劉付成，韓飛，韓宇，武海雷，李木子，史可懿

分布式協(xié)同微納遙感星群的智能控制系統(tǒng)關(guān)鍵技術(shù)

劉付成1，韓飛2，3，韓宇2，3，武海雷2，3，李木子2，3，史可懿4

（1.上海航天技術(shù)研究院，上海 201109；2.上海航天控制技術(shù)研究所，上海 201109；3.上海市空間智能控制技術(shù)重點(diǎn)實(shí)驗(yàn)室，上海 201109；4.西安電子科技大學(xué) 通信工程學(xué)院，陜西 西安 710071）

近年來(lái)，國(guó)內(nèi)外微納遙感星座發(fā)展不斷加速，通過(guò)高頻重訪大幅提升了對(duì)地觀測(cè)的時(shí)間分辨率，但是由于單顆微納衛(wèi)星觀測(cè)能力受限，難以滿足多源同步與融合、高品質(zhì)、大幅寬等數(shù)據(jù)應(yīng)用需求。為此，將星座與星簇相結(jié)合，以星座化分布滿足高時(shí)間分辨率需求，以星座節(jié)點(diǎn)上的星簇協(xié)同觀測(cè)獲取多源、高品質(zhì)、寬幅數(shù)據(jù)，構(gòu)建基于微納衛(wèi)星的分布式協(xié)同遙感系統(tǒng)，是兼顧上述遙感應(yīng)用需求的有效途徑。智能分布式協(xié)同控制是該系統(tǒng)的核心關(guān)鍵，為此，必須研究解決星座+星簇大規(guī)模動(dòng)態(tài)微納遙感星群控制系統(tǒng)的分布協(xié)同自主導(dǎo)航、智能運(yùn)動(dòng)規(guī)劃與控制、智能健康預(yù)測(cè)與管理、智能組網(wǎng)等關(guān)鍵技術(shù)難題。在梳理分析國(guó)內(nèi)外分布式微納遙感系統(tǒng)的基礎(chǔ)上，給出分布式協(xié)同微納遙感星群的概念內(nèi)涵，分析其特有的四方面難題，梳理總結(jié)相關(guān)技術(shù)發(fā)展現(xiàn)狀與趨勢(shì)，以期為后續(xù)該方向的研究起到一定的借鑒作用。

分布式協(xié)同遙感；自主導(dǎo)航；智能規(guī)劃控制；智能健康管理；智能組網(wǎng)

0　引言

經(jīng)過(guò)數(shù)十年發(fā)展，我國(guó)已經(jīng)形成“風(fēng)云”［1］、 “海洋”［2］、“高分”［3］等為代表的氣象、海洋和陸地等全系列遙感衛(wèi)星體系。未來(lái)智慧城市、防災(zāi)減災(zāi)、生態(tài)環(huán)保等更廣泛、更便捷的遙感數(shù)據(jù)應(yīng)用需求，使得空間對(duì)地觀測(cè)系統(tǒng)不僅需要實(shí)現(xiàn)小時(shí)級(jí)快速過(guò)頂?shù)母邥r(shí)效應(yīng)急觀測(cè)，而且要求過(guò)頂時(shí)實(shí)現(xiàn)更多目標(biāo)、更大幅寬、更多角度、更長(zhǎng)時(shí)間的高效能靈活觀測(cè)。近年來(lái)，國(guó)內(nèi)外廣泛建設(shè)的基于微納衛(wèi)星的遙感星座，通過(guò)微納遙感衛(wèi)星的批量化研制和全球軌道分散部署，可在有效約束成本的同時(shí)大幅縮短重訪周期，從而滿足高時(shí)效應(yīng)急觀測(cè)需求。但是，每次過(guò)頂仍然采用單星觀測(cè)，受限于微納衛(wèi)星資源受限下的有限觀測(cè)能力，微納遙感星座無(wú)法滿足高效能靈活觀測(cè)的需求。

針對(duì)該問(wèn)題，本文將高重訪星座和自主協(xié)同星簇相結(jié)合，提出基于微納衛(wèi)星的分布式協(xié)同遙感星群系統(tǒng)。該系統(tǒng)通過(guò)全球星座的軌道分布，實(shí)現(xiàn)小時(shí)級(jí)快速重訪；通過(guò)星座節(jié)點(diǎn)上星簇的多星自主協(xié)同，實(shí)現(xiàn)多視場(chǎng)、多角度、多譜段的多模式協(xié)同觀測(cè)；通過(guò)多源異質(zhì)數(shù)據(jù)融合提升微納衛(wèi)星遙感數(shù)據(jù)品質(zhì)，彌補(bǔ)微納衛(wèi)星單星觀測(cè)能力的不足。同時(shí)，兼顧高時(shí)效、高效能觀測(cè)需求，代表未來(lái)空間對(duì)地觀測(cè)系統(tǒng)的重要發(fā)展方向。

分布式協(xié)同微納遙感星群存在衛(wèi)星成員數(shù)量眾多、空間分布關(guān)系復(fù)雜時(shí)變、協(xié)同觀測(cè)模式復(fù)雜多樣等特點(diǎn)，不能僅依賴傳統(tǒng)地面測(cè)控，必須具備極強(qiáng)的智能分布式協(xié)同控制能力，由此帶來(lái)大規(guī)模動(dòng)態(tài)星群控制系統(tǒng)的分布協(xié)同自主導(dǎo)航、智能規(guī)劃與控制、智能健康預(yù)測(cè)與管理、智能組網(wǎng)等關(guān)鍵技術(shù)難題。

本文第1章首先介紹了對(duì)國(guó)內(nèi)外微納遙感系統(tǒng)現(xiàn)狀與發(fā)展趨勢(shì)的調(diào)研分析，明確分布式協(xié)同微納遙感星群系統(tǒng)是未來(lái)的發(fā)展趨勢(shì)，并對(duì)該系統(tǒng)的總體方案進(jìn)行闡述，結(jié)合星群控制系統(tǒng)特點(diǎn)，提出4個(gè)關(guān)鍵技術(shù)難題。第2～5章對(duì)分布式協(xié)同微納遙感星群控制系統(tǒng)的分布協(xié)同自主導(dǎo)航、智能規(guī)劃與控制、智能健康預(yù)測(cè)與管理、智能組網(wǎng)四方面關(guān)鍵技術(shù)難題的具體內(nèi)涵分別進(jìn)行介紹，進(jìn)而梳理總結(jié)相關(guān)技術(shù)的發(fā)展現(xiàn)狀和趨勢(shì)，并在論文最后進(jìn)行總結(jié)，為分布式協(xié)同遙感星群控制系統(tǒng)的后續(xù)研究提供參考。

1　分布式協(xié)同微納遙感星群

1.1　國(guó)內(nèi)外微納遙感系統(tǒng)發(fā)展現(xiàn)狀與趨勢(shì)

國(guó)際上一般將質(zhì)量在100～500 kg的衛(wèi)星定義為小衛(wèi)星，10～100 kg的衛(wèi)星定義為微衛(wèi)星，1～ 10 kg的衛(wèi)星定義為納衛(wèi)星。近年來(lái)，微納衛(wèi)星以較小的體積質(zhì)量、較低的研制成本、靈活的發(fā)射方式，以及豐富的在軌模式，在衛(wèi)星領(lǐng)域取得迅猛的發(fā)展?；谖⒓{衛(wèi)星構(gòu)建全球遙感星座，具有短時(shí)間快速重訪、系統(tǒng)成本有效可控等優(yōu)點(diǎn)，成為當(dāng)前國(guó)內(nèi)外遙感領(lǐng)域的重要發(fā)展方向［4-5］，也成為商業(yè)航天最先進(jìn)入的領(lǐng)域，國(guó)內(nèi)外目前已有多個(gè)微小衛(wèi)星遙感星座完成初期部署［6-19］。

美國(guó)Planet公司是較早實(shí)現(xiàn)微納光學(xué)遙感衛(wèi)星規(guī)?；圃旌瓦\(yùn)營(yíng)的機(jī)構(gòu)，也是目前國(guó)際領(lǐng)域最大的商業(yè)遙感數(shù)據(jù)服務(wù)運(yùn)營(yíng)商。該公司建設(shè)的鴿群星座是目前全球最大規(guī)模的遙感衛(wèi)星星座［6］，自2014年發(fā)射至今，已形成了200余顆衛(wèi)星的星座規(guī)模。鴿群星座一天就能對(duì)全球遙感影像進(jìn)行一次全面更新，充分體現(xiàn)了微納衛(wèi)星星座快速重訪、成本可控的明顯優(yōu)勢(shì)。SkySat衛(wèi)星星座［7-8］是目前衛(wèi)星數(shù)量最多的亞米級(jí)高分辨率衛(wèi)星星座，具備高清視頻成像能力，并可為用戶提供目標(biāo)區(qū)域動(dòng)態(tài)變化信息的高時(shí)效性圖像和視頻數(shù)據(jù)，體現(xiàn)了微小衛(wèi)星星座應(yīng)用的多樣化靈活觀測(cè)、功能集成的明顯優(yōu)勢(shì)。

2015年來(lái)，我國(guó)在衛(wèi)星遙感領(lǐng)域也由傳統(tǒng)的單星作戰(zhàn)向協(xié)同組網(wǎng)轉(zhuǎn)變。長(zhǎng)光衛(wèi)星技術(shù)有限公司發(fā)射和運(yùn)營(yíng)的“吉林一號(hào)”衛(wèi)星星座［15］是國(guó)內(nèi)目前規(guī)模最大的光學(xué)遙感衛(wèi)星星座。截至2021年9月19日，“吉林一號(hào)”衛(wèi)星星座目前在軌運(yùn)行29顆衛(wèi)星，高分衛(wèi)星可條帶拼接、立體成像，視頻星可靈巧成像，具備豐富的多模式成像能力。國(guó)內(nèi)高景星座［16］、珠海一號(hào)［17］、千乘星座、海絲星座等紛紛提出了建設(shè)光學(xué)/合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）混編遙感微納衛(wèi)星星座的計(jì)劃，不斷豐富數(shù)據(jù)獲取手段，提升星座內(nèi)多譜段觀測(cè)能力。鴿群和吉林一號(hào)拍攝圖像如圖1所示。

圖1　鴿群星座拍攝的圖像與吉林一號(hào)拍攝的圖像

除建立微納遙感星座外，通過(guò)微納衛(wèi)星編隊(duì)飛行也是豐富對(duì)地遙感觀測(cè)手段的一個(gè)重要途徑。目前各國(guó)實(shí)現(xiàn)的編隊(duì)飛行大部分在同一軌道面，衛(wèi)星數(shù)量在2～4顆。例如美國(guó)國(guó)家航空航天局（National Aeronautics and Space Administration，NASA）發(fā)射的地球觀測(cè)衛(wèi)星（EO-1）與陸地衛(wèi)星（Landsat-7）實(shí)現(xiàn)粗略雙星編隊(duì)飛行［20］，是第一個(gè)實(shí)際的衛(wèi)星集群飛行任務(wù)。該集群的任務(wù)是獲取相同地面目標(biāo)的圖像，以對(duì)兩星的成像系統(tǒng)進(jìn)行科學(xué)對(duì)照。德國(guó)維爾茨堡大學(xué)主持開(kāi)展的NetSat項(xiàng)目［21］對(duì)4顆皮衛(wèi)星的在軌分布式協(xié)同控制等技術(shù)開(kāi)展研究，前期已對(duì)衛(wèi)星在軌通信、自主位姿測(cè)定和控制進(jìn)行了驗(yàn)證，未來(lái)該項(xiàng)目還計(jì)劃通過(guò)4顆衛(wèi)星聯(lián)合觀測(cè)實(shí)現(xiàn)地球表面立體攝影測(cè)量技術(shù)，建立目標(biāo)的3D模型。

總結(jié)國(guó)內(nèi)外微納遙感系統(tǒng)的發(fā)展現(xiàn)狀，可以得出：

盡管星座布局的微納衛(wèi)星遙感系統(tǒng)星座可以大幅縮短重訪周期，滿足了高時(shí)效應(yīng)急觀測(cè)需求，但受限于微納衛(wèi)星有限觀測(cè)能力，還不能滿足高效能靈活觀測(cè)的需求。而現(xiàn)有的衛(wèi)星編隊(duì)的遙感系統(tǒng)又不能實(shí)現(xiàn)快速重訪的需求。因此，兼顧高時(shí)效、高效能的觀測(cè)模式是未來(lái)空間對(duì)地觀測(cè)系統(tǒng)的重要發(fā)展方向。

1.2　分布式協(xié)同微納遙感星群系統(tǒng)概述

針對(duì)現(xiàn)有微納遙感系統(tǒng)存在的對(duì)地觀測(cè)效能受到微納衛(wèi)星能力限制的問(wèn)題，本文提出星座+星簇構(gòu)型的基于微納衛(wèi)星的分布式協(xié)同遙感星群。通過(guò)星座組網(wǎng)實(shí)現(xiàn)全球小時(shí)級(jí)快速重訪，星座內(nèi)每一個(gè)節(jié)點(diǎn)為一個(gè)星簇，星簇由多顆攜帶不同載荷的微納衛(wèi)星組成，根據(jù)不同觀測(cè)任務(wù)需求，星簇內(nèi)衛(wèi)星自由組合、自主協(xié)同實(shí)現(xiàn)分布式對(duì)地觀測(cè)。

系統(tǒng)具備自主運(yùn)行和智能協(xié)同任務(wù)響應(yīng)能力，在收到地面目標(biāo)的觀測(cè)指令后，根據(jù)觀測(cè)地點(diǎn)經(jīng)緯度范圍、觀測(cè)時(shí)刻、各節(jié)點(diǎn)軌道過(guò)頂情況、衛(wèi)星姿態(tài)側(cè)擺角度范圍，規(guī)劃選擇執(zhí)行任務(wù)的對(duì)應(yīng)節(jié)點(diǎn)星簇，任務(wù)星簇收到指令后，成員星通過(guò)軌道機(jī)動(dòng)實(shí)現(xiàn)不同星簇軌道構(gòu)型間的重構(gòu)切換，可實(shí)現(xiàn)多目標(biāo)同步、多視場(chǎng)拼接、長(zhǎng)時(shí)間接力凝視、多譜段同步、多角度同步、同區(qū)域同步等協(xié)同觀測(cè)模式，提升空間覆蓋性、時(shí)間覆蓋性和譜段覆蓋性，并可通過(guò)多源異質(zhì)數(shù)據(jù)融合提升微納衛(wèi)星遙感品質(zhì)。分布式協(xié)同微納遙感星群總體思路如圖2所示。

圖2　星座+星簇分布式協(xié)同微納遙感星群

以星座+星簇模式構(gòu)建的分布式協(xié)同遙感星群與傳統(tǒng)的衛(wèi)星編隊(duì)任務(wù)不同，衛(wèi)星成員數(shù)量眾多、空間分布復(fù)雜時(shí)變、協(xié)同任務(wù)復(fù)雜多樣、相對(duì)運(yùn)動(dòng)關(guān)系復(fù)雜，由此帶來(lái)長(zhǎng)期自主安全運(yùn)行、面向任務(wù)自主重構(gòu)控制、面向復(fù)雜系統(tǒng)的高可靠性、協(xié)同信息網(wǎng)絡(luò)交互四方面能力需求，對(duì)分布式協(xié)同遙感星群控制系統(tǒng)提出協(xié)同自主導(dǎo)航、智能規(guī)劃控制、智能健康管理、智能組網(wǎng)四方面關(guān)鍵技術(shù)挑戰(zhàn)。分布式協(xié)同遙感星群智能控制系統(tǒng)關(guān)鍵技術(shù)如圖3所示。

圖3　分布式協(xié)同遙感星群智能控制系統(tǒng)關(guān)鍵技術(shù)

1）分布式協(xié)同自主導(dǎo)航技術(shù)

大規(guī)模星群典型特征為成員衛(wèi)星數(shù)目巨大，傳統(tǒng)依賴于地面站的測(cè)控方式將導(dǎo)致信息傳輸量顯著增加，地面測(cè)控站的負(fù)擔(dān)急劇加重。除此之外，依賴地面站或全球?qū)Ш叫l(wèi)星系統(tǒng)（Global Navigation Satellite System，GNSS）導(dǎo)航衛(wèi)星會(huì)增加星座內(nèi)衛(wèi)星在遇到干擾或者通信導(dǎo)航系統(tǒng)故障時(shí)的安全風(fēng)險(xiǎn)，減弱航天器的生存能力，影響星座組網(wǎng)功能，極端情況導(dǎo)致密集分布衛(wèi)星存在碰撞風(fēng)險(xiǎn)。因此，大規(guī)模星群需要具備無(wú)外部系統(tǒng)支持下的長(zhǎng)期自主導(dǎo)航能力。與利用地基觀測(cè)站點(diǎn)和天基導(dǎo)航星座的導(dǎo)航方式相比，自主導(dǎo)航只需依靠航天器自身攜帶的敏感器，保證了巨型星座對(duì)自主性和安全性的需求。

2）智能協(xié)同運(yùn)動(dòng)規(guī)劃與控制技術(shù)

