7天时间内,与另一低轨目标可能发生多达100次的交会时间,若预警航天器数目为500颗,空间目标数为22000个,则可能产生数十亿次的交会事件。
另一方面,空间目标的TLE根数是实时变化的,那么预警信息也要随之更新。因此,空间目标碰撞预警是一个需要天文数字级别重复计算且时效性要求高的工程。但传统的计算机通常只有单个处理器来执行程序指令。为了提高计算速度,一个可行的办法是在一台计算机中使用多个处理器,或者用多台计算机协同运行计算程序。这类计算机被称为并行计算机,其基本的想法是N台计算机或处理器可以提供N倍的单计算机或处理器速度,这样在单机性能不变的情况下,同一个问题的解决时间可以减少为原来的1/N。目前,受元件的物理因素限制,计算机单机速度尽管仍在提高,但已经接近极限速度,单纯靠提高器件速度已不可能达到所期望的高性能。于是高性能计算机研究热点集中在并行计算机上,即从计算机体系结构上找出路,将多个性质相同或不同的处理机通过互联网络连在一起形成并行计算机。
现有技术采用同构集群技术的并行计算方法,其集群计算节点采用Red HatLinux平台,利用MPI并行环境部署计算,实现系统的并行化。通过在原有的空间碎片碰撞预警串行预警程序代码中加入函数调用组织并行,增加动态任务分配算法,程序编译时连接MPI库,从而实现并行计算。这种方法难以满足需要海量的重复计算需求,存在并行度不高、带宽不够、时延高等问题。此外,CPU受制于摩尔定律,其性能的提升不高。
因此,亟需开发一种空间目标碰撞预警方法及系统,能够快速处理空间目标碰撞预警事件。
发明内容
本发明的目的是提供一种空间目标碰撞预警方法及系统,能够克服现有技术因CPU计算性能限制而导致的对计算机性能和时效性要求较高的空间目标碰撞预警问题上存在并行度不高、带宽不够、时延高等缺陷,降低集群并行计算中所产生的成本问题,快速处理空间目标碰撞预警事件。
为解决上述技术问题,作为本发明的一个方面,提供了一种空间目标碰撞预警方法,包括以下步骤:
获取需要预警的航天器及所有空间目标的TLE根数;
CPU对SGP4模型初始化,统计所有空间目标的数量和所有空间目标的轨道时间点信息,获得预报的任务量,将SGP4模型的数据、TLE根数、轨道时间点信息及轨道预报的任务量拷贝至显存;
根据GPU线程数将轨道预报任务分配给GPU的各个线程进行处理,汇总轨道预报结果;一个轨道预报任务为一个计算一个空间目标在一个轨道时间点上的空间位置和速度;
GPU根据轨道预报结果确定航天器与空间目标可能存在碰撞的交会事件;
根据GPU线程数将交会事件任务分配给GPU的各个线程进行处理;一个交会事件任务为计算一个空间目标在一次与航天器接近的过程中与航天器接近的过程中与航天器交会的概率;
将交会的概率拷贝至内存;CPU根据交会的概率筛选出最有可能发生碰撞的交会事件。
根据本发明一示例实施方式,所述CPU对SGP4模型初始化之前,先对空间目标进行初步筛选,所述初步筛选的方法依次包括历元筛选、高度筛选和最小距离筛选。
根据本发明一示例实施方式,所述轨道时间点信息包括空间目标在未来第一预定时间段内每隔指定时间间隔的所有轨道时间点。
根据本发明一示例实施方式,所述轨道预报的任务量为空间目标的数量与轨道预报个数的乘积,所述轨道预报个数等于轨道时间点个数。
根据本发明一示例实施方式,所述根据GPU线程数将轨道预报任务分配给GPU的各个线程进行处理的方法包括:根据GPU线程数将轨道预报任务平均分配给GPU的各个线程进行处理,每个线程的任务量采用公式一:
G1=(K1+N)/N (公式一);
其中,G1表示每个线程的任务量,K1表示轨道预报的任务量,N表示GPU线程数。
根据本发明一示例实施方式,所述汇总轨道预报结果的方法包括:将GPU各个线程的计算结果汇总,得到每个空间目标的轨道数据。
根据本发明一示例实施方式,所述汇总轨道预报结果的方法还包括:如果空间目标存在精密星历数据,则将精密星历数据拷贝至显存替换该空间目标的轨道数据。
根据本发明一示例实施方式,所述GPU根据轨道预报结果确定航天器与空间目标可能存在碰撞的交会事件的方法包括:根据航天器的轨道和空间目标的轨道,计算航天器和每一个空间目标的间距,得到距离曲线,根据距离曲线获得一个或多个初步极小值,从极小值出现的时刻前第二预定时间到初步极小值出现的时刻后第二预定时间确定为交会窗口时间,交会窗口时间的个数等于交会事件的任务量。
