一种用于单卫星观测下多目标协同意图识别的分层神经网络

《Acta Astronautica》：A Hierarchical Neural Network for Multi-Target Cooperative Intention Recognition Under Single-Satellite Observation

多航天器协作意图识别研究提出分层TCN-DGCN模型，通过动态角色定义和稀疏测量数据生成方法，有效解决单卫星观测下动态参与数量和复杂协作意图识别难题。仿真结果显示模型准确率提升8%，测试损失降低至基准的50%。

　　

黄振雷|韩宏伟|刘凌宇

北京工业大学航空航天工程学院，北京，100081，中国

摘要

为了解决现有航天器意图识别方法的局限性，这些方法通常假设目标数量固定，并将意图类型限制在简单的运动模式中，本文提出了一种用于单卫星观测下多航天器协同意图的层次化识别网络。首先建立了一个包含多种任务类型的意图框架，在该框架中明确定义了参与角色和参与者的数量，从而允许参与意图的航天器数量动态变化。考虑到单卫星观测场景中观测目标切换的实际限制，随后开发了一种稀疏测量信息数据集生成方法。基于该数据集，将复杂的协同意图分解为与各个航天器角色相关的轨道特征，并提出了一个时间卷积网络-动态门控交叉网络（TCN-DGCN）模型。在第一层，堆叠层次化的TCN模块从连续观测数据中提取多个航天器的轨道特征，并识别它们对应的角色类型。在第二层，引入了动态门控和特征交叉机制，通过并行信息流处理第一层输出的logits，从而能够学习角色组合特征并识别整体协同意图类型。仿真结果表明，所提出的模型优于基准模型，识别准确率提高了多达8%，同时将最小测试损失降低到基准方法的大约50%。进一步的仿真分析表明，所提出的方法在涉及大量参与航天器的复杂场景中仍保持优越的性能。

引言

随着对轨道资源竞争的加剧[1]，[2]，航天器之间的意外近距离接近事件变得更加频繁，迫使受影响的航天器执行紧急机动，从而扰乱在轨卫星的正常运行[3]，[4]，[5]。因此，对空间态势感知的需求大幅增加，突显了开发有效空间态势感知技术的必要性。在信息不完整的情况下识别航天器意图是空间态势感知的关键组成部分[6]。特别是当涉及多个可机动目标时，准确识别它们的行为意图和潜在目标可以为后续的风险评估、决策和任务规划提供必要的信息支持[7]，[8]。

现有的航天器意图识别方法通常可以分为两类：推理匹配方法和深度学习方法。推理匹配方法通常从分析目标运动特征[9]开始，并使用模板匹配技术[10]来识别与观测特征最匹配的意图类型。这一类别中的代表性方法包括基于Dempster–Shafer证据理论[11]、支持向量机（SVMs）[12]和贝叶斯网络[13]的方法。Ding等人[14]建立了一个关联空间目标行为、行为序列和潜在意图的关系模型，并通过领域知识挖掘和行为规则提取实现了行为序列分析和意图预测。Goulet等人[15]从轨道动力学角度研究了航天器的机动意图，并使用部分测量数据应用了逆最优控制和模态分解方法。Zhao等人[16]基于Clohessy–Wiltshire（C–W）方程构建了一个意图库，并提出了一种改进的随机森林算法，提高了传统意图识别方法的鲁棒性和泛化能力。Yi等人[17]引入了知识图谱技术，并开发了一个综合知识图谱，将特征数据与专家知识和实际异常事件案例相结合，为航天器意图识别提供了有价值的参考。尽管推理匹配方法由于其明确的逻辑推理过程而具有很强的可解释性，但它们通常泛化能力有限，适用范围也受到限制。因此，这些方法往往难以充分利用原始观测数据中嵌入的内在特征。

基于深度学习的方法利用深度神经网络来学习目标特征参数中嵌入的内在模式，从而建立从观测数据到意图类型的映射。由于它们强大的特征提取能力，这些方法非常适合处理具有高维数据和异构信息源的复杂场景。Sun等人[18]提出了一个BiGAT模型，该模型结合了双向门控循环单元（BiGRU）、自注意力（SA）机制和Transformer架构，仅使用角度测量数据就实现了高精度的意图识别。随后，同一研究小组进一步研究了在信息不完整条件下的意图识别[21]，系统分析了不同网络结构在位置、角度和距离测量输入下的识别性能。Sun还对相对运动类型进行了系统分类[22]，识别了数据集生成中Clohessy-Wiltshire（C-W）方程相关的准确性错误问题，并提供了相应的解决方案。Yuan等人[19]提出了一种基于深度学习的层次化识别方法，该方法结合了轨迹分割机制，实现了机动轨迹的分割，并减轻了非合作航天器机动对意图识别的干扰。Chen等人[20]基于混合神经网络开发了一个新的识别框架；在考虑了空间环境效应后，所提出的方法与传统模型相比显著提高了识别准确率。Huang等人[23]研究了非合作航天器的受控运动类型识别，并提出了一种基于双向门控循环单元（BiGRU）网络的意图识别方法，用于建模时间序列数据与意图类型之间的关系。此外，Wang等人[24]结合了几何配置特征，并使用随机森林（RF）模型实现了准确的意图识别。