分布式協(xié)同微納遙感星群的成員數(shù)量多、分布緊密，易于空間失效衛(wèi)星或空間碎片發(fā)生碰撞，要求微納星群具備碰撞威脅應(yīng)急規(guī)避能力；在抗震救災(zāi)、森林火災(zāi)等應(yīng)急救援任務(wù)中，星群構(gòu)型要能夠靈活切換以實(shí)現(xiàn)區(qū)域觀測(cè)增強(qiáng)，要求遙感觀測(cè)星群具備構(gòu)型變換能力；此外，星群中單顆衛(wèi)星可靠性比較低，星群存在局部衛(wèi)星失效風(fēng)險(xiǎn)，要求遙感觀測(cè)星群具備局部衛(wèi)星失效條件下的構(gòu)型重構(gòu)能力。因此，分布式協(xié)同微納遙感星群需要具備機(jī)動(dòng)規(guī)避和構(gòu)型變換能力，解決多約束構(gòu)型變換協(xié)同運(yùn)動(dòng)規(guī)劃以及協(xié)同運(yùn)動(dòng)控制等關(guān)鍵技術(shù)問(wèn)題。

3）集群衛(wèi)星智能健康管理技術(shù)

分布式協(xié)同微納遙感星群衛(wèi)星規(guī)模龐大，衛(wèi)星上各分系統(tǒng)均為小型化設(shè)計(jì)，且集成度較高，星上故障概率大大增加?？刂葡到y(tǒng)作為衛(wèi)星重要的子系統(tǒng)，配置了復(fù)雜的敏感器、執(zhí)行器和控制器，存在較高的故障風(fēng)險(xiǎn)。若集群內(nèi)一個(gè)衛(wèi)星控制系統(tǒng)發(fā)生故障，其軌道姿態(tài)發(fā)生漂移，極易引發(fā)集群內(nèi)鏈?zhǔn)脚鲎驳臍顼L(fēng)險(xiǎn)，甚至形成大量低軌碎片，對(duì)空間環(huán)境造成極大影響。因此，亟須對(duì)集群衛(wèi)星的控制系統(tǒng)進(jìn)行智能健康管理，傳統(tǒng)的基于傳感器的故障診斷技術(shù)不能充分滿足其可靠性要求，通過(guò)智能系統(tǒng)對(duì)故障的發(fā)生進(jìn)行預(yù)測(cè)，對(duì)衛(wèi)星的壽命進(jìn)行估計(jì)，將判斷節(jié)點(diǎn)遷移，為失效衛(wèi)星預(yù)留壽命末期離軌的時(shí)間，避免集群系統(tǒng)內(nèi)其他衛(wèi)星受到失效衛(wèi)星的干擾，最大限度地保證集群系統(tǒng)任務(wù)效能。集群衛(wèi)星控制系統(tǒng)智能健康管理技術(shù)面向復(fù)雜的分布式協(xié)同遙感星群，可以極大地降低集群系統(tǒng)失效風(fēng)險(xiǎn)，提高系統(tǒng)在軌安全運(yùn)行能力。

4）面向協(xié)同控制的智能組網(wǎng)技術(shù)

分布式協(xié)同微納遙感星群協(xié)同控制系統(tǒng)在導(dǎo)航、規(guī)劃、控制求解計(jì)算時(shí)涉及區(qū)域協(xié)同的復(fù)雜信息交互，求解速度和能力均受到星間組網(wǎng)路由的約束。星間自組織網(wǎng)絡(luò)需要突破以業(yè)務(wù)數(shù)據(jù)為導(dǎo)向的現(xiàn)狀，向面向協(xié)同智能導(dǎo)航控制任務(wù)需求的智能組網(wǎng)技術(shù)發(fā)展，為多星協(xié)同導(dǎo)航信息交互、分布式控制求解數(shù)據(jù)傳輸提供信息通路。然而，集群衛(wèi)星網(wǎng)絡(luò)固有的拓?fù)浣Y(jié)構(gòu)時(shí)變、單星資源受限、通信時(shí)延長(zhǎng)、易受干擾等特性，給高效路由方法設(shè)計(jì)帶來(lái)了挑戰(zhàn)。傳統(tǒng)天基/地基遙感網(wǎng)絡(luò)需預(yù)先規(guī)劃，不能快速響應(yīng)隨遇任務(wù)需求，難以應(yīng)對(duì)故障、干擾等突發(fā)情況，端到端的時(shí)延、吞吐量等性能無(wú)法保障。面向分布式協(xié)同遙感星群協(xié)同導(dǎo)航、規(guī)劃控制信息交互數(shù)據(jù)傳輸需求，設(shè)計(jì)自組織、智能化的集群衛(wèi)星網(wǎng)絡(luò)路由方法，滿足傳輸路徑的時(shí)間約束及自主構(gòu)建需求。

2　分布協(xié)同自主導(dǎo)航技術(shù)

2.1　問(wèn)題分析

智能分布協(xié)同對(duì)地觀測(cè)系統(tǒng)實(shí)際由大規(guī)模星座和若干緊密星簇組成，其自主導(dǎo)航既涉及大規(guī)模星座的長(zhǎng)期高精度自主導(dǎo)航，又涉及緊密星簇內(nèi)多星間的自主相對(duì)導(dǎo)航。

在大規(guī)模星座的長(zhǎng)期高精度自主導(dǎo)航方面，傳統(tǒng)星座采用基于分時(shí)星間測(cè)距的自主導(dǎo)航方法，每顆衛(wèi)星分配一定時(shí)間（典型如1.5 s）實(shí)現(xiàn)對(duì)相鄰衛(wèi)星的星間測(cè)距。在星座節(jié)點(diǎn)數(shù)量過(guò)多時(shí)，星間測(cè)距時(shí)間過(guò)長(zhǎng)，測(cè)量延遲使得系統(tǒng)無(wú)法實(shí)現(xiàn)全局自主導(dǎo)航。同時(shí)，復(fù)雜動(dòng)態(tài)星間通信拓?fù)湟蚕拗屏诵情g測(cè)量的可用性。傳統(tǒng)星座自主導(dǎo)航仍然采用集中式濾波求解方法，但是，計(jì)算量會(huì)隨星座節(jié)點(diǎn)數(shù)量增加而爆發(fā)式增長(zhǎng)，遠(yuǎn)遠(yuǎn)超出衛(wèi)星計(jì)算能力。

在緊密星簇的星間自主相對(duì)導(dǎo)航方面，傳統(tǒng)采用差分GNSS、光電跟瞄等實(shí)現(xiàn)兩星間的相對(duì)導(dǎo)航，但對(duì)于成員數(shù)量較多的緊密星簇，差分GNSS、光電跟瞄等方法存在敏感器視場(chǎng)指向約束無(wú)法時(shí)刻滿足、星間信息交互通道和范圍受限等問(wèn)題，無(wú)法滿足任意時(shí)刻、任意兩星之間的相對(duì)狀態(tài)估計(jì)要求。

2.2　研究現(xiàn)狀分析

2.2.1大規(guī)模星座的長(zhǎng)期高精度自主導(dǎo)航

為了提高全球定位系統(tǒng)（Global Positioning System，GPS）在軌生存能力，早在20世紀(jì)80年代美國(guó)就開(kāi)始導(dǎo)航星座自主運(yùn)行研究，提出了利用星間測(cè)量進(jìn)行星座自主導(dǎo)航的方法，自此星座自主導(dǎo)航技術(shù)受到國(guó)內(nèi)外廣泛重視。迄今為止，GPS星座中的Block ⅡR、Block ⅡR-M、Block ⅡF等批次衛(wèi)星先后在軌開(kāi)展了多種星座自主導(dǎo)航方法的測(cè)試［22-23］。在此基礎(chǔ)上，下一代GPSIII、北斗等星座進(jìn)一步規(guī)劃了基于Ka或V星間鏈路的自主導(dǎo)航功能［24］。

在星座自主導(dǎo)航中，星間鏈路測(cè)距是其主要途徑，國(guó)內(nèi)外研究主要圍繞提高長(zhǎng)期導(dǎo)航精度、優(yōu)化星間測(cè)量拓?fù)浣Y(jié)構(gòu)、提升數(shù)據(jù)處理效率進(jìn)行理論和工程實(shí)踐研究。其中，提高長(zhǎng)期導(dǎo)航精度的方法主要有增設(shè)地錨站、引入星間指向信息、自主測(cè)量輔助；優(yōu)化星間測(cè)量拓?fù)浣Y(jié)構(gòu)可根據(jù)優(yōu)化目標(biāo)選取進(jìn)行區(qū)分，提升數(shù)據(jù)處理效率主要分為集中式、分布式研究思路。星座自主導(dǎo)航方法分類如圖4所示。

圖4　星座自主導(dǎo)航方法研究概況

1）星座長(zhǎng)期導(dǎo)航精度提升方法

由于地球引力場(chǎng)中作為主導(dǎo)的中心引力項(xiàng)與J2項(xiàng)均具有旋轉(zhuǎn)對(duì)稱性，僅利用星間測(cè)距數(shù)據(jù)無(wú)法確定星座內(nèi)衛(wèi)星的升交點(diǎn)經(jīng)度，從而導(dǎo)致星座長(zhǎng)期運(yùn)行存在整體漂移誤差。因此在提高長(zhǎng)期導(dǎo)航精度方面，相關(guān)研究主要為了解決基于星間測(cè)距進(jìn)行整網(wǎng)定軌存在的星座整體長(zhǎng)期漂移不可觀問(wèn)題。

為了提高星座長(zhǎng)期自主導(dǎo)航精度，現(xiàn)有研究主要采用引入先驗(yàn)信息或者絕對(duì)觀測(cè)基準(zhǔn)的思路來(lái)修正星座的漂移誤差。由于引入軌道先驗(yàn)信息無(wú)法徹底消除星座漂移誤差［25-26］，更多研究關(guān)注于采用增加額外觀測(cè)基準(zhǔn)的方式來(lái)處理星座整體漂移的問(wèn)題。根據(jù)選取的基準(zhǔn)類型不同具體思路又可分為3類：第1類為在地表布設(shè)錨固站［27-28］，星座內(nèi)的衛(wèi)星通過(guò)與錨固站的相對(duì)測(cè)量改正整體的漂移誤差［29］，該類方法具有穩(wěn)定高精度的特點(diǎn)，但無(wú)法保證星座運(yùn)行的完全自主；第2類思路中引入包含星間指向信息的星間觀測(cè)［30-32］，韓飛等［33］提出了基于星間照相觀測(cè)的中軌星座自主導(dǎo)航系統(tǒng)方案，利用成員星間視線方向與視場(chǎng)內(nèi)恒星方向的角距作為觀測(cè)量，實(shí)現(xiàn)了星座整網(wǎng)無(wú)漂自主導(dǎo)航，該模式受到星座構(gòu)型、星間可見(jiàn)性等限制；第3類思路利用空間各類目標(biāo)作為導(dǎo)航基準(zhǔn)，如采用天文信息、對(duì)地遙感測(cè)量、高度計(jì)測(cè)量等作為基準(zhǔn)觀測(cè)數(shù)據(jù)［34-35］。如李木子等［35］在星間測(cè)距基礎(chǔ)上，增加雷達(dá)測(cè)高和地面圖像標(biāo)志點(diǎn)方位等測(cè)量量，有效解決了混合星座長(zhǎng)期漂移估計(jì)問(wèn)題。該類思路以其高自主性、安全可靠的特點(diǎn)已成為星座長(zhǎng)期自主運(yùn)行主要手段。其中，天文導(dǎo)航以其導(dǎo)航基準(zhǔn)分布廣泛、導(dǎo)航信息豐富以及高可靠性等特點(diǎn)，更是在修正星座整網(wǎng)漂移中受到了廣泛的關(guān)注與研究［36］。

2）星間測(cè)量拓?fù)浣Y(jié)構(gòu)優(yōu)化

在以星間相對(duì)測(cè)量為主要思路的星座自主導(dǎo)航框架中，快速、高效地完成整網(wǎng)自主導(dǎo)航測(cè)量與數(shù)據(jù)分發(fā)是星座導(dǎo)航解算的基礎(chǔ)，幾種星間鏈路網(wǎng)絡(luò)拓?fù)鋵?duì)比如圖5所示。

現(xiàn)有工程實(shí)踐中，美國(guó)GPS與我國(guó)北斗導(dǎo)航星座均已完成基于星間測(cè)距的自主導(dǎo)航技術(shù)的在軌驗(yàn)證，其中早期GPS Block ⅡR以及Block ⅡF衛(wèi)星采用UHF頻段寬波束天線建立星間鏈路，輪詢時(shí)分體制完成測(cè)距。在該體制下為協(xié)調(diào)各衛(wèi)星任務(wù)，每個(gè)周期內(nèi)測(cè)距子幀設(shè)定36 s為1幀，每顆衛(wèi)星分配1.5 s［24］，對(duì)于衛(wèi)星數(shù)目較少的傳統(tǒng)星座，這種方式對(duì)星座整體導(dǎo)航效率的影響并不明顯，但是對(duì)于大規(guī)模星座，由于衛(wèi)星數(shù)目巨大，星座的單幀測(cè)量周期將會(huì)大幅延長(zhǎng)，無(wú)法滿足星座內(nèi)衛(wèi)星導(dǎo)航解算的時(shí)效性需求。由此帶來(lái)了針對(duì)大規(guī)模星座的星間測(cè)量拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)及鏈路規(guī)劃的新問(wèn)題。

圖5　星間鏈路網(wǎng)絡(luò)拓?fù)鋵?duì)比

現(xiàn)有星間鏈路規(guī)劃研究主要以鏈路星地傳輸數(shù)據(jù)延遲為主要優(yōu)化指標(biāo)，以導(dǎo)航星座為研究對(duì)象，通過(guò)對(duì)星間鏈路時(shí)分通信流程進(jìn)行數(shù)學(xué)建模，利用離散差分進(jìn)化（Discrete Differential Evolution，DDE）、模擬退火（Simulated Annealing，SA）算法以及數(shù)據(jù)驅(qū)動(dòng)啟發(fā)式基因算法（Data-Driven Heuristic Memetic Algorithm，DHMA）等智能優(yōu)化方法，實(shí)現(xiàn)對(duì)星上數(shù)據(jù)傳輸?shù)降孛嫫骄疃虝r(shí)延鏈路獲取［37-40］。其中一些研究在進(jìn)行延遲時(shí)間優(yōu)化的同時(shí)，兼顧了對(duì)星間鏈路測(cè)距效果的評(píng)估與優(yōu)化，YANG等［41］在DDE優(yōu)化模型框架下通過(guò)在滿足最優(yōu)傳輸時(shí)延鏈路的基礎(chǔ)上，根據(jù)各成員星可見(jiàn)星排序進(jìn)行測(cè)距鏈路拓展，以最大測(cè)距建鏈數(shù)目為目標(biāo)設(shè)計(jì)規(guī)劃周期內(nèi)的測(cè)距鏈路。同樣是在最優(yōu)平均延遲策略基礎(chǔ)上，SUN等［39］在利用進(jìn)化算法（Genetic Algorithm， GA）構(gòu)建的滿足最優(yōu)通信數(shù)據(jù)鏈路基礎(chǔ)上，以實(shí)現(xiàn)與已有鏈路不發(fā)生沖突為約束，以位置精度因子（Position Dilution of Precision， PDOP）值優(yōu)化目標(biāo)設(shè)計(jì)規(guī)劃周期內(nèi)的測(cè)距鏈路。王東會(huì)等［42］針對(duì)GPS輪詢時(shí)分測(cè)距體制對(duì)定軌性能提高的限制，提出一種分組時(shí)分測(cè)距體制，設(shè)計(jì) 2步算法提升星間鏈路數(shù)目，提升星座定軌精度。鑒于大規(guī)模星座星間通信測(cè)量拓?fù)浣Y(jié)構(gòu)復(fù)雜特點(diǎn)，利用現(xiàn)有智能化優(yōu)化理論成果，構(gòu)建優(yōu)化解算模型，實(shí)現(xiàn)快速高效星座測(cè)量拓?fù)湓O(shè)計(jì)及鏈路規(guī)劃仍是亟待開(kāi)展研究解決的問(wèn)題。