根据本发明一示例实施方式,每个交会事件任务的处理方法包括获取交会窗口时间的轨道数据,采用拉格朗日插值对该轨道数据加密,采用二分法获得最终极小值,根据最终极小值出现的时刻采用拉格朗日插值获得交会距离和速度。
根据本发明一示例实施方式,所述根据GPU线程数将交会时间任务分配给GPU的各个线程进行处理的方法包括:根据GPU线程数将交会时间任务平均分配给GPU的各个线程进行处理,每个线程的任务量采用公式二:
G2=(K2+N)/N (公式二);
其中,G2表示每个线程的任务量,K2表示交会事件的任务量,N表示GPU线程数。
作为本发明的第二个方面,提供了一种空间目标碰撞预警系统,包括:
输入模块,用于获取需要预警的航天器及所有空间目标的TLE根数;
目标轨道预报模块,用于对SGP4模型初始化,采用CPU统计所有空间目标的TLE根数和所有空间目标的轨道时间点信息,获得轨道预报的任务量,将SGP4模型的数据拷贝至显存;根据GPU线程数将轨道预报任务分配给GPU的各个线程进行处理,汇总轨道预报结果;一个轨道预报任务为计算一个空间目标在一个轨道时间点上的空间位置和速度;
碰撞概率计算模块,用于采用GPU确定航天器与空间目标可能存在碰撞的交会事件;根据GPU线程数将交会事件任务分配给GPU的各个线程进行处理;一个交会事件任务为计算一个空间目标在一次与航天器接近的过程中与航天器交会的概率;将交会的概率拷贝至内存;采用CPU根据交会的概率筛选出最有可能发生碰撞的交会事件。
根据本发明一示例实施方式,所述预警系统还包括接近目标筛选模块,用于对空间目标进行初步筛选。
根据本发明一示例实施方式,所述接近目标筛选模块依次包括历元筛选模块、高度筛选模块和最小距离筛选模块。
本发明的有益效果是:
本发明的系统和方法克服现有技术因CPU计算性能限制而导致的对计算机性能和时效性要求较高的空间目标碰撞预警问题上存在并行度不高、带宽不够、时延高等缺陷,降低集群并行计算中所产生成本问题,快速处理空间目标碰撞预警事件。
附图说明
图1示意性示出了空间目标碰撞预警系统。
图2示意性示出了CPU和GPU的结构图。
图3示意性示出了空间目标碰撞预警方法步骤图。
图4示意性示出了空间目标碰撞预警方法流程图。
图5示意性示出了GPU线程块与线程的关系图。
图6示意性示出了航天器和空间目标的三维轨道图,坐标单位均为公里。
图7示意性示出了航天器和空间目标的距离曲线图,纵坐标的单位为公里,横坐标的单位为秒。
图8示意性示出了局部加密后航天器和空间目标的三维轨道图,坐标单位均为公里。
图9示意性示出了局部加密后航天器和空间目标的距离曲线图,纵坐标的单位为公里,横坐标的单位为秒。
具体实施方式
以下对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
作为本发明的第一个实施方式,提供一种空间目标碰撞预警系统,如图1所示,包括:依次连接的输入模块1、接近目标筛选模块2、目标轨道预报模块3和碰撞概率计算模块4。
输入模块1用于获取需要预警的航天器及所有空间目标的TLE根数并传给接近目标筛选模块2。
接近目标筛选模块2用于对空间目标进行初步筛选,排除掉不可能发生碰撞的空间目标,降低后续的计算量。接近目标筛选模块2依次包括历元筛选模块21、高度筛选模块22和最小距离筛选模块23。接近目标筛选模块2筛选完成后,将需要预警的航天器及筛选后的空间目标的TLE根数传给目标轨道预报模块3。
目标轨道预报模块3主要用于对航天器及空间目标进行轨道预报,具体地,采用CPU对SGP4模型初始化,统计所有空间目标的数量和所有空间目标的轨道时间点信息,获得轨道预报的任务量,将SGP4模型的数据、TLE根数、轨道时间点信息及轨道预报的任务量拷贝至显存;根据GPU线程数将轨道预报任务分配给GPU的各个线程进行处理,汇总轨道预报结果。一个轨道预报任务为计算一个空间目标在一个轨道时间点上的空间位置和速度。目标轨道预报模块3将轨道预报结果传给碰撞概率计算模块4。
碰撞概率计算模块4主要用于对航天器和空间目标进行交会分析和概率计算,具体地,采用GPU确定航天器与空间目标可能存在碰撞的交会事件;根据GPU线程数将交会事件任务分配给GPU的各个线程进行处理;一个交会事件任务为计算一个空间目标在一次与航天器接近的过程中与航天器交会的概率;将交会的概率拷贝至内存。采用CPU根据交会的概率筛选出最有可能发生碰撞的交会事件。
