CN117560068B - 一种面向多平台协同观测的卫星任务规划方法 - Google Patents
一种面向多平台协同观测的卫星任务规划方法 Download PDFInfo
- Publication number
- CN117560068B CN117560068B CN202410039326.9A CN202410039326A CN117560068B CN 117560068 B CN117560068 B CN 117560068B CN 202410039326 A CN202410039326 A CN 202410039326A CN 117560068 B CN117560068 B CN 117560068B
- Authority
- CN
- China
- Prior art keywords
- observation
- satellite
- earth observation
- platform
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18519—Operations control, administration or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Astronomy & Astrophysics (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种面向多平台协同观测的卫星任务规划方法,属于卫星任务规划领域。该方法具体包含如下步骤:首先获取包含用户录入、多平台侦测在内的任务需求,提取观测时间、观测地点等信息;然后构建航天对地观测任务筹划模型,并将需求信息代入筹划模型求解,得到航天对地观测元任务;其次,构建航天对地观测任务规划模型,并将元任务代入规划模型求解,输出航天对地观测协同方案及需要协同的平台;最后,卫星引导多平台完成对目标的定位、跟踪及观测。本发明采用星上计算资源进行卫星自主任务规划,并创新性提出卫星引导协同多平台观测、跟踪,能够减少人在卫星任务规划中的介入,有效提升了观测范围及准确性。
Description
技术领域
本发明属于卫星任务规划领域,具体涉及一种面向多平台协同观测的卫星任务规划方法,用于实现多平台协同观测、跟踪。
背景技术
目前,卫星对地观测能力有限,单纯依靠卫星进行航天观测,难以满足当前情报获取的高自主性、高时效性、高准确性需求。随着科学技术的进步,空中、路上、海上等观测装备越来越多,若能够联合空天地海多类型装备、载荷进行协同观测,则能够充分发挥各平台海量观测装备的优势,对地球表面时敏目标的快速发现、定位、跟踪、打击具有重要的意义。
多平台协同观测已成为现代情报获取的主要形式,国内外都注重多平台协同方式研究。面对多域多类型平台的协同,要求各平台系统的信息化水平和态势感知能力更强,进而实现各平台之间的信息共享。但当前各平台的目标探测系统只能在本平台中使用,无法实现信息共享。因此,亟需统一管控各类平台,集中管理多种观测载荷资源,完成过去很难完成或者不可能完成的任务。
发明内容
为了解决卫星对地观测能力有限,观测精度低,易受气象条件、光照条件、地形条件的影响等问题,本发明提出了一种面向多平台协同观测的卫星任务规划方法。
为了实现上述目的,本发明采用的技术方案如下:
一种面向多平台协同观测的卫星任务规划方法,包括如下步骤:
步骤1:卫星接收航天对地观测需求,提取需求中的观测时间和观测地点,形成需求信息表;
步骤2:构建航天对地观测任务筹划模型,并依据历史任务筹划数据进行训练,将训练好的航天对地观测任务筹划模型注入卫星;
步骤3:在星上将航天对地观测需求代入航天对地观测任务筹划模型进行求解,并依据得到的观测资源池信息,决策出工作模式、载荷类型和可协同平台类型,形成航天对地观测元任务;
步骤4:构建航天对地观测任务规划模型并进行训练,将训练好的航天对地观测任务规划模型注入卫星;
步骤5:在星上将航天对地观测元任务代入航天对地观测任务规划模型进行求解,得到航天对地观测协同方案及需要协同的平台;
步骤6:卫星将航天对地观测协同方案中观测时间和地点数据信息分发给需要协同的平台;
步骤7:卫星协同多平台完成对目标的定位、跟踪和观测。
进一步的,步骤1中航天对地观测需求包含用户录入需求和多平台侦测需求两种,其中用户录入需求通过指令上注至卫星,多平台侦测所得的需求通过各平台间的链路进行传输。
进一步的,步骤2具体过程为:
步骤2.1:构建航天对地观测任务筹划模型,并获取历史任务筹划数据,历史任务筹划数据包括工作模式、载荷类型以及可协同平台类型特征,作为模型节点的分裂标准;
步骤2.2:利用历史任务筹划数据对航天对地观测任务筹划模型进行训练,航天对地观测任务筹划模型依据模型节点的分裂标准从上至下递归生成决策树,得到训练好的航天对地观测任务筹划模型,并注入卫星。
进一步的,步骤4中航天对地观测任务规划模型基于深度学习算法实现。