所有上述研究主要集中在单个航天器的意图识别上。然而，复杂的太空任务通常是通过多个航天器的合作来完成的，这激发了多航天器意图识别研究的工作。He等人[25]提出了一种两层时间卷积网络自注意力（TTCN-SA）模型，用于识别航天器编队意图，同时明确考虑了光照条件对信息获取的影响。Tong等人[26]定义了一组全面的航天器集群意图和机动类型，并开发了一个机动意图和集群分析网络（MIC-Net），该网络能够检测机动、分析个别意图并识别非合作航天器的集群意图。随后，同一研究小组提出了一种结合标记多伯努利（LMB）和交互式多模型（IMM）算法[27]的识别方案，实现了对集群内多个航天器机动模式的快速准确识别。此外，一些最近的研究探索了大型模型方法在航天器意图识别中的应用。Jing等人[28]设计了一个包含运动、操作和任务层次的多维意图框架，并构建了一个用于航天器意图识别的大型语言模型。系统分析了ChatGLM2-6B和ChatGLM3-6B模型基础版本和微调版本在不同提示配置下的性能。

尽管在信息不完整的情况下进行航天器意图识别的研究明显倾向于智能和数据驱动的方法，但其进一步发展仍受到几个关键挑战的制约。大多数现有研究仅限于单目标场景，相应的模型对多卫星协同任务的适用性较差。虽然有少数工作将识别对象扩展到多个航天器，但它们的意图定义通常仅限于运动类型。因此，识别结果主要反映了潜在的运动状态，无法有效地映射到高级任务意图。为了解决上述挑战，本文构建了一个基于TCN-DGCN的层次化深度学习模型。选择这种架构的原因如下：首先，TCN利用其扩张的因果卷积结构有效地捕获单个航天器观测数据中的长距离时间依赖性，这对于从稀疏和不完整的测量数据中稳健地识别相对运动类型至关重要。其次，DGCN能够捕获多个航天器之间的动态交互关系，其灵活的结构可以适应参与协同任务的航天器数量动态变化的场景，从而直接解决了现有模型对多卫星协同任务的适用性差的问题。最后，层次化设计自然地将复杂的任务类型意图识别问题分解为两个可处理的子问题：首先是识别个别运动模式，然后是聚合群体交互特征。这为将低级运动状态有效地映射到高级任务意图提供了结构化的学习路径。因此，结合的TCN-DGCN网络特别适合解决本文定义的基于稀疏观测的多卫星协同任务意图识别问题。

本文的其余部分组织如下。第2节介绍了多卫星协同意图框架。第3节详细介绍了所提出的两层TCN-DGCN识别网络。第4节展示了与其他网络的比较仿真结果，以及涉及不同数量合作航天器的数值仿真案例。最后，在第5节得出结论。

部分摘录

场景描述

与单个航天器执行意图相比，多航天器合作的任务模式可以有效提高效率和任务完成度。因此，本文考虑了一个场景，其中多个非合作航天器共同计划对单个航天器执行意图。执行意图的航天器被定义为中心航天器$$，其相关参数由下标“$$”表示，而

协同意图识别过程的分析

如表1所示，每个协同意图由执行不同角色的多个非合作航天器组成。因此，准确识别多个非合作航天器的角色组成对于可靠地识别相应的顶级协同意图至关重要。

训练和测试实验

本节介绍了所提出模型的训练和验证结果，并将其识别性能与其他能够处理序列数据的传统模型进行了比较。此外，系统研究了参与协同意图的非合作航天器数量对模型性能指标的影响。用于生成航天器$$轨道轨迹的参数设置在附录中提供，而

结论

考虑到单卫星观测带来的限制，本文提出了一种用于非合作航天器的协同意图识别方法，旨在解决涉及多个航天器的任务级协同意图识别这一挑战性问题。首先，建立了一个包含多种代表性任务场景的多航天器协同意图框架，在该框架中定义了角色以及每个协同任务所需的角色数量

CRediT作者贡献声明

韩宏伟：调查、资金获取、正式分析。刘凌宇：可视化、验证、监督。黄振雷：撰写-审稿与编辑、撰写-初稿、验证、软件、数据管理、概念化

利益冲突声明

? 作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。

致谢

本研究由国家快速设计与智能微/纳米航天器实验室的开放基金资助，项目编号为MS02240110，以及北京工业大学青年学者研究基金（XSQD-22060303）。