本方案的目标轨道预报模块3和碰撞概率计算模块4采用CPU和GPU结合,能够满足海量空间目标的轨道计算的需求。如图2所示,GPU与CPU之间利用PCI总线连接,接口速率能够达到500G/s,虽然CPU的运算核心较少,但是可以实现复杂的逻辑运算,因此适合控制密集型任务。另外,CPU上的线程是重量级的,上下文切换开销大,例如:CPU处理多线程问题时,并不是一个线程完全占用CPU核心资源,通常是某个CPU时钟处理事件A,然后在下一个时钟处理事件B,事件A和事件B所需要的系统资源不同,就需要做上下文切换,其实就是将所需要的数据存入CPU的寄存器中,再处理下一个事件,又需要将其他数据存到寄存器中,这样频繁切换,才能实现多线程运行。与CPU不同的是,GPU由于存在很多CUDA核心,其线程是轻量级的。因此,基于CPU+GPU的异构计算平台可以优势互补,CPU复杂处理预报模块中的任务分配,而GPU重点处理数据密集型的并行计算程序。由此克服现有技术因CPU计算性能限制而导致的对计算机性能和时效性要求较高的空间目标碰撞预警问题上存在并行度不高、带宽不够、时延高等缺陷,降低集群并行计算中所产生的的“机群”构成成本问题,快速处理空间目标碰撞预警事件。
作为本发明的第二个实施方式,提供一种空间目标碰撞预警方法,如图3和图4所示,包括如下步骤:
S1:获取需要预警的航天器及所有空间目标的TLE根数。
以卫星为例,卫星星历的结构为三行,首行数据为卫星名称;后面两行则存储了卫星相关数据,每行69个字符,包括0~9、A~Z(大写)、空格、点和正负号。后面两行的第一行如表1所示,第二行如表2所示。根据这两行的数据可以获取到卫星的轨道,进而计算出天线的运动轨道。
表1
表2
两行数据(TLE)是北美防空放天司令部(NORAD)创立的一组描述卫星轨道在空间中的状态及其位置参数的数据。
S2:对空间目标进行初步筛选,初步筛选的方法依次包括历元筛选、高度筛选和最小距离筛选。历元筛选是排除掉最近30天内没有发生更新的空间目标。高度筛选是根据航天器与空间目标轨道的近地点和远地点的轨道高度进行筛选,当航天器的近地点高度远大于空间目标的远地点高度或航天器的远地点高度远小于空间目标的近地点高度时,就可以认为航天器与该空间目标不可能发生碰撞。最小距离筛选是对两个空间位置固定的椭圆轨道进行分析,求解两轨道间的最小距离,当航天器与空间目标的最小距离大于给定的阈值时,就剔除该空间目标。将需要预警的航天器与空间目标进行初步的筛选,排除掉不可能发生碰撞的空间目标,降低后续的计算量。
S3:CPU对SGP4模型初始化,CPU统计初步筛选后的所有空间目标的数量和初步筛选后的所有空间目标的轨道时间点信息,获得预报的任务量,将SGP4模型的数据、TLE根数、轨道时间点信息及轨道预报的任务量拷贝至显存。
空间目标的数量根据TLE根数的数量获得。
利用TLE初始化SGP4模型,用于预报空间目标在未来七天的空间位置和速度。SGP4模型是一种解析法的轨道预报模型,主要输入TLE轨道根数以及计算时间点,即可获取计算时间点的位置和速度信息。因此,不同空间目标、不同时间点的位置、速度计算是完全独立的,不存在冲突,符合并行计算的要求。
轨道时间点信息包括空间目标在未来第一预定时间段内每隔指定时间间隔的所有轨道时间点。优选地,第一预定时间段为7天,指定时间间隔为1分钟。每隔1分钟计算出空间目标的位置,将连续的轨道时间点连线,即可知晓该空间目标在未来7天的运动轨道。
轨道预报的任务量为空间目标的数量与轨道预报个数的乘积。轨道预报个数等于轨道时间点个数。
本方案采用CPU+GPU的异构进行计算,因此S1中获取航天器及空间目标的TLE根数、S2中筛选空间目标及S3中统计数据并将数据拷贝至显存均由CPU完成。
S4:根据GPU线程数将轨道预报任务分配给GPU的各个线程进行处理,汇总轨道预报结果;一个轨道预报任务为一个计算一个空间目标在一个轨道时间点上的空间位置和速度。
根据GPU线程数将轨道预报任务分配给GPU的各个线程进行处理的方法包括:根据GPU线程数将轨道预报任务平均分配给GPU的各个线程进行处理,每个线程的任务量采用公式一:
G1=(K1+N)/N (公式一);
其中,G1表示每个线程的任务量,K1表示轨道预报的任务量,N表示GPU线程数。
