基于图神经网络的大规模近地空间物体联合筛查方法

《Aerospace Science and Technology》：Conjunction Screening for Large-Scale Resident Space Objects Based on Graph Neural Network

　　楚青皓|王志龙|姜宇|侯鹏荣|赵鸿宇|华明阳|张品良|姚大雷
中国大连理工大学控制科学与工程学院，教育部工业设备智能控制与优化重点实验室，116024

**摘要**
对于评估大规模在轨空间物体（RSOs）之间的碰撞风险，结合筛选至关重要，这对空间态势感知（SSA）和空间交通管理（STM）具有关键意义。传统过滤方法计算成本较高，而基于结合数据消息（CDMs）的深度学习方法则受限于无法覆盖非合作性RSOs。本文将结合筛选视为一个链接预测任务，并提出了一种基于图神经网络（GNN）的框架，用于大规模RSOs的融合分析。构建了一个基于双线元素（TLE）数据的图数据生成框架，并引入了一种创新的HF-DRN模型以提高预测性能。提出的HF-DRN模型在分层融合编码器中整合了图卷积网络和图注意力网络，从而促进多级特征的协作表示，获得更丰富和更具信息量的节点嵌入。此外，HF-DRN引入了一种双重重构解码器架构，同时执行图结构重构和节点特征重构，有效提升了模型的整体重构能力。该研究使用公开可用的RSOs目录中的TLE数据进行了实验，并在不同数据平衡程度下评估了性能。实验结果表明，HF-DRN在平衡和不平衡数据场景下均表现出色且具有稳定性。这项研究为将人工智能方法应用于航空航天领域提供了新的视角。

**引言**
近年来，人类太空活动的频率不断增加，导致太空环境日益拥挤，从而在轨空间物体（RSOs）的数量急剧增加。其中，太空碎片作为人类近地空间探索的副产品，也被归类为RSOs。根据Space-Track的数据，截至2024年8月，共有45,600个被记录的物体，其中18,700个被识别为太空碎片。此外，欧洲航天局（ESA）的环境报告指出，太空物体之间的结合警告和碰撞风险逐年上升。每次碰撞都会导致太空碎片数量呈指数级增加，进一步加剧了灾难性的“凯斯勒综合征”[3],[4]。尽管已有许多研究探讨了主动碎片清除（ADR）方法[5]，但解决太空碎片的产生问题对于从源头上缓解堆积问题、确保太空环境的可持续性至关重要。

结合筛选是碰撞评估（CA）中的一个关键子任务，在空间态势感知（SSA）和空间交通管理（STM）中起着至关重要的作用。这一过程依赖于目录中关于RSOs的数据来识别这些物体之间的潜在结合。通过有效过滤掉不可能发生结合的物体对，可以显著减少后续高保真结合分析前的计算负担。目前，最全面的公开可访问目录由全球空间监视网络（SSN）维护，该网络利用美国战略司令部（USSTRATCOM）操作的光学和雷达传感器[6]。SSN使用轨道传播工具单独分析目录中RSOs的轨迹，并将其与其他RSOs进行比较，从而筛选出接近事件。这种分析通过发布结合数据消息（CDMs）[7]来指导RSO所有者/运营商执行规避操作。鉴于当前目录中RSOs的数量，ESA每周需要处理数百次结合事件，每个可操控的RSO需要两次碰撞规避操作[8]。与涉及可操控RSOs的碰撞事件相比，不可操控RSOs之间的事件发生频率更高，且无法采取规避行动[9]。因此，在实际应用中，目录层面的大规模结合筛选具有更大的实用价值。然而，这一过程的计算成本与涉及的物体数量直接成正比[10]，使得满足高性能和实时处理的要求变得具有挑战性。

与需要预定义数学模型的传统分析方法不同，深度学习（DL）技术直接从历史数据中识别潜在模式，以预测事件概率或未来趋势[11]。近年来，越来越多的研究人员将DL方法应用于航空航天和空间领域，在轨道确定[12]、轨道预测[13]、航天器姿态估计[14]和物体分类[15]等方面取得了显著成果。结合事件受物理约束的轨道运动学控制，而不是随机发生的[16]。因此，一个有前景的研究方向是将结合筛选任务构建为图神经网络（GNN）中的链接预测问题，以捕捉这些潜在模式。这种方法已在少量RSOs样本上进行了初步验证[17]。

针对CA中的结合筛选过程，本研究解决了两个关键问题：传统方法的计算效率低下以及现有DL方法在这一场景中的适用性有限。为此，将结合筛选任务建模为GNN中的链接预测问题，利用双线元素（TLE）数据作为基础分析数据集，以提高方法的通用性。提出了一种名为HF-DRN的新方法来提高预测性能。主要贡献总结如下：

**标签=0）**据我们所知，这项工作首次系统地验证了将GNN方法应用于大规模RSOs结合筛选的可行性。
**标签=0）**提出了一种基于TLE的图数据生成框架，用于结合筛选，其中结合事件过滤方法通过组合重排传统滤波器和图构建的时间滑动窗口机制进行了优化。
**标签=0）**提出了一种HF-DRN模型，通过分层融合编码增强节点嵌入的表现力，并通过结构和节点特征的双重重构改进了链接预测。
**标签=0）**在基于真实目录的TLE图数据集上进行了实验。结果表明，与现有方法相比，HF-DRN在各种数据不平衡场景下均具有更优的预测性能和稳定性。

**相关工作**
在本节中，我们介绍了与我们的研究相关的工作，主要集中在结合筛选、DL在结合筛选中的应用以及图神经网络。

**图数据生成框架**
本文通过利用基于GNN的方法解决了数据驱动的结合筛选问题，以减轻不断增长的RSO目录所带来的计算负担。与CDMs相比，TLE具有更高的更新频率和更广泛的覆盖范围，使得所提出的方法具有更广泛的适用性。图3展示了本工作中使用的数据集构建流程。

**问题定义**
在SSA领域，结合筛选的目标是识别RSOs之间的结合事件。本研究将结合筛选概念化为一个链接预测问题，旨在利用先进的基于GNN的方法来优化这一过程，如图4所示。

**实验**
本节对提出的HF-DRN模型进行了全面的性能评估，以评估其在大规模RSOs结合筛选任务中的潜在适用性。

**结论**
在本研究中，我们应用GNN中的链接预测方法来解决SSA领域的结合筛选任务，并提出了HF-DRN模型以提高性能。结合筛选任务被重新定义为链接预测问题，并开发了基于TLE数据的图数据生成框架。为了提高链接预测性能，我们设计了HF-DRN模型，该模型集成了分层融合编码器和双重重构解码器。

**作者贡献声明**
楚青皓：写作 – 审稿与编辑、原始稿撰写、可视化、验证、软件、方法论、调查、概念化。
王志龙：写作 – 审稿与编辑、监督、资源提供。
姜宇：可视化、调查。
侯鹏荣：可视化、调查。
赵鸿宇：可视化、调查。
华明阳：可视化、调查。
张品良：可视化、调查。
姚大雷：可视化、调查。

**利益冲突声明**
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。