进一步的,步骤5中,卫星需要协同的平台包含天基、空基、陆基和海基平台。
本发明相比于现有技术具有如下有益效果:
1. 本发明中构建的航天对地观测任务筹划和任务规划模型采用地面训练、星上应用的模式,能够有效节省星上计算资源的同时实现星上自主,有效缩短需求到反应的时间。
2. 本发明将海陆空天各类观测资源纳入资源池,在筹划阶段能够统筹多种资源,确定平台及载荷类型,在规划阶段实现平台的指定,卫星与其他平台建链后可以通过协同数据链进行实时的数据交换。通过面向多平台协同观测的卫星任务规划,能够大幅提升观测平台对于战场态势的感知能力和时敏目标的捕获能力。
附图说明
图1为本发明多平台的协同方式场景图。
图2是本发明系统流程图。
图3是本发明面向多平台协同观测的卫星任务规划方法具体流程图。
具体实施方式
以下将结合附图及具体实施方式对本发明的构思、技术方案优势及产生的技术效果进行清楚、完整地描述,以充分理解本发明的目的、特征和效果。需要说明的是,此处所描述的具体实施方式仅用以解释本发明,并不限定本发明。
本发明提出了一种面向多平台协同观测的卫星任务规划方法,该方法借助卫星观测覆盖范围广的特点,在星上完成对多平台的统一管控和多种载荷的集中管理,通过卫星与多型平台建立传输链路,进行观测任务的分发,从而完成卫星与陆海空多型平台的协同观测,如图1所示。
参照图2,本发明首先获取对地观测需求,提取需求信息后经构建的航天对地观测筹划和规划模型,得到航天对地观测协同方案,卫星通过数据传输引导多平台对目标进行联合定位、跟踪和打击。参照图3,该方法具体步骤包括:
步骤1:卫星接收航天对地观测需求,提取需求中的观测时间、观测地点等信息,形成需求信息表;
具体的,航天对地观测需求包含用户录入需求和多平台侦测需求两种,其中用户录入的需求通过指令上注至卫星,多平台侦测所得的需求通过各平台间的链路进行传输。
步骤2:构建航天对地观测任务筹划模型;
具体的,航天对地观测任务筹划模型采用决策树算法,其构建过程为:
步骤2.1:构建航天对地观测任务筹划模型,并获取历史任务筹划数据,历史任务筹划数据包括工作模式、载荷类型以及可协同平台类型特征,作为模型节点的分裂标准;
步骤2.2:利用历史任务筹划数据对航天对地观测任务筹划模型进行训练,航天对地观测任务筹划模型依据模型节点的分裂标准从上至下递归生成决策树,得到训练好的航天对地观测任务筹划模型,并注入卫星。
步骤3:在星上将航天对地观测需求代入航天对地观测任务筹划模型进行求解,并依据得到的观测资源池信息,决策出工作模式、载荷类型和可协同平台类型,形成航天对地观测元任务。
步骤4:构建航天对地观测任务规划模型并进行训练,将训练好的航天对地观测任务规划模型注入卫星;
具体的,航天对地观测任务规划模型采用深度学习算法。其构建及训练过程如下:
步骤4.1:确定神经网络中输入层s,输出层c以及隐含层y,激活函数为Relu;
步骤4.2:按照8:2的比例将数据集划分为训练集和测试集;
步骤4.3:用训练集对航天对地观测任务规划模型进行训练,每次训练迭代过程均将全体训练样本输入神经网络,计算隐含层各神经元的输出;
步骤4.4:计算输出层各神经元的输出,并计算输出结果的误差并作为损失函数;
步骤4.5:使用梯度下降算法反向调整隐含层与输出层之间的权重矩阵;
步骤4.6:判断训练次数是否达到设定上限,若训练次数未达到上限,返回步骤4.3;否则,结束训练并保存训练好的模型;
步骤4.7:将测试集数据输入到训练后的航天对地观测任务规划模型中,以对该模型进行验证,获得训练好的航天对地观测任务规划模型并上注卫星。
步骤5:在星上将航天对地观测元任务代入航天对地观测任务规划模型进行求解,得到航天对地观测协同方案及需要协同的平台;
具体的,卫星协同的平台包含但不限于天基、空基、陆基和海基平台。
步骤6:卫星将航天对地观测协同方案中观测时间和地点数据信息分发给需要协同的平台;
具体的,由于星上计算资源有限,卫星只负责将观测时间、地点等数据信息分发给相应的协同平台,不具体到对应平台的任务规划。
步骤7:卫星协同多平台完成对目标的定位、跟踪及观测。
需要进一步说明的是,步骤2和步骤4中的模型均在地面构建和训练,然后上注卫星,在星上进行任务筹划及规划,即步骤3和步骤5均在星上完成。
总之,本发明紧密耦合卫星自主任务规划、多平台协同观测研究内容。相较于传统卫星任务规划方法,本发明可充分发挥卫星观测覆盖范围广、其它平台跨域分布的优势,对时敏目标的高精度快速发现、定位、跟踪、观测具有重要意义。
Claims (5)
1.一种面向多平台协同观测的卫星任务规划方法,其特征在于,包括如下步骤:
步骤1:卫星接收航天对地观测需求,提取需求中的观测时间和观测地点,形成需求信息表;
步骤2:构建航天对地观测任务筹划模型,并依据历史任务筹划数据进行训练,将训练好的航天对地观测任务筹划模型注入卫星;
步骤3:在星上将航天对地观测需求代入航天对地观测任务筹划模型进行求解,并依据得到的观测资源池信息,决策出工作模式、载荷类型和可协同平台类型,形成航天对地观测元任务;