通过公式一对任务量进行了扩充,解决了不能整除部分的任务分配问题。GPU的各个线程根据分配的任务,利用SGP4模型进行轨道预报,一个线程每执行一个任务,就计算出一个空间目标在一个轨道时间点上的空间位置和速度。之所以采用这样的方法,是由于CUDA(GPU编程的库)中,如图5所示,以32个线程为一个线程块,而CUDA的调度策略是基于线程块的,也就是同一个线程块的32个线程,在一个时钟周期内执行同一个指令,而且从显存读取数据的时候,也是以线程块为单位去读取的,如果同一个线程块内的32个线程执行的指令需要的显存是连续的,可以极大地提高显存的利用率,提升计算速度。如果以一个碎片作为一个线程,而不是以一个轨道预报任务作为一个线程,那么一个线程块内的32个线程需要的显存必然不连续,导致显存利用率低,对GPU的利用率也不高,因为增加了不必要的显存读取的指令。考虑到CUDA的特性,尽可能使一个线程块内的32个线程在执行同一指令的时候,获取的显存是连续的,因此,程序设计时将同一线程块内的32个线程,在同一时间,预报的卫星为同一卫星,且预报的时间点也为连续时间,充分利用每次获取的缓存数据,再汇总轨道预报结果。
汇总轨道预报结果的方法包括:将GPU各个线程的计算结果汇总,得到每个空间目标的轨道数据。如果空间目标存在精密星历数据,则根据NORAD编号,将精密星历数据拷贝至显存替换该空间目标的轨道数据。考虑到SGP4外推轨道的误差较大,SGP4预报7天,轨道误差可达数公里以上;在能够获取更为可靠的精密星历的基础上,增加了精密星历的处理,精密星历预报7天误差一般在数百米。将部分卫星的SGP4预报替换为精密星历,从而得到更为可靠的预警信息。
S5:GPU根据轨道预报结果确定航天器与空间目标可能存在碰撞的交会事件。
GPU根据轨道预报结果确定航天器与空间目标可能存在碰撞的交会时间的方法包括:如图6所示,根据航天器的轨道和空间目标的轨道,计算航天器和每一个空间目标的间距,如图7所示,得到距离曲线,根据距离曲线获得一个或多个初步极小值,从极小值出现的时刻前第二预定时间到初步极小值出现的时刻后第二预定时间确定为交会窗口时间,交会窗口时间的个数等于交会事件的任务量。
以轨道预报的时间间隔为1分钟为例,通过计算航天器和一空间目标两条轨道之间的距离,可以得到如图7所示的曲线图,由于航天器和空间目标在进行周而复始的绕着椭圆形轨道运动,航天器和一个空间目标有可能会有多个交会事件,因此图7中存在多个极小值点,这些极小值可能会存在碰撞。每出现一个初步极小值或一个交会窗口时间,表明航天器与空间目标有可能存在碰撞的交会事件,但是是否会碰撞还需要进一步进行交会分析和概率计算。
此步骤由GPU的所有线程共同参与计算。
S6:根据GPU线程数将交会事件任务分配给GPU的各个线程进行处理;一个交会事件任务为计算一个空间目标在一次与航天器接近的过程中与航天器接近的过程中与航天器交会的概率。
每个交会时间任务的处理方法包括获取交会时间窗口的轨道数据,采用拉格朗日插值对交会窗口时间内的该轨道数据加密至精度为0.2s-0.5s(即为局部加密),采用二分法获得最终极小值,根据最终极小值出现的时刻(交会时刻)采用拉格朗日插值获得交会距离和速度。二分法用于确定最终极小值的时间点(交会时刻),拉格朗日插值用于计算二分法确定的最终极小值的时间点的卫星位置(交会距离)和速度。图8为加密后的航天器和空间目标在交会窗口时间的三维轨道图,图9为加密后的航天器和空间目标的距离曲线图,每个交会窗口时间由一个初步极小值确定,因此每个交会窗口时间中均能够获得一个最终极小值,图9中的最终极小值为1km。时间间隔为1分钟的轨道,分辨率为1分钟,对于航天器来说,1分钟的分辨率太低,因为航天器1s可以运行10公里,因此需要通过插值等方法进行局部加密至分辨率(精度)为0.2s-0.5s,数据更加密集,才能得到一个更加精确的交会时间。
但是一次交会事件涉及到多次插值和迭代过程,而两个低轨道目标在一天事件内,一般会产生上百次的交会事件。目前编目在轨的空间目标可达22000个以上,大概估计当航天器(即为预警目标)为500颗,空间目标数为22000个的情况下,预报一天就可能产生数十亿次的交会事件,这个计算量对当前的CPU串行计算压力巨大,一次预报就耗时2小时,预报7天就要14小时。对于预警系统而言,该计算时间过长,不满足时效性的要求。