3）導(dǎo)航數(shù)據(jù)處理方法

采用何種導(dǎo)航數(shù)據(jù)處理方法直接影響星座導(dǎo)航解算效率與導(dǎo)航精度。目前星座自主導(dǎo)航大致可分為集中式、分布式處理。集中式處理模式下，衛(wèi)星系統(tǒng)將各成員星星間觀測(cè)信息統(tǒng)一發(fā)送到主星進(jìn)行數(shù)據(jù)處理及分發(fā)。該模式理論上解算精度最高，但其對(duì)設(shè)備通信和計(jì)算性能的要求也較高，因此很難應(yīng)用于大規(guī)模星座的自主導(dǎo)航中。相比之下，分布式處理模式下各衛(wèi)星僅使用直接測(cè)量關(guān)聯(lián)的觀測(cè)量進(jìn)行處理，提升了任務(wù)的可拓展性、容錯(cuò)性。但由于其僅利用可見(jiàn)星的觀測(cè)值進(jìn)行參數(shù)估計(jì)，對(duì)整網(wǎng)測(cè)量解算關(guān)系進(jìn)行了解耦與簡(jiǎn)化，從而造成次優(yōu)估計(jì)。目前根據(jù)狀態(tài)方程階數(shù)不同，分布式導(dǎo)航算法可分為全階處理（Fractional-Order Extended Kalman Filter，F(xiàn)OEKF）算法、降階處理（Reduced Order Extended Kalman Filter，ROEKF）算法［29］。其中，F(xiàn)OEKF算法需要在每顆衛(wèi)星上運(yùn)行高階濾波器，未有效地減少各衛(wèi)星的計(jì)算負(fù)擔(dān)。因此，現(xiàn)多采用ROEKF算法，根據(jù)分散處理方式的不同，ROEKF中又包含ICEKF（迭代級(jí)聯(lián)EKF）、IREKF（提升觀測(cè)方差的EKF）、SKF（分布式Schmit-Kalman濾波）等多種具體算法［42-45］，依靠該類算法均可以有效地提升星載處理效率。

2.2.2緊密星簇的星間自主相對(duì)導(dǎo)航

基于差分GNSS的星間相對(duì)導(dǎo)航方法目前已經(jīng)較為成熟［47-49］，國(guó)內(nèi)外均已在編隊(duì)衛(wèi)星任務(wù)中廣泛應(yīng)用，也被推廣應(yīng)用到微納星群的內(nèi)部成員間相對(duì)導(dǎo)航中［50］，但該類方法需要依賴外部的GNSS系統(tǒng)，并非純自主相對(duì)導(dǎo)航方法。

針對(duì)緊密星簇的星間自主相對(duì)導(dǎo)航，國(guó)內(nèi)外研究主要圍繞自主相對(duì)導(dǎo)航方法、相對(duì)狀態(tài)實(shí)時(shí)感知估計(jì)進(jìn)行理論及工程實(shí)踐研究。其中，自主相對(duì)導(dǎo)航方法可分為測(cè)角+測(cè)距導(dǎo)航、僅測(cè)角導(dǎo)航。相對(duì)狀態(tài)實(shí)時(shí)感知估計(jì)包括基于局部測(cè)量的全局相對(duì)感知、基于僅測(cè)距的相對(duì)導(dǎo)航以及基于場(chǎng)強(qiáng)的區(qū)域快速定位。星簇相對(duì)導(dǎo)航主要方法如圖6所示。

圖6　星簇相對(duì)導(dǎo)航方法研究概況

純自主相對(duì)導(dǎo)航方法中，基于光電跟瞄、激光/微波雷達(dá)等敏感器測(cè)量相對(duì)方位和相對(duì)距離，進(jìn)而實(shí)現(xiàn)相對(duì)位置和速度估計(jì)［51-53］，也是相對(duì)成熟的方法。進(jìn)一步，在功耗、重量約束下，激光、微波等主動(dòng)探測(cè)設(shè)備量程受限，對(duì)于微小衛(wèi)星，難以實(shí)現(xiàn)遠(yuǎn)程目標(biāo)主動(dòng)測(cè)距，基于紅外/可見(jiàn)光相機(jī)被動(dòng)成像的僅測(cè)角相對(duì)導(dǎo)航成為重要發(fā)展方向。WOFFINDEN等［54］和GELLER等［55］根據(jù)提出的可觀性判據(jù)證明了僅測(cè)角相對(duì)導(dǎo)航的可觀性。歐空局PRISMA計(jì)劃在2011—2013年間開(kāi)展了多次僅測(cè)角的相對(duì)導(dǎo)航技術(shù)在軌試驗(yàn)，充分驗(yàn)證了可行性［56-58］。但是，僅測(cè)角的導(dǎo)航系統(tǒng)中相對(duì)狀態(tài)中徑向的可觀測(cè)度顯著下降，估計(jì)精度差甚至發(fā)散。國(guó)內(nèi)外學(xué)者先后提出了軌道機(jī)動(dòng)［59-61］、相機(jī)偏置［62-64］、復(fù)雜動(dòng)力學(xué)［65-69］和多視線協(xié)同［70-75］等改進(jìn)方法。其中，多視線協(xié)同是最有效的解決方法，可以使系統(tǒng)狀態(tài)完全可觀，從而極大擴(kuò)大微小衛(wèi)星的精確相對(duì)導(dǎo)航有效距離范圍。但是，這些方法需要敏感器視場(chǎng)覆蓋目標(biāo)，由于星簇衛(wèi)星數(shù)量較多，且在相對(duì)動(dòng)力學(xué)作用下相對(duì)位置連續(xù)時(shí)變，敏感器視場(chǎng)難以覆蓋所有其他成員衛(wèi)星，也就難以實(shí)現(xiàn)全部成員間實(shí)時(shí)相對(duì)導(dǎo)航。

緊密星簇的全員相對(duì)狀態(tài)實(shí)時(shí)感知估計(jì)是近年來(lái)新興起的研究熱點(diǎn)，其核心在于解決傳統(tǒng)方法的相對(duì)測(cè)量指向、通道約束問(wèn)題。為此，國(guó)內(nèi)外提出的主要解決途徑包括3類：基于局部測(cè)量的全局相對(duì)感知、基于僅測(cè)距的相對(duì)導(dǎo)航、基于場(chǎng)強(qiáng)的區(qū)域快速定位。MATSUKA等［76-78］考慮星簇的時(shí)變通信和相對(duì)測(cè)量拓?fù)鋱D，提出了去中心化相對(duì)位姿估計(jì)算法，成員星通過(guò)相鄰星間測(cè)量確定相對(duì)位置并廣播，結(jié)合星群基準(zhǔn)系估計(jì)算法，實(shí)現(xiàn)統(tǒng)一全局基準(zhǔn)下的星群相對(duì)狀態(tài)估計(jì)。該方法中每顆成員星僅按照通信和測(cè)量拓?fù)鋵?shí)現(xiàn)相鄰測(cè)量與導(dǎo)航，簡(jiǎn)化敏感器指向和通道約束，且計(jì)算量不隨星群規(guī)模增長(zhǎng)，但局部測(cè)量仍然需要構(gòu)建相鄰星間的敏感器指向關(guān)系，容易對(duì)星簇正常業(yè)務(wù)功能帶來(lái)矛盾約束。龔柏春等［79-81］提出了一種基于一致性濾波的僅測(cè)距航天器集群的相對(duì)導(dǎo)航方法，該方法借助星間通信時(shí)標(biāo)測(cè)距，可以由全向天線擺脫敏感器視場(chǎng)約束，且無(wú)需增加新敏感器，但無(wú)線通信測(cè)距多徑效應(yīng)、系統(tǒng)低可觀度，都制約了該方法的精度與穩(wěn)定性。韓飛等［82］提出了一種基于場(chǎng)強(qiáng)指紋的星群區(qū)域快速定位方法，在星群中4顆基準(zhǔn)星構(gòu)建一定區(qū)域范圍內(nèi)的統(tǒng)一時(shí)空基準(zhǔn)和無(wú)線電信號(hào)場(chǎng)，進(jìn)入該區(qū)域的成員星接收基準(zhǔn)星發(fā)射的無(wú)線電信號(hào)并估計(jì)強(qiáng)度，通過(guò)場(chǎng)強(qiáng)指紋匹配，確定區(qū)域內(nèi)位置，從而實(shí)現(xiàn)全局相對(duì)導(dǎo)航。該方法成員星僅被動(dòng)接收無(wú)線電信號(hào)，同樣不受敏感器指向和測(cè)量通道限制，但場(chǎng)強(qiáng)指紋庫(kù)的數(shù)據(jù)規(guī)模隨區(qū)域空間尺寸、細(xì)分網(wǎng)格尺寸而急劇增大，導(dǎo)致可用的距離范圍受限。此外，類GPS方法［83］、基于超寬帶（Ultra Wide Band，UWB）［84］的方法也被用來(lái)解決星群成員相對(duì)導(dǎo)航問(wèn)題，但都存在多徑干擾、可用距離范圍受限等問(wèn)題。

2.3　趨勢(shì)分析與展望

大規(guī)模星座長(zhǎng)期高精度自主導(dǎo)航、緊密星簇的全員相對(duì)狀態(tài)實(shí)時(shí)感知，是新興的2類自主導(dǎo)航問(wèn)題。

現(xiàn)有的星座自主導(dǎo)航研究從長(zhǎng)期導(dǎo)航精度維持、星座導(dǎo)航測(cè)量拓?fù)湓O(shè)計(jì)、導(dǎo)航數(shù)據(jù)處理等角度為現(xiàn)有規(guī)模星座提出了解決方案。但伴隨著星座衛(wèi)星小型化、星座規(guī)模化發(fā)展趨勢(shì)，星座呈現(xiàn)成員衛(wèi)星數(shù)量龐大、多軌道平面密集分布、單星解算能力受限等新的特點(diǎn)，為自主導(dǎo)航提出了新的挑戰(zhàn)。因此，未來(lái)大規(guī)模星座自主導(dǎo)航朝著高度自主、分布式、智能化方向發(fā)展，并聚焦星座整網(wǎng)長(zhǎng)期漂移誤差修正、大規(guī)模節(jié)點(diǎn)復(fù)雜星間測(cè)量拓?fù)浣Y(jié)構(gòu)優(yōu)化、降階分布式導(dǎo)航濾波數(shù)據(jù)處理等具體問(wèn)題展開(kāi)研究。

緊密星簇由于成員較多，如何在不影響星簇協(xié)同任務(wù)的情況下，擺脫星間相對(duì)測(cè)量的指向和通道約束，實(shí)現(xiàn)全員相對(duì)狀態(tài)的實(shí)時(shí)感知，是需要進(jìn)一步研究解決的問(wèn)題。

3　智能規(guī)劃與協(xié)同控制技術(shù)

3.1　問(wèn)題分析

分布式協(xié)同微納遙感星群需要具備機(jī)動(dòng)規(guī)避和構(gòu)型變換能力，其核心問(wèn)題是解決星群協(xié)同運(yùn)動(dòng)規(guī)劃和星群協(xié)同運(yùn)動(dòng)控制兩方面關(guān)鍵技術(shù)。

星群協(xié)同運(yùn)動(dòng)規(guī)劃的本質(zhì)是在分布式求解框架下，綜合安全避撞、構(gòu)型維持、拓?fù)溥B通等多約束條件，考慮單星燃料消耗、星群燃料均衡、構(gòu)型變遷時(shí)間、觀測(cè)構(gòu)型穩(wěn)定性等多目標(biāo)函數(shù)，解決復(fù)雜攝動(dòng)、測(cè)量與控制不確定、模型未知等因素的多目標(biāo)、多約束、分布式、自適應(yīng)問(wèn)題。常見(jiàn)的方法包括基于數(shù)學(xué)規(guī)則的星群運(yùn)動(dòng)規(guī)劃方法和智能星群運(yùn)動(dòng)規(guī)劃方法?；跀?shù)學(xué)規(guī)則的星群協(xié)同運(yùn)動(dòng)規(guī)劃方法是將單星運(yùn)動(dòng)規(guī)劃算法拓展應(yīng)用到星群運(yùn)動(dòng)規(guī)劃中，該類方法需要遍歷整個(gè)搜索空間，通常要求解目標(biāo)函數(shù)梯度信息，且計(jì)算量隨著星群數(shù)量增加而顯著增大，容易產(chǎn)生搜索的“組合爆炸”。由于星群協(xié)同運(yùn)動(dòng)規(guī)劃面臨著非線性、多約束、拓?fù)錁?gòu)型變換等問(wèn)題，而進(jìn)化算法、群智能、SA等智能運(yùn)動(dòng)規(guī)劃方法無(wú)需求解目標(biāo)函數(shù)梯度信息，不要求目標(biāo)函數(shù)和約束連續(xù)性和凸性，對(duì)數(shù)據(jù)不確定性具有更強(qiáng)的魯棒性，可有效解決星群協(xié)同運(yùn)動(dòng)規(guī)劃中面臨的非線性、多約束、建模困難等復(fù)雜問(wèn)題。

星群協(xié)同運(yùn)動(dòng)控制是在星群拓?fù)渥儞Q、環(huán)境動(dòng)力學(xué)模型不確定、通信異常、突發(fā)干擾等條件下，實(shí)現(xiàn)星群運(yùn)動(dòng)規(guī)劃軌跡的跟蹤控制。常見(jiàn)的方法包括基于分布式結(jié)構(gòu)的控制方法和基于機(jī)器學(xué)習(xí)的智能控制方法。在星群協(xié)同運(yùn)動(dòng)控制任務(wù)中，面臨動(dòng)力學(xué)攝動(dòng)、質(zhì)量變化、拓?fù)錁?gòu)型變化、環(huán)境動(dòng)力學(xué)模型不確定、通信時(shí)延或丟失等問(wèn)題，需要考慮神經(jīng)網(wǎng)絡(luò)控制和多智能體強(qiáng)化學(xué)習(xí)等智能協(xié)同控制算法，解決星群構(gòu)型拓?fù)鋾r(shí)變、模型不精確、個(gè)體質(zhì)量特性顯著變化、通信受限等難題。

3.2　研究現(xiàn)狀分析

3.2.1星群智能協(xié)同運(yùn)動(dòng)規(guī)劃技術(shù)

星群協(xié)同運(yùn)動(dòng)規(guī)劃是計(jì)算一個(gè)以時(shí)間為參數(shù)的函數(shù)，對(duì)于定義域內(nèi)的每一個(gè)時(shí)間都滿足運(yùn)動(dòng)學(xué)約束、碰撞約束以及控制受限約束，其輸入包括障礙物預(yù)測(cè)軌跡、衛(wèi)星狀態(tài)等信息，輸出各子星與時(shí)間相關(guān)的位置函數(shù)。星群規(guī)劃算法包括基于梯度的星群運(yùn)動(dòng)規(guī)劃算法和智能星群運(yùn)動(dòng)規(guī)劃算法（如圖7所示），前者包括凸優(yōu)化、基于最優(yōu)規(guī)劃、擬牛頓等規(guī)劃算法，后者包括進(jìn)化、群智能、SA等智能協(xié)同運(yùn)動(dòng)規(guī)劃算法，具有簡(jiǎn)單、通用、便于并行處理等特點(diǎn)。

圖7　星群協(xié)同運(yùn)動(dòng)規(guī)劃技術(shù)分類

基于梯度的傳統(tǒng)星群協(xié)同運(yùn)動(dòng)規(guī)劃算法是將經(jīng)典的凸優(yōu)化方法、基于最優(yōu)控制原理規(guī)劃、擬牛頓法等算法應(yīng)用在星群規(guī)劃中，具有可靠性高、技術(shù)成熟的優(yōu)點(diǎn)，通常需要求解目標(biāo)函數(shù)梯度信息。但是，解決多目標(biāo)優(yōu)化、目標(biāo)函數(shù)非凸不連續(xù)等復(fù)雜問(wèn)題時(shí)有較大的局限性，且計(jì)算量會(huì)隨著衛(wèi)星數(shù)量的增加而明顯增加。

基于凸優(yōu)化的星群協(xié)同運(yùn)動(dòng)規(guī)劃是考慮燃料消耗最少、執(zhí)行機(jī)構(gòu)受限、控制過(guò)程約束等條件，對(duì)數(shù)學(xué)模型進(jìn)行線性化處理，運(yùn)用凸優(yōu)化理論求解星群運(yùn)動(dòng)規(guī)劃軌跡［85］。該方法求解速度比較快，但存在不能收斂或由于線性化產(chǎn)生誤差較大的問(wèn)題?；谧顑?yōu)控制原理的星群協(xié)同運(yùn)動(dòng)規(guī)劃以確定任務(wù)為背景，基于最優(yōu)控制和組合學(xué)原理研究星群協(xié)同運(yùn)動(dòng)控制問(wèn)題［86-87］，適用于構(gòu)型不變而衛(wèi)星位置改變的特定場(chǎng)景。

與傳統(tǒng)基于梯度的規(guī)劃方法相比，智能星群運(yùn)動(dòng)規(guī)劃方法無(wú)需求解目標(biāo)函數(shù)梯度信息，不要求目標(biāo)函數(shù)、約束連續(xù)性和凸性，對(duì)數(shù)據(jù)不確定性具有更強(qiáng)的適應(yīng)性，是解決星群協(xié)同運(yùn)動(dòng)規(guī)劃的有效方法。典型星群智能運(yùn)動(dòng)規(guī)劃的優(yōu)化算法包括進(jìn)化算法、群智能算法、SA算法。

進(jìn)化算法是基于自然界生物的遺傳和變異等機(jī)理，對(duì)進(jìn)化規(guī)律加以模式化而形成的優(yōu)化算法，典型算法包括遺傳算法、差分進(jìn)化算法和免疫算法。基于遺傳算法的星群運(yùn)動(dòng)規(guī)劃方法是模擬自然進(jìn)化過(guò)程，將星群協(xié)同運(yùn)動(dòng)規(guī)劃問(wèn)題轉(zhuǎn)化為染色體基因的交叉、變異等進(jìn)化過(guò)程，通過(guò)對(duì)適應(yīng)度函數(shù)進(jìn)行尋優(yōu)，獲得滿足多約束條件的星群運(yùn)動(dòng)規(guī)劃可行解，該方法具有全局搜索能力強(qiáng)、不依賴于梯度信息等優(yōu)點(diǎn)，但局部搜索能力較弱，通常無(wú)法獲得全局最優(yōu)解。