步骤4:构建航天对地观测任务规划模型并进行训练,将训练好的航天对地观测任务规划模型注入卫星;
步骤5:在星上将航天对地观测元任务代入航天对地观测任务规划模型进行求解,得到航天对地观测协同方案及需要协同的平台;
步骤6:卫星将航天对地观测协同方案中观测时间和地点数据信息分发给需要协同的平台;
步骤7:卫星协同多平台完成对目标的定位、跟踪和观测。
2.根据权利要求1所述的一种面向多平台协同观测的卫星任务规划方法,其特征在于,步骤1中航天对地观测需求包含用户录入需求和多平台侦测需求两种,其中用户录入需求通过指令上注至卫星,多平台侦测所得的需求通过各平台间的链路进行传输。
3.根据权利要求1所述的一种面向多平台协同观测的卫星任务规划方法,其特征在于,步骤2具体过程为:
步骤2.1:构建航天对地观测任务筹划模型,并获取历史任务筹划数据,历史任务筹划数据包括工作模式、载荷类型以及可协同平台类型特征,作为模型节点的分裂标准;
步骤2.2:利用历史任务筹划数据对航天对地观测任务筹划模型进行训练,航天对地观测任务筹划模型依据模型节点的分裂标准从上至下递归生成决策树,得到训练好的航天对地观测任务筹划模型,并注入卫星。
4.根据权利要求1所述的一种面向多平台协同观测的卫星任务规划方法,其特征在于,步骤4中航天对地观测任务规划模型基于深度学习算法实现。
5.根据权利要求1所述的一种面向多平台协同观测的卫星任务规划方法,其特征在于,步骤5中,卫星需要协同的平台包含天基、空基、陆基和海基平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410039326.9A CN117560068B (zh) | 2024-01-11 | 2024-01-11 | 一种面向多平台协同观测的卫星任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410039326.9A CN117560068B (zh) | 2024-01-11 | 2024-01-11 | 一种面向多平台协同观测的卫星任务规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117560068A CN117560068A (zh) | 2024-02-13 |
CN117560068B true CN117560068B (zh) | 2024-03-12 |
Family
ID=89813225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410039326.9A Active CN117560068B (zh) | 2024-01-11 | 2024-01-11 | 一种面向多平台协同观测的卫星任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117560068B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160092672A (ko) * | 2015-01-28 | 2016-08-05 | 주식회사 솔탑 | 기상 환경 위성영상처리 장치 및 시스템, 및 이를 이용한 방법 |
CN109409775A (zh) * | 2018-11-14 | 2019-03-01 | 中国电子科技集团公司第五十四研究所 | 一种卫星联合观测任务规划方法 |
CN112600717A (zh) * | 2020-12-30 | 2021-04-02 | 上海交通大学 | 基于sdn的卫星网络管控协议半实物试验装置 |
CN113313414A (zh) * | 2021-06-21 | 2021-08-27 | 哈尔滨工程大学 | 一种多类异构遥感平台任务协同规划方法 |
CN113487220A (zh) * | 2021-07-23 | 2021-10-08 | 中南大学 | 面向静态目标观测的空天异构对地观测资源协同调度方法 |
CN114943421A (zh) * | 2022-04-25 | 2022-08-26 | 航天宏图信息技术股份有限公司 | 多类卫星协同任务筹划方法、装置、电子设备及存储介质 |
CN115577923A (zh) * | 2022-09-28 | 2023-01-06 | 中国电子科技集团公司第五十四研究所 | 一种面向对地观测空间云服务的星地协同任务管控方法 |
CN116822863A (zh) * | 2023-06-21 | 2023-09-29 | 北京市遥感信息研究所 | 一种多平台协同感知的智能规划方法与系统 |
-
2024
- 2024-01-11 CN CN202410039326.9A patent/CN117560068B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160092672A (ko) * | 2015-01-28 | 2016-08-05 | 주식회사 솔탑 | 기상 환경 위성영상처리 장치 및 시스템, 및 이를 이용한 방법 |