从并行角度上看,各个交会事件是相对独立,而且每个交会事件的计算量基本一致,不会出现较大的差异,交会关系的计算也符合数据并行的要求,可根据交会事件的数量和GPU的线程数,将交会事件平均分配给各个线程处理,使各个线程的计算量尽可能饱和且平衡。
根据GPU线程数将交会时间任务平均分配给GPU的各个线程进行处理,每个线程的任务量采用公式二:
G2=(K2+N)/N (公式二);
其中,G2表示每个线程的任务量,K2表示交会事件的任务量,N表示GPU线程数。
通过公式二对交会事件的任务量进行了扩充,解决了不能整除部分的任务分配问题。GPU的各个线程根据分配的任务,一个线程每执行一个任务,就计算出一个最终极小值的交会分析及概率计算。和轨道预报计算的任务分配类似,之所以采用这样的方法,是由于CUDA(GPU编程的库)中,如图5所示,以32个线程为一个线程块,而CUDA的调度策略是基于线程块的,也就是同一个线程块的32个线程,在一个时钟周期内执行同一个指令,而且从显存读取数据的时候,也是以线程块为单位去读取的,如果同一个线程块内的32个线程执行的指令需要的显存是连续的,可以极大地提高显存的利用率,提升计算速度。如果以一个碎片作为一个线程,而不是以一个轨道预报任务作为一个线程,那么一个线程块内的32个线程需要的显存必然不连续,导致显存利用率低,对GPU的利用率也不高,因为增加了不必要的显存读取的指令。考虑到CUDA的特性,尽可能使一个线程块内的32个线程在执行同一指令的时候,获取的显存是连续的,因此将所有的交会事件任务打散计算。
S7:将交会的概率拷贝至内存;CPU根据交会的概率筛选出最有可能发生碰撞的交会事件。
完成交会的概率计算后,此时计算结构保存在显存中,需要先将计算结果保存至内存中,然后根据碰撞概率将碰撞预警的信息从高到低排序,并根据阈值将低于某一概率的事件剔除,从而筛选出最有可能发生碰撞的交会事件,将结果输出程JSON格式。
采用CPU为5600X 6核12线程、GPU为Nvidia 3070 8G、内存为16G DDR4 3200配置的计算机,分别统计单线程CPU耗时、多线程CPU耗时以及本方案的CPU+GPU异构计算耗时,结果如表3所示。
表3
由此可见,多线程与单线程计算相比10倍的加速,CPU+GPU异构计算与多线程相比则有近30倍的加速,可见采用GPU的并行计算能够极大地提升计算速度,并且与集群相比,IO速度更快(GPU采用PCIE总线,集群采用网线)、成本更低(要达到30倍的加速比,集群需要更多的核心数量)。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种空间目标碰撞预警方法,其特征在于,包括以下步骤:
获取需要预警的航天器及所有空间目标的TLE根数;
CPU对SGP4模型初始化,统计所有空间目标的数量和轨道时间点信息,获得轨道预报的任务量,将SGP4模型的数据、TLE根数、轨道时间点信息及轨道预报的任务量拷贝至显存;
根据GPU线程数将轨道预报任务分配给GPU的各个线程进行处理,汇总轨道预报结果;一个轨道预报任务为计算一个空间目标在一个轨道时间点上的空间位置和速度;
GPU根据轨道预报结果确定航天器与空间目标可能存在碰撞的交会事件;所述GPU根据轨道预报结果确定航天器与空间目标可能存在碰撞的交会事件的方法包括:根据航天器的轨道和空间目标的轨道,计算航天器和每一个空间目标的间距,得到距离曲线,根据距离曲线获得一个或多个初步极小值,从初步极小值出现的时刻前第二预定时间到初步极小值出现的时刻后第二预定时间确定为交会窗口时间,交会窗口时间的个数等于交会事件的任务量;
根据GPU线程数将交会事件任务分配给GPU的各个线程进行处理;一个交会事件任务为计算一个空间目标在一次与航天器接近的过程中与航天器交会的概率;
将交会的概率拷贝至内存;CPU根据交会的概率筛选出最有可能发生碰撞的交会事件。
2.根据权利要求1所述的空间目标碰撞预警方法,其特征在于,所述CPU对SGP4模型初始化之前,先对空间目标进行初步筛选,所述初步筛选的方法依次包括历元筛选、高度筛选和最小距离筛选。
3.根据权利要求1所述的空间目标碰撞预警方法,其特征在于,所述轨道时间点信息包括空间目标在未来第一预定时间段内每隔指定时间间隔的所有轨道时间点。