差分進(jìn)化算法是一種隨機(jī)啟發(fā)式搜索算法，基于實(shí)數(shù)編碼、差分變異操作和競(jìng)爭(zhēng)生存策略，有效降低了計(jì)算的復(fù)雜性，具有較強(qiáng)全局收斂能力和魯棒性，適用于求解復(fù)雜運(yùn)動(dòng)規(guī)劃問(wèn)題。

免疫算法是將免疫概念和理論用于遺傳算法，采用群體搜索策略，迭代計(jì)算獲得問(wèn)題最優(yōu)解，抑制遺傳算法存在的退化問(wèn)題，具有自適應(yīng)性強(qiáng)、隨機(jī)性高、并行性強(qiáng)、全局收斂性好等優(yōu)點(diǎn)。

群智能算法是一種模擬生物群體行為規(guī)律的優(yōu)化方法，它受社會(huì)昆蟲(chóng)（如螞蟻、蜜蜂）和群居動(dòng)物（如鳥(niǎo)群、魚(yú)群和獸群）的啟發(fā)，無(wú)需集中控制和全局模型，可實(shí)現(xiàn)復(fù)雜分布式求解。

典型算法包括粒子群算法（Particle Swarm Optimization，PSO）、蟻群算法、蜂群算法、狼群算法等［88］。PSO［89］是受鳥(niǎo)群或魚(yú)群覓食行為啟發(fā)，將星群運(yùn)動(dòng)規(guī)劃可行解當(dāng)作一個(gè)粒子（族群個(gè)體），粒子在解空間中移動(dòng)或游走以獲得最優(yōu)解，該算法的缺點(diǎn)是易陷入局部最優(yōu)。蟻群算法是通過(guò)模仿螞蟻覓食時(shí)可快速越過(guò)障礙物并找到蟻巢與食物之間的最短路徑的行為，實(shí)現(xiàn)復(fù)雜問(wèn)題求解［90］，該算法具有分布式計(jì)算、間接通信、無(wú)中心控制、易與其他算法相結(jié)合等優(yōu)點(diǎn)，但算法參數(shù)設(shè)置復(fù)雜，參數(shù)設(shè)置不當(dāng)易偏離最優(yōu)解。蜂群算法［91］模仿蜂群采蜜行為，依照任務(wù)分工完成蜜蜂之間的蜜源信息交流和共享，具有結(jié)構(gòu)簡(jiǎn)單、搜索效率高的優(yōu)點(diǎn)，但易陷入局部最優(yōu)解［92］。狼群算法是模擬狼群捕食和獵物分配的自然啟發(fā)式算法，通過(guò)狼群初始化、頭狼競(jìng)爭(zhēng)和召喚、獵物圍攻和狼群更新等步驟獲得最優(yōu)解。

王訓(xùn)等［93］針對(duì)無(wú)人集群系統(tǒng)協(xié)同監(jiān)視任務(wù)，考慮自身能量消耗目標(biāo)函數(shù)，基于PSO規(guī)劃出了局部路徑，使群體系統(tǒng)涌現(xiàn)出聚集行為。張震等［94］針對(duì)障礙物規(guī)避的航天器集群動(dòng)態(tài)目標(biāo)點(diǎn)路徑規(guī)劃問(wèn)題，提出了一種基于協(xié)同PSO的路徑規(guī)劃方法，得到三維空間中星群動(dòng)態(tài)路徑規(guī)劃最優(yōu)解。韓博文等［95］提出了一種多策略融合量子PSO，獲得了動(dòng)態(tài)最優(yōu)軌跡解。王婷等［96］針對(duì)多星編隊(duì)構(gòu)型優(yōu)化問(wèn)題，將非線性模型求解問(wèn)題轉(zhuǎn)化為參數(shù)約束優(yōu)化問(wèn)題，采用粒子群優(yōu)化算法實(shí)現(xiàn)了平面和立體情況下的最優(yōu)靜態(tài)編隊(duì)構(gòu)型優(yōu)化。

SA算法是基于蒙特卡洛迭代求解策略，無(wú)需搜索空間知識(shí)或者輔助信息，在鄰域結(jié)構(gòu)內(nèi)選取相鄰解，采用概率變遷確定搜索方向，基于目標(biāo)函數(shù)評(píng)估以獲得最優(yōu)解，該算法對(duì)初值不敏感，具有漸近收斂性和并行性，可獲得全局最優(yōu)解。周亮等［97］針對(duì)星群重構(gòu)機(jī)動(dòng)過(guò)程中的安全避撞任務(wù)需求，采用改進(jìn)SA算法獲得星群重構(gòu)全局最優(yōu)解。

3.2.2星群智能協(xié)同運(yùn)動(dòng)控制技術(shù)

星群協(xié)同運(yùn)動(dòng)控制［98］的典型控制策略包括基于分布式星群協(xié)同運(yùn)動(dòng)控制、領(lǐng)導(dǎo)者-追隨者協(xié)同運(yùn)動(dòng)控制、基于虛擬結(jié)構(gòu)的星群協(xié)同運(yùn)動(dòng)控制、基于行為的星群協(xié)同運(yùn)動(dòng)控制等（如圖8所示），在滿足星群一致性和星間安全避撞等方面具有一定優(yōu)勢(shì)，但在解決通信延遲和數(shù)據(jù)丟失、動(dòng)力學(xué)模型不精確、強(qiáng)干擾、拓?fù)錁?gòu)型變換等復(fù)雜任務(wù)時(shí)，具有一定的局限性，而以神經(jīng)網(wǎng)絡(luò)和多智能體強(qiáng)化學(xué)習(xí)為代表的星群智能協(xié)同運(yùn)動(dòng)控制方法在解決上述問(wèn)題中具有較好的控制性能。

圖8　星群協(xié)同運(yùn)動(dòng)控制技術(shù)分類

基于分布式星群協(xié)同運(yùn)動(dòng)控制策略是指每個(gè)子星的位姿和速度信息與星群中相鄰成員進(jìn)行交互，無(wú)需所有星群成員信息，直接與相鄰成員進(jìn)行通信以減少信息量，降低計(jì)算和通信限制［99-106］。基于領(lǐng)導(dǎo)者-跟隨者的星群協(xié)同運(yùn)動(dòng)控制策略是指星群中由領(lǐng)導(dǎo)者和跟隨者構(gòu)成，領(lǐng)導(dǎo)者與跟隨者保持相對(duì)穩(wěn)定運(yùn)動(dòng)狀態(tài)［107］，采用魯棒控制、自適應(yīng)控制、變結(jié)構(gòu)控制等算法［108］，實(shí)現(xiàn)編隊(duì)構(gòu)型保持控制?；谔摂M結(jié)構(gòu)的星群協(xié)同運(yùn)動(dòng)控制策略是基于星群期望狀態(tài)，通過(guò)星群協(xié)同控制使系統(tǒng)狀態(tài)總體誤差控制到最小，該策略設(shè)計(jì)簡(jiǎn)單、魯棒性較強(qiáng)，但對(duì)星群之間的通信以及星載計(jì)算能力要求都更高［109-110］?；谛袨榈男侨簠f(xié)同運(yùn)動(dòng)控制策略是把星群行為分為構(gòu)型保持、構(gòu)型跟蹤、構(gòu)型重構(gòu)、協(xié)同圍捕等［111-112］，并把各個(gè)行為模式根據(jù)權(quán)重不同體現(xiàn)在權(quán)函數(shù)中，利用遺傳算法、勢(shì)場(chǎng)法［113-115］等得到協(xié)同控制策略，該方法穩(wěn)定性分析較難。

隨著人工智能技術(shù)的發(fā)展，以神經(jīng)網(wǎng)絡(luò)控制算法和多智能體強(qiáng)化學(xué)習(xí)算法等為代表的機(jī)器學(xué)習(xí)方法被廣泛應(yīng)用于星群協(xié)同運(yùn)動(dòng)控制中。

神經(jīng)網(wǎng)絡(luò)控制算法用大量簡(jiǎn)單計(jì)算單元模擬人腦神經(jīng)元的信息處理、存儲(chǔ)和檢索等功能，在通信延遲、數(shù)據(jù)丟失、動(dòng)力學(xué)模型不精確、強(qiáng)干擾等復(fù)雜環(huán)境下，具有較好的控制性能。劉國(guó)平［116-117］針對(duì)具有通信延遲和數(shù)據(jù)丟失的網(wǎng)絡(luò)多智能體控制系統(tǒng)的一致性和穩(wěn)定性問(wèn)題，分別提出了一種網(wǎng)絡(luò)化多智能體預(yù)測(cè)控制方案和一種用于網(wǎng)絡(luò)化多智能體系統(tǒng)（Networked Multi-Agent Systems，NMASs）的云預(yù)測(cè)控制方案，以實(shí)現(xiàn)輸出一致性，并主動(dòng)補(bǔ)償通信延遲和數(shù)據(jù)丟失。岳曉奎等［118］研究了一類具有多源高動(dòng)態(tài)不確定性的集群式無(wú)人系統(tǒng)的抗干擾編隊(duì)控制問(wèn)題，針對(duì)編隊(duì)飛行動(dòng)力學(xué)中存在的非線性時(shí)變特征所帶來(lái)的不利影響，基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)改善集群系統(tǒng)的逼近和補(bǔ)償性能，實(shí)現(xiàn)星群的自適應(yīng)編隊(duì)控制。

基于多智能體強(qiáng)化學(xué)習(xí)的星群協(xié)同控制方法，是指星群中每個(gè)衛(wèi)星通過(guò)與環(huán)境進(jìn)行交互獲取獎(jiǎng)勵(lì)值，獲得該環(huán)境下最優(yōu)策略，在解決動(dòng)態(tài)復(fù)雜環(huán)境下星群協(xié)同運(yùn)動(dòng)控制方面具有明顯的優(yōu)勢(shì)。目前，多智能體深度強(qiáng)化學(xué)習(xí)是無(wú)人集群系統(tǒng)協(xié)同行為策略學(xué)習(xí)的主流方法。

獨(dú)立多智能體強(qiáng)化學(xué)習(xí)方法是將單智能體強(qiáng)化學(xué)習(xí)方法直接拓展到多智能體強(qiáng)化學(xué)習(xí)任務(wù)中，每個(gè)智能體都把其他智能體看作環(huán)境的一部分，按照單智能體學(xué)習(xí)方式更新策略［120］，該方法在小規(guī)模離散空間的學(xué)習(xí)效果較好，但由于忽略了智能體之間的相互決策影響，在大規(guī)模星群協(xié)同控制任務(wù)中很難獲得可行解。文獻(xiàn)［121-122］將各智能體的狀態(tài)和動(dòng)作集中在一起，構(gòu)成擴(kuò)張的狀態(tài)和動(dòng)作空間，采用多智能體強(qiáng)化學(xué)習(xí)方法訓(xùn)練所有的智能體，獲得最優(yōu)策略，但該算法隨著衛(wèi)星數(shù)量的增加，狀態(tài)和動(dòng)作空間會(huì)顯著增大，導(dǎo)致無(wú)法搜索到可行解。

王毅然等［123］提出了基于多智能體強(qiáng)化學(xué)習(xí)的復(fù)雜任務(wù)路徑規(guī)劃方法，采用無(wú)模型在線Q學(xué)習(xí)算法，開(kāi)展了復(fù)雜環(huán)境下的多智能體協(xié)同路徑規(guī)劃，避免了星間以及與障礙物的碰撞，獲得滿足終端約束的最短路徑。趙毓等［124］針對(duì)多航天器自主規(guī)避多攔截器攻擊任務(wù)需求，提出了基于MADDPG的多航天器自主智能決策自學(xué)習(xí)模型算法，以相對(duì)距離和總機(jī)動(dòng)時(shí)間為變量設(shè)計(jì)評(píng)價(jià)函數(shù)，實(shí)現(xiàn)多航天器協(xié)同運(yùn)動(dòng)控制，提高了多航天器自主機(jī)動(dòng)逃生成功率。文獻(xiàn)［125］考慮了智能體之間的協(xié)同與對(duì)抗關(guān)系，提出了一種多智能體深度確定性策略梯度方法，基于博弈對(duì)抗思想，采用“中心化訓(xùn)練-去中心化執(zhí)行”的學(xué)習(xí)結(jié)構(gòu)，估計(jì)所有智能體的策略，實(shí)現(xiàn)多智能體協(xié)同運(yùn)動(dòng)控制。

3.3　趨勢(shì)分析與展望

星群智能協(xié)同運(yùn)動(dòng)規(guī)劃與控制技術(shù)已經(jīng)成為新一代人工智能的核心研究領(lǐng)域，隨著大規(guī)模商業(yè)衛(wèi)星星座、星群的投入運(yùn)行，星群協(xié)同運(yùn)動(dòng)規(guī)劃與控制技術(shù)不斷向智能化方向推進(jìn)，主要存在2個(gè)方面的發(fā)展趨勢(shì)：

1）星群協(xié)同運(yùn)動(dòng)規(guī)劃由基于梯度的傳統(tǒng)星群協(xié)同規(guī)劃算法向智能星群協(xié)同運(yùn)動(dòng)規(guī)劃算法發(fā)展，與傳統(tǒng)梯度運(yùn)動(dòng)規(guī)劃方法相比，星群智能運(yùn)動(dòng)規(guī)劃方法有效解決了復(fù)雜運(yùn)動(dòng)規(guī)劃問(wèn)題，但不同的智能規(guī)劃算法各具特點(diǎn)，且使用場(chǎng)景不同。因此，基于單一的智能優(yōu)化算法解決星群協(xié)同規(guī)劃問(wèn)題時(shí)，可能會(huì)面臨算法搜索精度低、收斂速度慢等問(wèn)題。針對(duì)星群協(xié)同規(guī)劃任務(wù)對(duì)約束條件和目標(biāo)函數(shù)的不同要求，基于不同智能優(yōu)化算法的優(yōu)點(diǎn)，探索混合星群智能協(xié)同規(guī)劃方法，能夠有效提升算法的搜索精度、收斂速度，避免陷入局部最優(yōu)解。

2）星群協(xié)同控制由傳統(tǒng)分布式控制向多智能體強(qiáng)化學(xué)習(xí)控制方向發(fā)展，在星群數(shù)量有限條件下，可有效提升星群在通信延遲、數(shù)據(jù)丟失、動(dòng)力學(xué)模型不精確和強(qiáng)干擾等條件下的控制性能。但是，目前多智能體強(qiáng)化學(xué)習(xí)算法在智能體數(shù)量顯著增多時(shí)，評(píng)價(jià)網(wǎng)絡(luò)的輸入維度會(huì)呈線性增加，導(dǎo)致神經(jīng)網(wǎng)絡(luò)更難訓(xùn)練和收斂，需要改進(jìn)多智能體強(qiáng)化學(xué)習(xí)算法，解決大規(guī)模星群協(xié)同控制問(wèn)題。

4　集群衛(wèi)星智能健康管理技術(shù)

4.1　問(wèn)題分析

分布式協(xié)同微納遙感星群衛(wèi)星數(shù)量眾多，針對(duì)集群衛(wèi)星控制系統(tǒng)的智能健康管理技術(shù)既需要考慮單星控制系統(tǒng)的健康管理，也需要考慮衛(wèi)星集群效能開(kāi)展評(píng)估。

針對(duì)單星健康管理的基本需求是感知、決策和執(zhí)行。常用的方法可以分為基于模型驅(qū)動(dòng)的健康管理技術(shù)、基于數(shù)據(jù)驅(qū)動(dòng)的健康管理技術(shù)?；谀Ｐ万?qū)動(dòng)的健康管理技術(shù)是以模型為核心，并由模型映射驅(qū)動(dòng)健康管理的過(guò)程。在衛(wèi)星應(yīng)用上，多為部件級(jí)別的健康管理，尚無(wú)控制系統(tǒng)健康管理模型描述?；跀?shù)據(jù)驅(qū)動(dòng)的健康管理技術(shù)是一種較為新型的問(wèn)題求解方法，從初始的數(shù)據(jù)或觀測(cè)值出發(fā)，運(yùn)用啟發(fā)式規(guī)則，尋找和建立相應(yīng)內(nèi)部變量特征之間的映射關(guān)系，實(shí)現(xiàn)利用數(shù)據(jù)對(duì)衛(wèi)星系統(tǒng)健康狀態(tài)的判斷和估計(jì)。控制系統(tǒng)作為衛(wèi)星的子系統(tǒng)之一，在衛(wèi)星在軌運(yùn)行的過(guò)程中承擔(dān)著十分重要的角色，隨著任務(wù)的復(fù)雜性，星上需要配備多種敏感器、執(zhí)行器和控制器，這些單機(jī)設(shè)備有很強(qiáng)的獨(dú)立隨機(jī)特性，之間又存在強(qiáng)烈的耦合關(guān)系，因而控制系統(tǒng)的精確模型很難完全建立。這也使得基于模型驅(qū)動(dòng)的健康管理技術(shù)難以在衛(wèi)星控制系統(tǒng)健康管理中廣泛應(yīng)用，基于數(shù)據(jù)驅(qū)動(dòng)的健康管理技術(shù)才是未來(lái)衛(wèi)星及星群控制系統(tǒng)健康管理的主要解決途徑。