CN109409775A (zh) * | 2018-11-14 | 2019-03-01 | 中国电子科技集团公司第五十四研究所 | 一种卫星联合观测任务规划方法 |
CN112600717A (zh) * | 2020-12-30 | 2021-04-02 | 上海交通大学 | 基于sdn的卫星网络管控协议半实物试验装置 |
CN113313414A (zh) * | 2021-06-21 | 2021-08-27 | 哈尔滨工程大学 | 一种多类异构遥感平台任务协同规划方法 |
CN113487220A (zh) * | 2021-07-23 | 2021-10-08 | 中南大学 | 面向静态目标观测的空天异构对地观测资源协同调度方法 |
CN114943421A (zh) * | 2022-04-25 | 2022-08-26 | 航天宏图信息技术股份有限公司 | 多类卫星协同任务筹划方法、装置、电子设备及存储介质 |
CN115577923A (zh) * | 2022-09-28 | 2023-01-06 | 中国电子科技集团公司第五十四研究所 | 一种面向对地观测空间云服务的星地协同任务管控方法 |
CN116822863A (zh) * | 2023-06-21 | 2023-09-29 | 北京市遥感信息研究所 | 一种多平台协同感知的智能规划方法与系统 |
Non-Patent Citations (1)
Title |
---|
基于多模态观测需求信息的遥感星群任务智能规划机制;朱光熙等;《天地一体化信息网络》;20220930;第3卷(第3期);第23-29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117560068A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128828B (zh) | 一种基于多智能体强化学习的卫星观测分布式在线规划方法 | |
CN108717572B (zh) | 基于结构化神经网络的成像任务可调度性预测方法 | |
CN110426029B (zh) | 用于无人机蜂群协同导航的动态互观测在线建模方法 | |
CN109470268B (zh) | 一种提高卫星姿态确定精度和效率的方法 | |
CN109409775A (zh) | 一种卫星联合观测任务规划方法 | |
Maier | Research challenges for systems-of-systems | |
CN107679748A (zh) | 面向星群观测任务自主规划的星地联合运行方法 | |
CN108460216B (zh) | 航天器测控覆盖分析设计平台 | |
CN106202837A (zh) | 一种基于无人机辅助覆盖的小卫星星座遥感系统模型 | |
CN110825513A (zh) | 敏捷单星多约束任务优化调度方法 | |
CN109597839B (zh) | 一种基于航电作战态势的数据挖掘方法 | |
CN109767128A (zh) | 基于机器学习的成像卫星自主任务规划方法 | |
CN116859993A (zh) | 一种配电网多无人机巡线路径规划方法及系统 | |
Rogers | Operationalizing ecology under a new paradigm: an African perspective | |
CN112784493A (zh) | 基于自适应深度q网络的地理空间预测方法及系统 | |
CN116228040A (zh) | 一种面向智能体学习演进能力的评测方法 | |
CN117560068B (zh) | 一种面向多平台协同观测的卫星任务规划方法 | |
Zheng et al. | Robustness of the planning algorithm for ocean observation tasks | |
CN117068393B (zh) | 一种基于混合专家经验回放的星群协同任务规划方法 | |
CN116341873B (zh) | 一种多星资源调度与任务规划方法、系统及存储介质 | |
CN111369142B (zh) | 一种自主遥感卫星任务生成方法 | |
CN105184038A (zh) | 面向资源利用率的成像卫星任务规划绩效评估方法 | |
CN106156944A (zh) | 面向应用场景的卫星对地观测需求筹划方法 | |
CN115221799B (zh) | 一种基于多分支的无人集群超实时推演系统及方法 | |
CN114115342B (zh) | 一种基于冲突处理的无人集群多域协同系统及方法 |
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 |