4.根据权利要求3所述的空间目标碰撞预警方法,其特征在于,所述轨道预报的任务量为空间目标的数量与轨道预报个数的乘积,所述轨道预报个数等于轨道时间点个数。
5.根据权利要求1所述的空间目标碰撞预警方法,其特征在于,所述根据GPU线程数将轨道预报任务分配给GPU的各个线程进行处理的方法包括:根据GPU线程数将轨道预报任务平均分配给GPU的各个线程进行处理,每个线程的任务量采用公式一:
G1=(K1+N)/N;
其中,G1表示每个线程的任务量,K1表示轨道预报的任务量,N表示GPU线程数。
6.根据权利要求1所述的空间目标碰撞预警方法,其特征在于,所述汇总轨道预报结果的方法包括:将GPU各个线程的计算结果汇总,得到每个空间目标的轨道数据。
7.根据权利要求6所述的空间目标碰撞预警方法,其特征在于,所述汇总轨道预报结果的方法还包括:如果空间目标存在精密星历数据,则将精密星历数据拷贝至显存替换该空间目标的轨道数据。
8.根据权利要求1所述的空间目标碰撞预警方法,其特征在于,每个交会事件任务的处理方法包括获取交会窗口时间的轨道数据,采用拉格朗日插值对该轨道数据加密,采用二分法获得最终极小值,根据最终极小值出现的时刻采用拉格朗日插值获得交会时刻、交会距离和速度。
9.根据权利要求1所述的空间目标碰撞预警方法,其特征在于,所述根据GPU线程数将交会事件任务分配给GPU的各个线程进行处理的方法包括:根据GPU线程数将交会事件任务平均分配给GPU的各个线程进行处理,每个线程的任务量采用公式二:
G2=(K2+N)/N;
其中,G2表示每个线程的任务量,K2表示交会事件的任务量,N表示GPU线程数。
10.一种空间目标碰撞预警系统,其特征在于,包括:
输入模块,用于获取需要预警的航天器及所有空间目标的TLE根数;
目标轨道预报模块,用于对SGP4模型初始化,采用CPU统计所有空间目标的TLE根数和所有空间目标的轨道时间点信息,获得轨道预报的任务量,将SGP4模型的数据拷贝至显存;根据GPU线程数将轨道预报任务分配给GPU的各个线程进行处理,汇总轨道预报结果;一个轨道预报任务为计算一个空间目标在一个轨道时间点上的空间位置和速度;
碰撞概率计算模块,用于采用GPU确定航天器与空间目标可能存在碰撞的交会事件;根据GPU线程数将交会事件任务分配给GPU的各个线程进行处理;一个交会事件任务为计算一个空间目标在一次与航天器接近的过程中与航天器交会的概率;将交会的概率拷贝至内存;采用CPU根据交会的概率筛选出最有可能发生碰撞的交会事件;所述GPU确定航天器与空间目标可能存在碰撞的交会事件的方法包括:根据航天器的轨道和空间目标的轨道,计算航天器和每一个空间目标的间距,得到距离曲线,根据距离曲线获得一个或多个初步极小值,从初步极小值出现的时刻前第二预定时间到初步极小值出现的时刻后第二预定时间确定为交会窗口时间,交会窗口时间的个数等于交会事件的任务量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210245874.8A CN114327919B (zh) | 2022-03-14 | 2022-03-14 | 空间目标碰撞预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210245874.8A CN114327919B (zh) | 2022-03-14 | 2022-03-14 | 空间目标碰撞预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114327919A CN114327919A (zh) | 2022-04-12 |
CN114327919B true CN114327919B (zh) | 2022-05-24 |
Family
ID=81033175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210245874.8A Active CN114327919B (zh) | 2022-03-14 | 2022-03-14 | 空间目标碰撞预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114327919B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114500344B (zh) * | 2022-04-18 | 2022-06-17 | 北京航天驭星科技有限公司 | 碰撞预警服务平台的数据嗅探方法及装置、设备、介质 |