針對(duì)星群健康管理的研究目前較少且未形成體系?？傮w而言，基于理論計(jì)算研究的思路與單星健康管理基本一致，此外，也有一些學(xué)者基于仿真試驗(yàn)開(kāi)展星群智能健康管理研究，其中基于數(shù)字孿生的試驗(yàn)方法充分利用物理模型、傳感器更新、運(yùn)行歷史等數(shù)據(jù)，可以搭建較為精準(zhǔn)的試驗(yàn)?zāi)Ｐ汀?/p>

4.2　研究現(xiàn)狀分析

4.2.1健康管理技術(shù)工程應(yīng)用現(xiàn)狀

針對(duì)衛(wèi)星制導(dǎo)、導(dǎo)航與控制（Guidance-Navigation-Control，GNC）分系統(tǒng)的故障預(yù)測(cè)與健康管理技術(shù)近年來(lái)被推廣應(yīng)用到航天器安全運(yùn)行管理中，發(fā)揮越來(lái)越重要的作用［128］。

美國(guó)作為航天大國(guó)，在健康管理領(lǐng)域起步較早，已開(kāi)發(fā)了許多針對(duì)航天器整器及其各個(gè)分系統(tǒng)的健康管理工具，以對(duì)衛(wèi)星在軌安全數(shù)據(jù)進(jìn)行管理［131］。早期，美國(guó)NASA健康管理主要通過(guò)歸納式監(jiān)測(cè)系統(tǒng)（Inductive Monitoring System，IMS）［132-134］實(shí)現(xiàn)，自2007年起，基于IMS的系統(tǒng)就開(kāi)始用于控制力矩陀螺的監(jiān)測(cè)，后經(jīng)不斷拓展，已可以用于航天器控制分系統(tǒng)，該系統(tǒng)可靠性較高，具有較好的通用性，且不需要過(guò)多的計(jì)算機(jī)資源，已在“國(guó)際空間站”等［135］多個(gè)航天器上進(jìn)行了初步應(yīng)用。但該系統(tǒng)僅用于監(jiān)測(cè)，且虛警率較高，監(jiān)測(cè)數(shù)據(jù)仍需地面進(jìn)行分析和決策。2010年，NASA開(kāi)發(fā)了下一代衛(wèi)星運(yùn)行管理系統(tǒng)（Integrated Vehicle Health Management，IVHM）［136-137］。該系統(tǒng)已經(jīng)具備一定程度的自主能力，能夠?yàn)榘刂葡到y(tǒng)在內(nèi)的多個(gè)分系統(tǒng)的實(shí)時(shí)健康管理提供數(shù)據(jù)監(jiān)測(cè)和一定的分析診斷，包括實(shí)時(shí)故障檢測(cè)、故障判斷、決策和結(jié)果評(píng)估，數(shù)據(jù)及結(jié)果都要下傳地面，視故障情況決定是否由地面進(jìn)行分析。

歐洲一些國(guó)家在衛(wèi)星自主健康管理領(lǐng)域也取得了一定的成就。瑞典空間物理研究所的 WINTOFT等［138］設(shè)計(jì)了一個(gè)航天器異常分析和預(yù)測(cè)系統(tǒng)（Spacecraft Anomaly Analysis and Prediction System，SAAPS），該系統(tǒng)主要用于識(shí)別環(huán)境異常及環(huán)境異常引發(fā)的航天器異常，通過(guò)統(tǒng)計(jì)模型和神經(jīng)網(wǎng)路模型組成分析模塊，可以識(shí)別及預(yù)測(cè)異常狀態(tài)，對(duì)故障預(yù)測(cè)的準(zhǔn)確率可以達(dá)到70%。歐空局在2011年為在軌運(yùn)行12年的XMM-Newton科學(xué)探測(cè)衛(wèi)星開(kāi)發(fā)了一套基于經(jīng)驗(yàn)?zāi)Ｐ偷慕】倒芾硐到y(tǒng)［139］。主要針對(duì)星上4個(gè)反作用輪的摩擦扭矩遙測(cè)，可以解算軸承失穩(wěn)發(fā)生的頻率、持續(xù)時(shí)間以及對(duì)摩擦力矩的影響，并通過(guò)更新姿態(tài)控制策略最大限度地降低軸承噪聲增加對(duì)衛(wèi)星控制系統(tǒng)造成的影響，進(jìn)一步延長(zhǎng)該衛(wèi)星的在軌壽命。

相比而言，我國(guó)盡管也在開(kāi)展星上自主健康管理系統(tǒng)的建設(shè)，但目前控制系統(tǒng)健康管理系統(tǒng)的自主性較差，僅能保證部分單機(jī)產(chǎn)品的數(shù)據(jù)測(cè)量和分析，如控制力矩陀螺和動(dòng)量輪。高分三號(hào)衛(wèi)星［130］在設(shè)計(jì)時(shí)就對(duì)健康管理考慮較為充分，可以實(shí)現(xiàn)在非地面干預(yù)情況下，自主對(duì)健康狀態(tài)進(jìn)行實(shí)時(shí)測(cè)量與數(shù)據(jù)分析管理。實(shí)踐十號(hào)衛(wèi)星［141］作為一個(gè)短期在軌飛行的低軌航天器，在軌飛行期間對(duì)飛輪等關(guān)鍵零部件進(jìn)行了自主健康狀態(tài)監(jiān)控。

衛(wèi)星GNC分系統(tǒng)的健康管理十分復(fù)雜，且必須要與實(shí)際工程應(yīng)用緊密結(jié)合。美國(guó)在該領(lǐng)域較為領(lǐng)先，已經(jīng)具有在多個(gè)型號(hào)領(lǐng)域應(yīng)用的理論方法和管理體系。國(guó)內(nèi)也有幾個(gè)型號(hào)開(kāi)始健康管理的探索，單應(yīng)用方向還較為單一，且自主級(jí)別較低，與國(guó)外先進(jìn)理論仍存在較大差距。

4.2.2基于人工智能方法的單星健康管理技術(shù)

衛(wèi)星智能健康管理需要星上自主進(jìn)行測(cè)量、分析判斷、決策和執(zhí)行。由于衛(wèi)星系統(tǒng)及其相關(guān)組件的復(fù)雜性，在軌衛(wèi)星系統(tǒng)的數(shù)據(jù)量不斷增大，是一種典型的大數(shù)據(jù)系統(tǒng)，可以通過(guò)借助統(tǒng)計(jì)推力及數(shù)據(jù)學(xué)習(xí)等人工智能的手段，根據(jù)經(jīng)驗(yàn)數(shù)據(jù)及測(cè)量數(shù)據(jù)，對(duì)系統(tǒng)進(jìn)行健康狀態(tài)管理［142］。目前系統(tǒng)健康管理常用的方法可以分為基于模型驅(qū)動(dòng)的健康管理技術(shù)和基于數(shù)據(jù)驅(qū)動(dòng)的健康管理技術(shù)，其中數(shù)據(jù)驅(qū)動(dòng)的方法包含3種類型：基于知識(shí)驅(qū)動(dòng)、基于統(tǒng)計(jì)推力以及基于數(shù)據(jù)學(xué)習(xí)。將健康管理技術(shù)中常用的方法總結(jié)如圖9所示。

圖9　健康管理技術(shù)常用的算法劃分

基于模型驅(qū)動(dòng)的健康管理技術(shù)［143-146］是以模型為核心并由模型映射驅(qū)動(dòng)健康管理的過(guò)程。在健康管理活動(dòng)中通過(guò)創(chuàng)建各種模型精確表達(dá)不同的問(wèn)題域，并利用模型轉(zhuǎn)換來(lái)驅(qū)動(dòng)包括故障識(shí)別、故障診斷分析以及故障剝離等在內(nèi)的整個(gè)健康管理過(guò)程。在衛(wèi)星應(yīng)用上，多為部件的故障診斷、故障預(yù)警以及部件使用壽命預(yù)測(cè)，沒(méi)有控制系統(tǒng)健康管理的案例。文獻(xiàn)［143-144］均以動(dòng)量輪為研究對(duì)象，文獻(xiàn)［143］從失效物理分析角度切入，建立基于隨機(jī)閾值的Gauss-Brown失效物理模型來(lái)解釋動(dòng)量輪的失效原因，從而對(duì)動(dòng)量輪開(kāi)展可靠性評(píng)估，所得結(jié)果能夠符合實(shí)際工程應(yīng)用；文獻(xiàn)［144］則利用大量實(shí)驗(yàn)，測(cè)試動(dòng)量輪在不同溫度、不同環(huán)境的實(shí)際運(yùn)行數(shù)據(jù)作為建模基礎(chǔ)，經(jīng)過(guò)10年的數(shù)據(jù)累積，最終建立了動(dòng)量輪的退化模型，以實(shí)現(xiàn)在軌故障預(yù)判。文獻(xiàn)［145］以無(wú)人機(jī)制導(dǎo)系統(tǒng)作為研究對(duì)象，將執(zhí)行器或推進(jìn)系統(tǒng)的故障模型嵌入健康管理模型，可以實(shí)現(xiàn)部分故障情況下的功能恢復(fù)以及其他故障條件下的安全返航?？刂葡到y(tǒng)作為衛(wèi)星的子系統(tǒng)之一，在衛(wèi)星在軌運(yùn)行的過(guò)程中承擔(dān)著十分重要的角色，隨著任務(wù)的復(fù)雜性，星上需要配備多種敏感器、執(zhí)行器和控制器，這些單機(jī)設(shè)備有很強(qiáng)的獨(dú)立隨機(jī)特性，之間又存在強(qiáng)烈的耦合關(guān)系，因此，控制系統(tǒng)的精確模型很難完全建立。這也使得基于模型驅(qū)動(dòng)的健康管理技術(shù)難以在衛(wèi)星控制系統(tǒng)健康管理中廣泛應(yīng)用［147］，基于數(shù)據(jù)驅(qū)動(dòng)的健康管理技術(shù)才是衛(wèi)星及星群系統(tǒng)健康管理的主要解決途徑。

基于數(shù)據(jù)驅(qū)動(dòng)的健康管理技術(shù)是一種較為新型的問(wèn)題求解方法，從初始的數(shù)據(jù)或觀測(cè)值出發(fā)，運(yùn)用啟發(fā)式規(guī)則，尋找和建立相應(yīng)內(nèi)部變量特征之間的映射關(guān)系，實(shí)現(xiàn)利用數(shù)據(jù)對(duì)衛(wèi)星系統(tǒng)健康狀態(tài)的判斷和估計(jì)。目前常用的數(shù)據(jù)驅(qū)動(dòng)方法可以分為3類：基于知識(shí)驅(qū)動(dòng)的方法［148-149］、基于統(tǒng)計(jì)推理的方法［150-152］以及基于數(shù)據(jù)學(xué)習(xí)的方法［153-159］。

基于知識(shí)驅(qū)動(dòng)的健康管理的設(shè)計(jì)主旨是將知識(shí)與健康管理系統(tǒng)設(shè)計(jì)相結(jié)合。其基本思路是：通過(guò)總結(jié)健康管理領(lǐng)域的實(shí)踐經(jīng)驗(yàn)和故障數(shù)據(jù)，將人的思維方式總結(jié)提煉成計(jì)算機(jī)能夠理解的知識(shí)庫(kù)，在知識(shí)庫(kù)的指導(dǎo)下，設(shè)計(jì)故障識(shí)別、故障預(yù)警、壽命預(yù)測(cè)等健康管理方法，由于得到了領(lǐng)域知識(shí)庫(kù)的支持，所得方法可以更加符合工程實(shí)際應(yīng)用。目前國(guó)內(nèi)外對(duì)于知識(shí)驅(qū)動(dòng)設(shè)計(jì)已有大量研究，主要包括基于本體的推理方法、基于規(guī)則的方法和基于模型的方法。文獻(xiàn)［148］針對(duì)飛機(jī)的控制系統(tǒng)設(shè)計(jì)了一種健康管理模型，通過(guò)機(jī)器學(xué)習(xí)提高控制系統(tǒng)參數(shù)的泛化能力，有效減少訓(xùn)練模型的數(shù)據(jù)量以適應(yīng)機(jī)載計(jì)算機(jī)。文獻(xiàn)［149］提出了一種閉環(huán)衛(wèi)星控制系統(tǒng)中執(zhí)行機(jī)構(gòu)微小故障檢測(cè)與隔離的組合方法，利用基于模型的方法對(duì)可能的干擾進(jìn)行解耦和故障隔離，然后用人工智能方法進(jìn)一步減少剩余模型不確定性的影響。具體來(lái)說(shuō)，就是基于觀測(cè)器的人工神經(jīng)網(wǎng)絡(luò)建模方法的擴(kuò)展，以提高診斷系統(tǒng)的性能，通過(guò)考慮決策邏輯，可以成功地檢測(cè)驅(qū)動(dòng)器的小故障。

基于統(tǒng)計(jì)推理的健康管理的設(shè)計(jì)主旨是通過(guò)對(duì)數(shù)據(jù)樣本推理，由部分到全部推理出總體的共性屬性，在分層抽樣的基礎(chǔ)上進(jìn)行的，數(shù)據(jù)樣本有一定的選擇性，結(jié)論可靠性較高。統(tǒng)計(jì)推理的設(shè)計(jì)方法主要包括Kalman濾波方法、隱馬爾科夫方法、貝葉斯網(wǎng)絡(luò)方法、主成分分析方法等。文獻(xiàn)［150］以衛(wèi)星姿態(tài)傳感器故障作為研究對(duì)象，將衛(wèi)星姿態(tài)與傳感器之間固有冗余關(guān)系作為判斷依據(jù)，借助測(cè)量空間的特征值，基于主成分分析方法將該冗余關(guān)系進(jìn)行量化，再通過(guò)監(jiān)測(cè)特征值的變化實(shí)施判定，最終確定衛(wèi)星姿態(tài)傳感器的故障類型和故障位置。

以深度學(xué)習(xí)為代表的數(shù)據(jù)驅(qū)動(dòng)方法近年來(lái)在衛(wèi)星健康管理領(lǐng)域有較高的關(guān)注度，該方法的設(shè)計(jì)主旨是利用大量的數(shù)據(jù)訓(xùn)練星上系統(tǒng)自主學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，在學(xué)習(xí)過(guò)程中獲得的信息最終對(duì)故障特征進(jìn)行解釋，提升故障識(shí)別的準(zhǔn)確率。文獻(xiàn)［153］將深度學(xué)習(xí)應(yīng)用于衛(wèi)星姿態(tài)控制系統(tǒng)的故障檢測(cè)與故障隔離。文獻(xiàn)［154］使用非線性動(dòng)態(tài)逆控制作為底層控制算法，通過(guò)深度學(xué)習(xí)訓(xùn)練系統(tǒng)適應(yīng)火箭不同燃燒階段的模式，搭建火箭發(fā)射過(guò)程的針對(duì)執(zhí)行器故障的容錯(cuò)控制系統(tǒng)?；谏疃葘W(xué)習(xí)的衛(wèi)星控制系統(tǒng)健康管理技術(shù)近年來(lái)受到眾多學(xué)者的廣泛關(guān)注，有深入挖掘的可能性，但距離工程應(yīng)用還有一定的差距，若要轉(zhuǎn)化應(yīng)用，還需解決以下問(wèn)題：1）基于深度學(xué)習(xí)的方法對(duì)樣本數(shù)據(jù)的需求量巨大，星上單機(jī)產(chǎn)品可以通過(guò)地面測(cè)試等方式積攢樣本數(shù)據(jù)，但若要應(yīng)用于分系統(tǒng)層級(jí)，其樣本數(shù)據(jù)的獲取還存在一些問(wèn)題；2）基于深度學(xué)習(xí)的健康管理方法數(shù)據(jù)量較大，對(duì)計(jì)算資源的要求很高，星載計(jì)算機(jī)的運(yùn)算能力也是需要考慮的重要問(wèn)題。

4.2.3星群健康管理技術(shù)

目前針對(duì)星群健康管理［160］的研究較少，沒(méi)有形成系統(tǒng)的層次體系架構(gòu)。若按研究形式不同加以劃分，有2種發(fā)展方向：基于理論計(jì)算的健康管理技術(shù)、基于仿真實(shí)驗(yàn)的健康管理技術(shù)。

針對(duì)星群健康管理的理論計(jì)算方法與單星相類似，分為模型驅(qū)動(dòng)、數(shù)據(jù)驅(qū)動(dòng)。由于星群的系統(tǒng)模型更加復(fù)雜，很難直接得到解析模型，目前也沒(méi)有學(xué)者在這方面開(kāi)展研究。但在武器系統(tǒng)效能評(píng)價(jià)體系中，常用美國(guó)工業(yè)界武器系統(tǒng)效能咨詢委員會(huì)模型（Availability-Dependability-Capability，ADC）進(jìn)行系統(tǒng)效能評(píng)估，可以借鑒在星群健康管理中。ADC通過(guò)理想化假設(shè)建立體系模型進(jìn)行系統(tǒng)效能評(píng)估的方法，其定義為“系統(tǒng)效能是指系統(tǒng)能夠滿足（或完成）一組特定任務(wù)要求的量度”對(duì)對(duì)象、任務(wù)、條件、時(shí)間以及能力5個(gè)方面規(guī)定了系統(tǒng)效能評(píng)價(jià)標(biāo)準(zhǔn)。楊卓鵬等［161-162］將ADC的系統(tǒng)效能概念應(yīng)用于導(dǎo)航星座中，集成應(yīng)用Petri網(wǎng)、中斷分析、貝葉斯網(wǎng)對(duì)ADC方法進(jìn)行了一定的改進(jìn)，在設(shè)計(jì)階段為導(dǎo)航星座的星座覆蓋效能、保障運(yùn)行方案的優(yōu)化提供量化依據(jù)。文獻(xiàn)［163-164］均對(duì)ADC模型進(jìn)行了一定程度的改進(jìn)，使其更貼合相應(yīng)的武器裝備系統(tǒng)特征?；跀?shù)據(jù)驅(qū)動(dòng)進(jìn)行星群健康管理的方法是一個(gè)可行的思路，但訓(xùn)練模型需要的樣本數(shù)據(jù)量過(guò)于龐大，而且模型的可理解性較差，目前只能停留在理論階段，無(wú)法進(jìn)行工程應(yīng)用。陳辛［165］利用神經(jīng)網(wǎng)絡(luò)算法對(duì)一主二從結(jié)構(gòu)的微小衛(wèi)星星群中從星的姿態(tài)控制系統(tǒng)故障診斷提出了一種故障診斷方案。該方法對(duì)星群結(jié)構(gòu)、故障條件的設(shè)定都較為苛刻，適應(yīng)性不高，但期間考慮了星間相對(duì)姿態(tài)信息，星間故障遷移影響等方向，是單體智能健康管理向多體智能健康管理的一次積極嘗試。

由于星群健康管理技術(shù)很難在真實(shí)環(huán)境下進(jìn)行測(cè)試，基于仿真實(shí)驗(yàn)的研究方式可以理解為星群健康管理技術(shù)的驗(yàn)證手段。仿真模型搭建越精準(zhǔn)，系統(tǒng)智能化和數(shù)字化程度越高，其試驗(yàn)結(jié)果越具有真實(shí)性。近兩年，有學(xué)者基于數(shù)字孿生的思想開(kāi)展星群健康管理的研究，2012年NASA給出了數(shù)字孿生的概念描述。

數(shù)字孿生是指充分利用物理模型、傳感器、運(yùn)行歷史等數(shù)據(jù)，集成多學(xué)科、多尺度的仿真過(guò)程，它作為虛擬空間中對(duì)實(shí)體產(chǎn)品的鏡像，反映了相對(duì)應(yīng)物理實(shí)體產(chǎn)品的全生命周期過(guò)程。NASA對(duì)空間飛行器建立數(shù)字孿生試驗(yàn)，可以進(jìn)行數(shù)據(jù)分析、故障檢測(cè)和預(yù)測(cè)，開(kāi)展了飛行器健康管控應(yīng)用。我國(guó)也有航天恒星科技有限公司［166］基于數(shù)字孿生建造了低軌巨型星座的智能健康管理系統(tǒng)，實(shí)現(xiàn)衛(wèi)星的全生命周期管控。

然而不論哪種研究形式，現(xiàn)有的針對(duì)星群健康管理技術(shù)的研究還是基于多個(gè)單智能體自主健康管理的堆疊，沒(méi)有真正挖掘星群健康管理中群體任務(wù)的需求和特點(diǎn)。星群健康管理在單星健康管理需求（感知、決策、執(zhí)行）的基礎(chǔ)上還需具備溝通、合作的群體任務(wù)需求。具體來(lái)說(shuō)，分布式協(xié)同遙感星群控制系統(tǒng)的健康管理技術(shù)存在3個(gè)發(fā)展方向：1）不同于一般的主-從式編隊(duì)任務(wù)，其間協(xié)同模式多樣化，拓?fù)浣Y(jié)構(gòu)復(fù)雜，對(duì)星群健康管理的動(dòng)態(tài)拓?fù)浞治鍪且粋€(gè)研究難點(diǎn)；2）作為星群系統(tǒng)，可以利用星上攜帶敏感器對(duì)星群內(nèi)其他衛(wèi)星的姿態(tài)、軌道狀態(tài)進(jìn)行測(cè)量，測(cè)量數(shù)據(jù)可以便利地進(jìn)行信息交互，群體交互數(shù)據(jù)感知技術(shù)是星群故障診斷的一大優(yōu)勢(shì)；3）該星群中沒(méi)有主星的存在，在任務(wù)決策時(shí)需要由單星健康管理的單體決策向多體結(jié)構(gòu)的群體決策轉(zhuǎn)變。

4.3　趨勢(shì)分析與展望

隨著衛(wèi)星/星座復(fù)雜多變的需求和特點(diǎn)，星上需要配備多種敏感器、執(zhí)行器和控制器。衛(wèi)星控制系統(tǒng)健康管理技術(shù)已經(jīng)成為航天領(lǐng)域的重要發(fā)展方向。伴隨著人工智能技術(shù)的快速發(fā)展，星上健康管理技術(shù)也在向基于人工智能的數(shù)據(jù)驅(qū)動(dòng)智能管理方向發(fā)展。隨著大規(guī)模商業(yè)衛(wèi)星星座、星群的投入運(yùn)行，衛(wèi)星健康管理勢(shì)必由單星的健康管理系統(tǒng)向星群星座的健康管理系統(tǒng)進(jìn)行轉(zhuǎn)變，星群健康管理技術(shù)主要存在以下2個(gè)發(fā)展方向：

1）單星健康管理將從檢查/監(jiān)視單一功能轉(zhuǎn)向檢測(cè)、診斷、預(yù)警綜合健康管理系統(tǒng)；從針對(duì)單機(jī)產(chǎn)品向針對(duì)系統(tǒng)方向發(fā)展；從針對(duì)單一系統(tǒng)架構(gòu)向開(kāi)放系統(tǒng)架構(gòu)、通用化方向發(fā)展?？傮w而言，健康管理技術(shù)將更加智能化、綜合化、實(shí)時(shí)化和通用化。

2）星群智能健康管理系統(tǒng)建立，分布式協(xié)同觀測(cè)星群在單星的單機(jī)、系統(tǒng)、整星3個(gè)層級(jí)之上還需引入星簇及星座2個(gè)層級(jí)，形成集群網(wǎng)絡(luò)多層級(jí)的健康管理狀態(tài)評(píng)估模型。進(jìn)行集群健康管理時(shí)，存在星群動(dòng)態(tài)拓?fù)浞治?、星間數(shù)據(jù)交互式智能健康診斷、群體決策在星群健康管理的應(yīng)用3個(gè)發(fā)展方向。

5　集群衛(wèi)星智能自組織路由技術(shù)

5.1　問(wèn)題分析

星間路由是實(shí)現(xiàn)集群衛(wèi)星網(wǎng)絡(luò)中多星協(xié)同控制的關(guān)鍵，為多星協(xié)同導(dǎo)航信息交互、分布式控制求解數(shù)據(jù)傳輸提供支撐［167］。傳統(tǒng)天基/地基對(duì)地觀測(cè)網(wǎng)絡(luò)的路由需預(yù)先規(guī)劃［168］，由地面控制站計(jì)算并上傳至衛(wèi)星節(jié)點(diǎn)執(zhí)行，不能快速響應(yīng)隨遇任務(wù)需求，無(wú)法應(yīng)對(duì)因設(shè)備故障或鏈路切換等導(dǎo)致的過(guò)時(shí)路由問(wèn)題。面向未來(lái)大規(guī)模星群智能協(xié)同導(dǎo)航、控制數(shù)據(jù)傳輸需求，星間路由技術(shù)需朝著自組織、智能化方向演進(jìn)。本章就星間路由的2個(gè)主要發(fā)展方向開(kāi)展分析，對(duì)衛(wèi)星網(wǎng)絡(luò)的自組織路由技術(shù)和智能路由技術(shù)的發(fā)展現(xiàn)狀進(jìn)行了介紹。

衛(wèi)星網(wǎng)絡(luò)自組織路由將摒棄傳統(tǒng)的地面預(yù)先規(guī)劃模式，由衛(wèi)星節(jié)點(diǎn)自主完成路由計(jì)算和業(yè)務(wù)編排。傳統(tǒng)基于靜態(tài)圖的路由算法將衛(wèi)星網(wǎng)絡(luò)看作分時(shí)段靜態(tài)網(wǎng)絡(luò)，并在各時(shí)段內(nèi)構(gòu)建端到端傳輸通路。由于忽略了時(shí)變多維資源間的關(guān)聯(lián)關(guān)系，端到端的時(shí)延、吞吐量等性能受限?，F(xiàn)有基于時(shí)變圖的路由方法以低時(shí)延/高吞吐量目標(biāo)，能夠在特定場(chǎng)景和資源約束下為業(yè)務(wù)按需構(gòu)建路由路徑，但龐大的圖模型存儲(chǔ)量和復(fù)雜的路徑搜索過(guò)程導(dǎo)致算法的可擴(kuò)展性難保障。

星載智能路由將在自組織路由規(guī)劃的基礎(chǔ)上引入邊緣計(jì)算、機(jī)器學(xué)習(xí)等技術(shù)，通過(guò)學(xué)習(xí)歷史狀態(tài)（如高時(shí)延和高數(shù)據(jù)包丟失率等）中的經(jīng)驗(yàn)信息，進(jìn)一步優(yōu)化路由結(jié)果。然而，衛(wèi)星網(wǎng)絡(luò)固有的拓?fù)鋭?dòng)態(tài)性、資源時(shí)變性和鏈路不穩(wěn)定性等特性對(duì)智能組網(wǎng)架構(gòu)設(shè)計(jì)與智能路由計(jì)算提出了巨大挑戰(zhàn)?，F(xiàn)有的智能路由方法本質(zhì)都是優(yōu)化衛(wèi)星流量路徑選擇或擁塞控制，仿真實(shí)驗(yàn)未充分考率衛(wèi)星網(wǎng)絡(luò)時(shí)變特性，缺乏在逼真環(huán)境中的訓(xùn)練、部署與測(cè)試。

5.2　研究現(xiàn)狀分析

5.2.1衛(wèi)星網(wǎng)絡(luò)自組織路由技術(shù)

一直以來(lái)，圖論都是建模和求解的路由問(wèn)題的有力工具?，F(xiàn)階段集群衛(wèi)星網(wǎng)絡(luò)的自組織路由技術(shù)仍處于探索階段，面向低時(shí)延和高吞吐量?jī)身?xiàng)目標(biāo)，許多基于圖的衛(wèi)星網(wǎng)絡(luò)路由算法被相繼提出，如圖10所示。離散時(shí)間動(dòng)態(tài)虛擬拓?fù)渎酚桑―iscrete-Time Dynamic Virtual Topology Routing， DT-DVTR）［169］、有限狀態(tài)自動(dòng)化路由（Finite State Automaton Routing， FSAR）［170］和動(dòng)態(tài)檢測(cè)路由算法（Dynamic Detection Routing Algorithm， DDRA）［171］均基于靜態(tài)圖設(shè)計(jì)，由于忽略了時(shí)變多維資源間的關(guān)聯(lián)關(guān)系，制約了端到端的時(shí)延、吞吐量等特性，網(wǎng)絡(luò)資源利用率難提升［172］。

圖10　衛(wèi)星網(wǎng)絡(luò)路由算法劃分

時(shí)變圖相較于靜態(tài)圖，通過(guò)引入時(shí)間屬性，能夠精準(zhǔn)刻畫(huà)網(wǎng)絡(luò)拓?fù)?、帶寬、存?chǔ)等多維資源的動(dòng)態(tài)特性［172］，助力高效的集群衛(wèi)星路由方法設(shè)計(jì)。

1）在低時(shí)延傳輸路徑方面，文獻(xiàn)［173］利用快照?qǐng)D（Snapshot Graph，SG）建模衛(wèi)星網(wǎng)絡(luò)，提出了最小化路徑費(fèi)用（如：時(shí)延）的動(dòng)態(tài)路由算法。該方法依據(jù)衛(wèi)星運(yùn)行軌跡，以發(fā)生鏈路切換的時(shí)刻為分割，構(gòu)建表征不同時(shí)段內(nèi)網(wǎng)絡(luò)拓?fù)浜唾Y源的多個(gè)快照，并在各快照中計(jì)算端到端的最優(yōu)路徑。然而，由于割裂了不同時(shí)段網(wǎng)絡(luò)間的關(guān)聯(lián)關(guān)系，導(dǎo)致可行路徑路徑搜索空間被壓縮，制約最優(yōu)路徑的求取。為提升SG路由的性能，文獻(xiàn)［174］增加了快照的連通性，通過(guò)重新分配星間鏈路，優(yōu)化時(shí)延性能，提升網(wǎng)絡(luò)鏈路資源的利用率。文獻(xiàn)［175］提出了接觸圖路由（Contact Graph Routing， CGR）來(lái)實(shí)現(xiàn)時(shí)變衛(wèi)星網(wǎng)絡(luò)中的動(dòng)態(tài)路由。CGR是一種基于中繼的路由策略，它首先依據(jù)節(jié)點(diǎn)間周期性的接觸計(jì)劃構(gòu)建接觸圖，而后以鏈路可用容量為約束選擇端到端最早連通路徑，但由于未考慮衛(wèi)星節(jié)點(diǎn)的存儲(chǔ)資源限制，導(dǎo)致網(wǎng)絡(luò)易產(chǎn)生擁塞，業(yè)務(wù)時(shí)延保障性能降低。文獻(xiàn)［176］采用事件驅(qū)動(dòng)圖（Event-driven Graph，EG）表征衛(wèi)星網(wǎng)絡(luò)時(shí)變拓?fù)浜托禽d存儲(chǔ)資源，并以時(shí)延保障為前提、傳輸能耗最少為目標(biāo)設(shè)計(jì)高效的路由方法。

2）在最大化傳輸容量方面，文獻(xiàn)［177］充分考慮到星上能量資源受限對(duì)數(shù)據(jù)傳輸能力的制約，構(gòu)建能量時(shí)間擴(kuò)展圖（Energy Time-Expanded Graph，ETEG），支持能量、存儲(chǔ)與鏈路帶寬資源的聯(lián)合調(diào)度，實(shí)現(xiàn)能量的最優(yōu)化利用和端到端遙感數(shù)據(jù)的最大化傳輸。文獻(xiàn)［178］針對(duì)衛(wèi)星攜帶收發(fā)信機(jī)資源受限的場(chǎng)景，建立了收、發(fā)容量約束的時(shí)間擴(kuò)展圖（Time Expanded Graph， TEG）表征，并設(shè)計(jì)了最大流路由算法實(shí)現(xiàn)收發(fā)信機(jī)資源的優(yōu)化分配，最大化端到端吞吐量。然而，TEG的存儲(chǔ)規(guī)模會(huì)隨著網(wǎng)絡(luò)大小及規(guī)劃時(shí)間區(qū)間的增加而急劇提升，導(dǎo)致相關(guān)路由算法的求解復(fù)雜度高。為克服上述瓶頸，文獻(xiàn)［179］基于存儲(chǔ)時(shí)間聚合圖（Storage Time Aggregated Graph， STAG）聯(lián)合表征衛(wèi)星網(wǎng)絡(luò)時(shí)變多維資源和空間業(yè)務(wù)差異化傳輸需求，并將復(fù)雜的服務(wù)質(zhì)量（Quality of Service，QoS）路由問(wèn)題約減為一個(gè)基于圖的最大流問(wèn)題，能夠以低的計(jì)算復(fù)雜度同時(shí)為多個(gè)業(yè)務(wù)構(gòu)建滿足資源需求和時(shí)延約束的端到端路徑。

上述基于時(shí)變圖的路由算法能夠支持在時(shí)變、資源受限的集群衛(wèi)星網(wǎng)絡(luò)中為任務(wù)按需構(gòu)建時(shí)延或容量最優(yōu)的路由，且能夠分布式應(yīng)用于各衛(wèi)星節(jié)點(diǎn)，支持集群衛(wèi)星網(wǎng)絡(luò)的在軌自組織組網(wǎng)。然而，由于路由計(jì)算僅依賴于當(dāng)前（鏈路狀態(tài)信息獲?。┘拔磥?lái)（基于衛(wèi)星運(yùn)動(dòng)軌跡預(yù)測(cè)）的網(wǎng)絡(luò)拓?fù)浜唾Y源信息，忽略了歷史狀態(tài)（如高時(shí)延和高數(shù)據(jù)包丟失率等）中的經(jīng)驗(yàn)信息，制約了路由結(jié)果的進(jìn)一步優(yōu)化。