CN114936471B (zh) * | 2022-06-14 | 2023-03-10 | 哈尔滨工业大学 | 一种基于并行计算的航天器碰撞预警分层快速筛选方法 |
CN115309555B (zh) * | 2022-08-08 | 2024-03-15 | 西安中科天塔科技股份有限公司 | 一种用于卫星的并行计算方法及系统、存储介质、设备 |
CN115285381B (zh) * | 2022-10-09 | 2023-01-20 | 北京开运联合信息技术集团股份有限公司 | 一种太空碎片的碰撞预警方法及装置 |
CN115543637B (zh) * | 2022-11-30 | 2023-03-31 | 北京航天驭星科技有限公司 | 空间目标的关联方法、装置和存储介质 |
CN117271127B (zh) * | 2023-09-26 | 2024-03-26 | 中科星图测控技术股份有限公司 | 一种实时大规模空间目标碰撞预警系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537230A (zh) * | 2014-12-23 | 2015-04-22 | 中国科学院国家天文台 | 一种航天器发射预警碰撞风险分析方法和分析装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE602006003435D1 (de) * | 2006-09-14 | 2008-12-11 | Abb Research Ltd | Verfahren und Vorrichtung zur Vermeidung von Kollisionen zwischen einem Industrieroboter und einem Objekt |
CN106055780B (zh) * | 2016-05-26 | 2019-02-19 | 北京航空航天大学 | 一种基于gpu加速的空间碎片预警方法 |
AU2021296857A1 (en) * | 2020-06-24 | 2023-02-23 | Leolabs, Inc. | A system and method for orbital collision screening |
CN111861859A (zh) * | 2020-07-16 | 2020-10-30 | 昆宇蓝程(北京)科技有限责任公司 | 一种空间碎片碰撞预警方法 |
CN113624242B (zh) * | 2021-07-28 | 2024-04-09 | 中国测绘科学研究院 | 空间碎片定轨方法、系统、电子设备及存储介质 |
-
2022
- 2022-03-14 CN CN202210245874.8A patent/CN114327919B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537230A (zh) * | 2014-12-23 | 2015-04-22 | 中国科学院国家天文台 | 一种航天器发射预警碰撞风险分析方法和分析装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114327919A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114327919B (zh) | 空间目标碰撞预警方法及系统 | |
CN114326774B (zh) | 航天器碰撞规避策略生成的方法及系统 | |
US10007742B2 (en) | Particle flow simulation system and method | |
US11720472B2 (en) | Liveness as a factor to evaluate memory vulnerability to soft errors | |