5.2.2星載智能路由技術(shù)

星載智能路由技術(shù)是為了解決傳統(tǒng)的路由策略無(wú)法狀態(tài)中學(xué)習(xí)和改進(jìn)的問(wèn)題，是增強(qiáng)集群衛(wèi)星網(wǎng)絡(luò)組網(wǎng)性能的有效途徑［180］。

1）在組網(wǎng)架構(gòu)方面，諸多學(xué)者軟件定義網(wǎng)絡(luò)（Software Defined Network，SDN）在時(shí)變衛(wèi)星網(wǎng)絡(luò)中應(yīng)用的可能，致力于提升衛(wèi)星網(wǎng)絡(luò)的集中自治能力，為差異化的空間應(yīng)用提供定制化的網(wǎng)絡(luò)服務(wù)［181］?，F(xiàn)有SDN技術(shù)大多采用OpenFlow協(xié)議作為南向編程接口［182］。然而，隨著協(xié)議版本的迭代，龐大的“多級(jí)流表”和復(fù)雜的流表項(xiàng)目查找與匹配問(wèn)題會(huì)對(duì)星上的交換、存儲(chǔ)和處理能力帶來(lái)巨大挑戰(zhàn)［183］?；诖耍墨I(xiàn)［190］提出了一種基于神經(jīng)網(wǎng)絡(luò)的SDN衛(wèi)星網(wǎng)絡(luò)智能路由（Information Resource Sharing Service Network，IRSSN）方案。該方案中網(wǎng)絡(luò)控制器將通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）獲取數(shù)據(jù)流的傳輸模式，并將流表替換為訓(xùn)練的NN，達(dá)到節(jié)省三態(tài)內(nèi)容可尋址內(nèi)存（Tri-state Content-Addressable Memory，TCAM）空間和提升路由與轉(zhuǎn)發(fā)效能的目的。

2）在路由計(jì)算方面，當(dāng)前星載智能路由的發(fā)展剛剛起步，其基本思想是在路由規(guī)劃中引入邊緣計(jì)算、機(jī)器學(xué)習(xí)等技術(shù)與新興服務(wù)模式，優(yōu)化傳輸路徑時(shí)延，避免流量擁塞。文獻(xiàn)［184］提出了一種基于正交多項(xiàng)式（切比雪夫）神經(jīng)網(wǎng)絡(luò)的路由方法，根據(jù)業(yè)務(wù)流的流量類型預(yù)測(cè)傳輸路徑，滿足空間應(yīng)用的QoS需求。文獻(xiàn)［185］嘗試在延遲容忍網(wǎng)絡(luò)（Delay Tolerant Network， DTN）中引入Q路由和樸素貝葉斯分類等人工智能方法，優(yōu)化路由性能。文獻(xiàn)［186］提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的流智能控制方法，通過(guò)預(yù)測(cè)衛(wèi)星網(wǎng)絡(luò)的流量分布特性，分析鏈路擁塞趨勢(shì)，通過(guò)自適應(yīng)路由表更新，實(shí)現(xiàn)高效的擁塞控制。文獻(xiàn)［187］提出了一種基于不完全信息博弈機(jī)制和強(qiáng)化學(xué)習(xí)的有限貪婪快速擁塞控制方法。文獻(xiàn)［188］則設(shè)計(jì)了基于強(qiáng)化學(xué)習(xí)和貝葉斯學(xué)習(xí)輔助的CGR算法，優(yōu)化DTN路由性能。文獻(xiàn)［180］探討了基于深度強(qiáng)化學(xué)習(xí)的星上路由機(jī)制的訓(xùn)練與部署方案，利用強(qiáng)化學(xué)習(xí)模型對(duì)精準(zhǔn)預(yù)測(cè)網(wǎng)絡(luò)拓?fù)?，并根?jù)網(wǎng)絡(luò)的歷史流量矩陣對(duì)當(dāng)前流量路由進(jìn)行選擇，提高路由轉(zhuǎn)發(fā)的準(zhǔn)確率和效率。

5.3　趨勢(shì)分析與展望

星間路由是實(shí)現(xiàn)集群衛(wèi)星網(wǎng)絡(luò)高效星間協(xié)同的關(guān)鍵使能技術(shù)之一?，F(xiàn)有自組織和智能路由方法雖能夠在特定場(chǎng)景和約束下為業(yè)務(wù)按需構(gòu)低時(shí)延/高容量的傳輸路徑，支持在軌自主組網(wǎng)，但面向協(xié)同觀測(cè)任務(wù)的導(dǎo)航、控制需求，集群衛(wèi)星網(wǎng)絡(luò)將朝著大規(guī)模、分布式、自主化的方向發(fā)展，對(duì)組網(wǎng)路由提出更高要求。

1）時(shí)間確定性路由

搶險(xiǎn)救災(zāi)等突發(fā)事件的快速響應(yīng)要求數(shù)據(jù)傳輸具備確定性時(shí)延保障，而現(xiàn)有的星上路由與轉(zhuǎn)發(fā)技術(shù)僅提供“盡力而為”的傳輸服務(wù)，無(wú)法確保端到端的低時(shí)延、有界抖動(dòng)和超低丟包。因此，未來(lái)需進(jìn)一步研究時(shí)間確定集群衛(wèi)星網(wǎng)絡(luò)路由技術(shù)，為時(shí)間敏感空間任務(wù)提供保障。

2）遙感通信一體化路由

隨著遙測(cè)業(yè)務(wù)需求的不斷提高，衛(wèi)星對(duì)地觀測(cè)數(shù)據(jù)量與日俱增。為了實(shí)現(xiàn)海量遙感數(shù)據(jù)的快速回傳，有必要探索觀測(cè)與傳輸全流程的聯(lián)合優(yōu)化方法，支持協(xié)同觀測(cè)衛(wèi)星的優(yōu)化安排和數(shù)據(jù)傳輸路由的按需規(guī)劃。

3）分布式智能路由

現(xiàn)有的智能路由方法本質(zhì)上都是優(yōu)化衛(wèi)星流量路徑選擇或擁塞控制，仿真實(shí)驗(yàn)未充分考率衛(wèi)星網(wǎng)絡(luò)時(shí)變特性，缺乏在逼真環(huán)境中的訓(xùn)練、部署與測(cè)試。如何在分布式、大規(guī)模、高動(dòng)態(tài)集群衛(wèi)星網(wǎng)絡(luò)中設(shè)計(jì)和驗(yàn)證智能路由架構(gòu)與算法仍是待解問(wèn)題。

6　結(jié)束語(yǔ)

分布式協(xié)同微納遙感星群對(duì)于提高觀測(cè)效能、降低觀測(cè)成本、提高數(shù)據(jù)品質(zhì)、建立多源觀測(cè)能力，具有很強(qiáng)的現(xiàn)實(shí)意義。通過(guò)總結(jié)國(guó)內(nèi)外典型遙感衛(wèi)星星群發(fā)展現(xiàn)狀，得出以下結(jié)論：現(xiàn)有的微納遙感星座通過(guò)高頻重訪大幅提升了對(duì)地觀測(cè)的時(shí)間分辨率，但是由于單顆微納衛(wèi)星觀測(cè)能力受限，難以滿足多源同步與融合、高品質(zhì)、大幅寬等數(shù)據(jù)應(yīng)用需求。兼顧高時(shí)效、高效能的微小衛(wèi)星是未來(lái)遙感領(lǐng)域應(yīng)用的發(fā)展方向。

利用星座+星簇的布局形成的分布式協(xié)同微納遙感星群具有多視角冗余觀測(cè)、多源同時(shí)空遙感、快速重訪等優(yōu)勢(shì)，是兼顧上述遙感應(yīng)用需求的有效途徑。但分布式協(xié)同微納遙感星群衛(wèi)星成員數(shù)量眾多、空間分布復(fù)雜時(shí)變、協(xié)同任務(wù)復(fù)雜多樣、相對(duì)運(yùn)動(dòng)關(guān)系復(fù)雜，由此帶來(lái)長(zhǎng)期自主安全運(yùn)行、面向任務(wù)自主重構(gòu)控制、面向復(fù)雜系統(tǒng)的高可靠性、協(xié)同信息網(wǎng)絡(luò)交互四方面能力需求，對(duì)分布式協(xié)同遙感星群控制系統(tǒng)提出協(xié)同自主導(dǎo)航、智能規(guī)劃控制、智能健康管理、智能組網(wǎng)四方面關(guān)鍵技術(shù)挑戰(zhàn)。通過(guò)對(duì)4條關(guān)鍵技術(shù)的研究情況進(jìn)行分析、歸納和整理，可以得出以下結(jié)論。

1）當(dāng)前星座星簇自主導(dǎo)航研究主要針對(duì)數(shù)顆至數(shù)十顆衛(wèi)星構(gòu)成的小型衛(wèi)星系統(tǒng)，圍繞提高星座長(zhǎng)期導(dǎo)航精度、提升導(dǎo)航數(shù)據(jù)處理效率以及增強(qiáng)星簇內(nèi)相對(duì)狀態(tài)估計(jì)能力等方面展開(kāi)。在星座+星簇新型構(gòu)型下，未來(lái)自主導(dǎo)航將朝著高度自主、分布式、智能化方向發(fā)展，星座整網(wǎng)長(zhǎng)期漂移誤差修正、大規(guī)模節(jié)點(diǎn)復(fù)雜星間測(cè)量拓?fù)浣Y(jié)構(gòu)優(yōu)化、降階分布式導(dǎo)航濾波數(shù)據(jù)處理等具體問(wèn)題，是需要未來(lái)持續(xù)關(guān)注解決的問(wèn)題。

2）星群協(xié)同運(yùn)動(dòng)規(guī)劃與控制技術(shù)不斷向智能化方向推進(jìn)，主要呈現(xiàn)2個(gè)發(fā)展趨勢(shì)：① 針對(duì)星群協(xié)同規(guī)劃任務(wù)對(duì)約束條件和目標(biāo)函數(shù)的不同要求，基于不同智能優(yōu)化算法的優(yōu)點(diǎn)，探索混合星群智能協(xié)同規(guī)劃方法，有效提升算法的搜索精度、收斂速度，避免陷入局部最優(yōu)解；② 星群協(xié)同控制由傳統(tǒng)分布式控制向多智能體強(qiáng)化學(xué)習(xí)控制方向發(fā)展，在星群數(shù)量有限條件下，可有效提升星群在通信延遲、數(shù)據(jù)丟失、動(dòng)力學(xué)模型不精確和強(qiáng)干擾等條件下的控制性能，但仍需要進(jìn)一步改進(jìn)多智能體強(qiáng)化學(xué)習(xí)算法，使其適應(yīng)大規(guī)模星群協(xié)同控制問(wèn)題。

3）隨著大規(guī)模商業(yè)衛(wèi)星星座、星群的投入運(yùn)行，衛(wèi)星健康管理勢(shì)必由單星的健康管理系統(tǒng)向星群星座的健康管理系統(tǒng)進(jìn)行轉(zhuǎn)變。目前單星的衛(wèi)星健康管理技術(shù)還需向更加智能化、綜合化、通用化的方向發(fā)展，故障判斷的時(shí)間點(diǎn)也不斷前移，通過(guò)提前預(yù)判衛(wèi)星健康狀況，可以極大地降低衛(wèi)星在軌的安全風(fēng)險(xiǎn)和故障影響。星群智能健康管理系統(tǒng)在單星的單機(jī)、系統(tǒng)、整星3個(gè)層級(jí)之上還需引入星簇及星座2個(gè)層級(jí)，將星群整體效能作為健康管理評(píng)估目標(biāo)，形成集群網(wǎng)絡(luò)多層級(jí)的健康管理狀態(tài)評(píng)估模型。進(jìn)行集群健康管理時(shí)，存在星群動(dòng)態(tài)拓?fù)浞治?、星間數(shù)據(jù)交互式智能健康診斷、群體決策在星群健康管理的應(yīng)用等需要解決的具體問(wèn)題。

4）智能自組織路由是為多星協(xié)同導(dǎo)航信息交互、分布式控制求解數(shù)據(jù)傳輸提供網(wǎng)絡(luò)化傳輸服務(wù)的關(guān)鍵。集群衛(wèi)星網(wǎng)絡(luò)固有的拓?fù)浣Y(jié)構(gòu)時(shí)變、單星資源受限、通信時(shí)延長(zhǎng)、易受干擾等特性給高效路由方法設(shè)計(jì)帶來(lái)了挑戰(zhàn)。面向協(xié)同觀測(cè)任務(wù)的導(dǎo)航、控制需求，集群衛(wèi)星網(wǎng)絡(luò)將朝著大規(guī)模、分布式、自主化的方向發(fā)展。未來(lái)的主要發(fā)展趨勢(shì)包括：需進(jìn)一步研究時(shí)間確定集群衛(wèi)星網(wǎng)絡(luò)路由技術(shù)，為時(shí)間敏感空間任務(wù)提供保障；為實(shí)現(xiàn)海量遙感數(shù)據(jù)的快速回傳，需要探索觀測(cè)與傳輸全流程的聯(lián)合優(yōu)化方法，支持協(xié)同觀測(cè)衛(wèi)星的優(yōu)化安排和數(shù)據(jù)傳輸路由的按需規(guī)劃；在分布式、大規(guī)模、高動(dòng)態(tài)集群衛(wèi)星網(wǎng)絡(luò)中設(shè)計(jì)和驗(yàn)證智能路由架構(gòu)與算法。

基于微小衛(wèi)星的分布式協(xié)同觀測(cè)系統(tǒng)已成為全球熱點(diǎn)領(lǐng)域，不論國(guó)內(nèi)還是國(guó)外都在進(jìn)行技術(shù)研究和空間部署，比較來(lái)說(shuō)，目前我國(guó)的技術(shù)和部署較為緩慢。本文綜述了國(guó)內(nèi)外在分布式協(xié)同觀測(cè)領(lǐng)域的研究現(xiàn)狀，旨在為同行提供借鑒，推進(jìn)我國(guó)微小衛(wèi)星協(xié)同觀測(cè)系統(tǒng)的發(fā)展。

［1］ 張志清，陸風(fēng)，方翔，等.FY-4衛(wèi)星應(yīng)用和發(fā)展［J］.上海航天（中英文），2017，34（4）：8-19.

［2］ 潘德?tīng)t，何賢強(qiáng)，李淑菁，等.我國(guó)第一顆海洋衛(wèi)星HY-1A的應(yīng)用潛力研究［J］.海洋學(xué)報(bào)，2004，26（2）：37-44.

［3］ 王殿中，何紅艷.“高分四號(hào)”衛(wèi)星觀測(cè)能力與應(yīng)用前景分析［J］.航天返回與遙感，2017，38（1）：98-106.

［4］ LIU G， ZHANG S. A survey on formation control of small satellites［J］. Proceedings of the IEEE， 2018， 106（3）： 440-457.

［5］ 李悅，張可，丁磊.美國(guó)軍用衛(wèi)星系統(tǒng)最新發(fā)展分析［J］.航天電子對(duì)抗，2019，35（6）：51-59.

［6］ 陸晴，萬(wàn)向成，孫永巖.美國(guó)PlanetLabs公司和”鴿群”衛(wèi)星的啟示［C］//2017年集團(tuán)科技委航天器總體大會(huì).深圳：航天科技集團(tuán)，2017：1-9.

［7］ 周宇，王鵬，傅丹膺.SkySat衛(wèi)星的系統(tǒng)創(chuàng)新設(shè)計(jì)及啟示［J］.航天器工程，2015，24（5）：91-98.

［8］ 劉韜.美國(guó)”天空衛(wèi)星”技術(shù)探析［J］.國(guó)際太空，2015（12）：66-69.

［9］ FARQUHARSON G， WOODS W， STRINGHAM C， et al. The capella synthetic aperture radar constellation［C］// 12th European Conference on Synthetic Aperture Radar. Washington D.C.， USA： IEEE Press， 2018： 1873-1876.

［10］ 羅格，衛(wèi)征.航天遙感與中國(guó)空間信息產(chǎn)業(yè)發(fā)展［J］.航天返回與遙感，2018，39（4）：10-17.

［11］ 李建全，王倩瑩，張思晛，等.國(guó)外對(duì)地觀測(cè)微納衛(wèi)星發(fā)展趨勢(shì)分析［J］.航天器工程，2020，29（4）：126-130.

［12］ 林來(lái)興，張小琳.納型衛(wèi)星編隊(duì)飛行技術(shù)現(xiàn)狀及發(fā)展趨勢(shì)［J］.航天器工程，2017，25（5）：65-73.

［13］ 本刊編輯部.芬蘭Iceye小衛(wèi)星觀測(cè)：將天氣雷達(dá)網(wǎng)送入地球軌道［J］.氣象科技進(jìn)展，2016，6（1）：103.

［14］ 周英杰，李思佳，魏紅艷，等.“高分一號(hào)02、03、04星”衛(wèi)星數(shù)據(jù)在礦山開(kāi)發(fā)環(huán)境遙感監(jiān)測(cè)中的初步應(yīng)用評(píng)價(jià)［J］.測(cè)繪與空間地理信息，2020，43（3）：73-75，78.