US11170263B2 (en) | Distributed batch normalization using estimates and rollback | |
CN110796588A (zh) | 同时计算和图形调度 | |
US9990766B2 (en) | Method and system for predicting collision probability of space objects via graphics processing unit | |
US20200142466A1 (en) | Optimal operating point estimator for hardware operating under a shared power/thermal constraint | |
US10860859B2 (en) | Budget-aware method for detecting activity in video | |
Allfrey et al. | The design and performance of the ZEUS global tracking trigger | |
US20190035140A1 (en) | Reducing noise during rendering by performing parallel path space filtering utilizing hashing | |
CN106055780B (zh) | 一种基于gpu加速的空间碎片预警方法 | |
CN103106120A (zh) | 具有冲量传播的多线程物理引擎 | |
US20210036881A1 (en) | Injection limiting and wave synchronization for scalable in-network computation | |
US20200184368A1 (en) | Machine learning in heterogeneous processing systems | |
CN111985629A (zh) | 用于训练神经网络的并行化策略 | |
CA3141319C (en) | Reducing cache interference based on forecasted processor use | |
WO2018136852A1 (en) | Scalable computation and communication methods for domain decomposition of large-scale numerical simulations | |
Lim et al. | ODMDEF: on-device multi-DNN execution framework utilizing adaptive layer-allocation on general purpose cores and accelerators | |
Liu et al. | A real-time orbit SATellites Uncertainty propagation and visualization system using graphics computing unit and multi-threading processing | |
US20140375640A1 (en) | Ray shadowing method utilizing geometrical stencils | |
KR101642823B1 (ko) | 이웃 탐색 연산 시스템 | |
CN111886605A (zh) | 针对多个输入数据集的处理 | |
Loper et al. | A case study in exploiting temporal uncertainty in parallel simulations | |
Danner et al. | Hybrid MPI/GPU interpolation for grid DEM construction |
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 |