［15］ 解延浩，馬馳，鐘興，等.基于”吉林一號(hào)”視頻衛(wèi)星的天基空間目標(biāo)觀測(cè)研究［J］.空間碎片研究，2019，19（4）：13-20.

［16］ 李黎.高景一號(hào)衛(wèi)星系統(tǒng)設(shè)計(jì)創(chuàng)新和在軌性能［J］.國(guó)際太空，2018（9）：28-32.

［17］ 李先怡，范海生，潘申林.珠海一號(hào)高光譜衛(wèi)星數(shù)據(jù)及應(yīng)用概況［J］.衛(wèi)星應(yīng)用，2019，8（1）：12-18.

［18］ 胡芳，曾海波，瞿麗.北京二號(hào)數(shù)據(jù)在基礎(chǔ)性地理國(guó)情監(jiān)測(cè)中的適用性分析［J］.國(guó)土資源導(dǎo)刊，2019，16（4）：58-62.

［19］ 高分辨率對(duì)地觀測(cè)系統(tǒng)湖北數(shù)據(jù)與應(yīng)用中心.珞珈一號(hào)01星數(shù)據(jù)與應(yīng)用服務(wù)［J］.衛(wèi)星應(yīng)用，2019（5）：26-29.

［20］ FELLAH S， RZIZA M， HAZITI M. An efficient approach for filling gaps in Landsat 7 satellite images［J］. IEEE Geoscience and Remote Sensing Letters， 2017， 14（1）： 62-66.

［21］ 本刊編輯部.德國(guó)將人工智能用于衛(wèi)星間自主協(xié)調(diào)運(yùn)行［J］.無(wú)線電通信技術(shù)，2019，45（3）：315.

［22］ 肖寅.導(dǎo)航衛(wèi)星自主導(dǎo)航關(guān)鍵技術(shù)研究［D］.上海：中國(guó)科學(xué)院研究生院（上海技術(shù)物理研究所），2015.

［23］ RAJAN J， BRODIE P， RAWICZ H. Modernizing GPS autonomous navigation with anchor capability［C］// 16th International Technical Meeting of the Satellite Division of the Institute of Navigation. Manassas. VA：Institute of Navigation， 2003： 1534-1542.

［24］ 溫旭峰.星間鏈路條件下的北斗鐘差觀測(cè)與自主定軌策略研究［D］.鄭州：戰(zhàn)略支援部隊(duì)信息工程大學(xué)，2018.

［25］ 侯芬，劉萬(wàn)科，方榮新.導(dǎo)航衛(wèi)星自主定軌星座旋轉(zhuǎn)誤差分析與控制方法［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2009，34（11）：1280-1284.

［26］ 陳金平，焦文海，馬駿，等.基于星間測(cè)距/軌道定向參數(shù)約束的導(dǎo)航衛(wèi)星自主定軌研究［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2005，30（5）：439-443.

［27］ RAJAN J， ORR M， WANG P. On-orbit validation of GPS IIR autonomous navigation［C］// 59th Annual Meeting of the Institute of Navigation and CIGTF 22nd Guidance Test Symposium Manassas. VA：Institute of Navigation， 2003： 411-419.

［28］ 蘇天祥，文援蘭，藍(lán)柏強(qiáng)，等.基于錨固站的導(dǎo)航星座分布式自主定軌研究［J］.大地測(cè)量與地球動(dòng)力學(xué)，2014，34（3）：111-115.

［29］ ANANDA M P， BERNSTEIN H， CUNNINGHAM K E， et al. Global positioning system （GPS） autonomous navigation［C］// IEEE Position Location & Navigation Symposium. Washington D.C.， USA： IEEE Press， 2002： 497-508.

［30］ XIONG K， Wei C， LIU L. Autonomous navigation for a group of satellites with star sensors and inter-satellite links［J］. Acta Astronautica， 2013， 86： 10-23.

［31］ YANG W， SHAO Y， WANG L， et al. Satellite constellation navigation method based on inter-satellite link and inter-satellite orientation［C］// 13th World Congress on Intelligent Control and Automation. Washington D.C.， USA： IEEE Press， 2018： 211-216.

［32］ HU Y， SHARF I， CHEN L. Three-spacecraft autonomous orbit determination and observability analysis with inertial angles-only measurements［J］. Acta Astronautica， 2020， 170： 106-121.

［33］ HAN F， CHEN S， HE L， et al. Inter-satellite orientation observation and long-term autonomous orbit determination for constellation［C］// 64th International Astronautical Congress. 2013：4926-4932.

［34］ XIONG K， WEI C， LIU L. The use of X-ray pulsars for aiding navigation of satellites in constellations［J］. Acta Astronautica， 2009， 64（4）： 427-436.

［35］ LI M， BO X， SUN J. Autonomous orbit determination for a hybrid constellation［J］. International Journal of Aerospace Engineering， 2018： 1-13.

［36］ 房建成，寧曉琳，馬辛，等.深空探測(cè)器自主天文導(dǎo)航技術(shù)綜述［J］.飛控與探測(cè)，2018，1（1）：1-15.

［37］ LIU S， YANG J， GUO X， et al. Inter-satellite link assignment for the laser/radio hybrid network in navigation satellite systems［J］. GPS Solutions， 2020， 24（2）： 1-14.

［38］ ZHANG T， KE L， LI J， et al. Fireworks algorithm for the satellite link scheduling problem in the navigation constellation［C］// 2016 IEEE Congress on Evolutionary Computation. Washington D.C.， USA： IEEE Press， 2016： 4029-4037.

［39］ DU Y， WANG L， XING L， et al. Data-driven heuristic assisted memetic algorithm for efficient inter-satellite link scheduling in the BeiDou navigation satellite system［J］. IEEE/CAA Journal of Automatica Sinica， 2021， 8（11）： 1800.

［40］ SUN L， WANG Y， HUANG W， et al. Inter-satellite communication and ranging link assignment for navigation satellite systems［J］. GPS Solutions， 2018， 22（2）： 1-14.

［41］ YANG D， YANG J， XU P. Timeslot scheduling of inter-satellite links based on a system of a narrow beam with time division［J］. GPS Solutions， 2017， 21（3）： 999-1011.

［42］ 王東會(huì)，徐博，劉文祥，等.一種新的衛(wèi)星導(dǎo)航星間鏈路測(cè)距體制及其定軌性能分析［J］.國(guó)防科技大學(xué)學(xué)報(bào)，2014，36（1）：62-66.

［43］ MILAN M， BREGER L， J HOW. Analysis of decentralized estimation filters for formation flying spacecraft ［C］// AIAA Guidance， Navigation， and Control Conference and Exhibit. Reston， USA： AIAA Press， 2004：2004-5135.

［44］ XUE K， WEN Y， LIAO Y， et al. Distributed orbit determination based on increased measurement covariance EKF for global navigation satellite system with inter-satellite link［C］// China Satellite Navigation Conference. 西安：中國(guó)衛(wèi)星導(dǎo)航系統(tǒng)管理辦公室，2015： 297-309.

［45］ WEN Y， ZHU J， GONG Y， et al. Distributed orbit determination for global navigation satellite system with inter-satellite link ［J］. Sensors， 2019， 19（5）： 1031.

［46］ HU Y， SHARF I， CHEN L. Distributed orbit determination and observability analysis for satellite constellations with angles-only measurements ［J］. Automatica， 2021， 129（1）： 109626.

［47］ 苗贏.星載GPS技術(shù)在航天器編隊(duì)定軌中的應(yīng)用研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2010.

［48］ 張偉，杜耀珂，李東俊，等.基于星間測(cè)距增強(qiáng)的衛(wèi)星編隊(duì)GPS相對(duì)導(dǎo)航研究［J］.上海航天（中英文），2017，34（3）：95-101.

［49］ 艾奇，王向，武靜，等.基于多天線的星間GPS高精度相對(duì)定位方法［J］.航天控制，2018，36（2）：65-69.

［50］ 孫秀聰，耿鋮，賈振俊，等.一種高精度實(shí)時(shí)微納衛(wèi)星集群導(dǎo)航算法：CN111487660A［P］.2020-04-24.

［51］ CHAVEZ F， LOVELL T. Relative-orbit element estimation for satellite navigation and guidance［C］// AIAA/AAS Astrodynamics Specialist Conference and Exhibit. Reston， USA： AIAA Press， 2012： 2004-5214.

［52］ 陳韻，周軍.基于激光雷達(dá)測(cè)量的空間交會(huì)對(duì)接相對(duì)導(dǎo)航［J］.航天控制，2006，24（1）：24-28

［53］ 周鳳歧，孫東，周軍.基于非線性濾波技術(shù)的多航天器編隊(duì)飛行相對(duì)導(dǎo)航［J］.宇航學(xué)報(bào)，2005，26（2）：212-216.

［54］ WOFFINDEN D， GELLER D. Observability criteria for angles-only navigation［J］. IEEE Transactions on Aero-space and Electronic Systems， 2009， 45（3）： 1194-1208.

［55］ GELLER D， KLEIN I. Angles-only navigation state observability during orbital proximity operations［J］. Journal of Guidance， Control， and Dynamics， 2014， 37（6）： 1976-1983.

［56］ BODIN P， NOTEBORN R， LARSSON R， et al. The prisma formation flying demonstrator： overview and conclusions from the nominal mission［J］. Advances in the Astronautical Sciences， 2012， 144： 441-460.

［57］ KLEIN I， GELLER D. Zero Δsolution to the angles-only range observability problem during orbital proximity operations［C］// Advances in Estimation， Navigation， and Spacecraft Control. Berlin， Germany： Springer， 2015： 351-369.

［58］ ARDAENS J， GAIAS G. Angles-only relative orbit determination in low earth orbit［J］. Advances in Space Research， 2018， 61（11）： 2740-2760.

［59］ 尤岳.空間碎片清除僅測(cè)角相對(duì)導(dǎo)航與機(jī)動(dòng)規(guī)劃［D］.長(zhǎng)沙：國(guó)防科技大學(xué)，2017.

［60］ FRANQUIZ F， MUNOZ J， UDREA B， alet， Optimal range observability maneuvers of a spacecraft formation using angles-only navigation［J］. Acta Astronautica， 2018， 153： 337-348.

［61］ LUO J， GONG B， YUAN J， et al. Angles-only relative navigation and closed-loop guidance for spacecraft proximity operations［J］. Acta Astronautica， 2016， 128： 91-106.

［62］ GELLER D， PEREZ A. Initial relative orbit determination for close-in proximity operations［J］. Journal of Guidance， Control， and Dynamics， 2015， 38（9）： 1833-1842.

［63］ GONG B， LI W， LI S， et al. Angles-only initial relative orbit determination algorithm for noncooperative spacecraft proximity operations［J］. Astrodynamics（in English）， 2018， 2（3）： 217-231.

［64］ GONG B， GELLER D， LUO J. Initial relative or-bit determination analytical covariance and performance analysis for proximity operations［J］. Journal of Spacecraft and Rockets， 2016， 53（5）： 822-835.

［65］ GAIAS G， AMICO S， ARDAENS J. Angles-only navigation to a non-cooperative satellite using relative orbital elements［J］. Journal of Guidance， Control， and Dynamics， 2014， 37（2）： 439-451.

［66］ 韓飛，梁彥，郭雯婷，等.一種用星上視線角度信息的相對(duì)導(dǎo)航方法：ZL201110011003.1［P］.2015-7-15.

［67］ HAN F， WANG Z， HAN Y， et al. Angles-only relative navigation in spherical coordinates using unscented kalman filter［C］// Proceedings of the 39th Chinese Control Conference. Washington D.C.， USA： IEEE Press， 2020： 3444-3451.

［68］ SHUBHAM G. Initial relative-orbit determination using second-order dynamics and line-of-sight measurements［D］. Alabama： Auburn University， 2015.

［69］ PEREZ A， GELLER D， LOVELL T， Non-iterative angles-only initial relative orbit determination with J2 perturbations［J］. Acta Astronautica， 2018， 151： 146-159.

［70］ 高學(xué)海，梁斌，潘樂(lè)，等.高軌非合作目標(biāo)多視線分布式相對(duì)導(dǎo)航方法［J］.宇航學(xué)報(bào)，2015，36（3）：292-299.

［71］ 袁滿.基于僅測(cè)角信息大橢圓軌道編隊(duì)相對(duì)導(dǎo)航方法研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2017.

［72］ 王楷，陳統(tǒng)，徐世杰.基于雙視線測(cè)量的相對(duì)導(dǎo)航方法［J］.航空學(xué)報(bào)，2011，32（6）：1084-1091.

［73］ TONG C， XU S. Double line-of-sight measuring relative navigation for spacecraft autonomous rendezvous［J］. Acta Astronautica， 2010， 67： 122-134.

［74］ 王楷，徐世杰，黎康，等.雙視線測(cè)量相對(duì)導(dǎo)航方法誤差分析與編隊(duì)設(shè)計(jì)［J］.航空學(xué)報(bào)，2018，39（9）：147-161.

［75］ 韓飛，劉付成，王兆龍，等．空間多機(jī)器人協(xié)同的多視線僅測(cè)角相對(duì)導(dǎo)航［J］．航空學(xué)報(bào)，2021，42（1）：316-326.

［76］ MATSUKA K， FELDMAN A， LUPU E， et al. Decentralized formation pose estimation for spacecraft swarms［J］. Advances in Space Research， 2021， 67（11）： 3527-3545.

［77］ MATSUKA K， LUPU E， NAKKA Y， et al. Distributed multi-target relative pose estimation for cooperative spacecraft swarm［C］// 10th International Workshop on Satellite Constellations and Formation Flying. Delft： IWSCFF，2019： 1-12.

［78］ BEZOUSKA W， BARNHART D. Decentralized cooperative localization with relative pose estimation for a spacecraft swarm［C］// 2019 IEEE Aerospace Conference， Rockville. Washington D.C.， USA： IEEE Press， 2019： 1-13.

［79］ 龔柏春，王沙，李爽.一種基于一致性濾波的航天器集群僅測(cè)距相對(duì)導(dǎo)航方法：201910378857.X［P］.2019-05-08.

［80］ GONG B， WANG S， HAO M， et al. Range-based collaborative relative navigation for multiple unmanned aerial vehicles using consensus extended Kalman filter［J］. Aerospace Science and Technology， 2021， 112： 106647.

［81］ GONG B， LI S， SHI J， et al. Rotation based analytic range-only initial relative orbit solution for natural-periodic motion［J］. Acta Astronautica， 2021， 178： 584-594.

［82］ MA L， HUANG P， HAN F， et al. Fingerprint localization method for leader-follower satellite cluster based on dynamic radio map［C］// 2020 IEEE Global Communications Conference. Washington D.C.， USA： IEEE Press， 2020：1-6.

［83］ BARNHART D， DUONG R， VILLAFANA L， et al. The development of dynamic guidance and navigation algorithms for autonomous on-orbit multi-Satellite［C］// 70th International Astronautical Congress. Washington D.C.， USA： IAF， 2019：1-14.

［84］ LEDERGERBER A， HAMER M， ANDREA R， A robot self-localization system using one-way ultra-wideband communication［C］// IEEE/RSJ International Conference on Intelligent Robots & Systems. Washington D.C.， USA： IEEE Press， 2015： 3131-3137.

［85］ FOUST R， CHUNG S， HADAEGH F. Solving optimal control with nonlinear dynamics using sequential convex programming［C］// AIAA SciTech Forum. Reston， USA： AIAA Press， 2019： 2019-0652.

［86］ WANG P， HADAEGH F. Optimal formation-reconfiguration for multiple spacecraft［J］. Journal of Guidance， Control， and Dynamics 2008， 31： 686-696.

［87］ WANG P， HADAEGH F. Minimum-fuel formation reconfiguration of multiple free-flying spacecraft［J］. Journal of Astronautical Sciences， 1999， 47（1）： 77-102.

［88］ 秦小林，羅剛，李文博，等.集群智能算法綜述［J］.無(wú)人系統(tǒng)技術(shù)，2021，4（3）：1-10.

［89］ KENNEDY J. Particle swarm optimization［C］// Proceeding of 1995 IEEE International Conference. Washington D.C.， USA： IEEE Press， 2011： 1942-1948.

［90］ DORIGO M， MANIEZZO V. Ant system： optimization by a colony of cooperating agents［J］. IEEE Transactions on Systems， Man and Cybernetics-Part B， 1996， 26（1）： 29-41.

［91］ KARABOGA D. An idea based on honey bee swarm for numerical optimization［R］. Technology Report， TR06， October 2005.

［92］ ZAHADAT P， HAHSHOLD S， THENIUS R， et al. From honeybees to robots and back： division of labour based on partitioning social inhibition［J］. Bioinspiration & Biomimetics，2015，10（6）：1-30.

［93］ 王訓(xùn)，王兆魁，張育林.基于合作博弈的智能集群自主聚集策略［J］.國(guó)防科技大學(xué)學(xué)報(bào)，2017，39（2）：146-151.

［94］ 張震，方群，宋金豐，等.基于協(xié)同粒子群算法的航天器集群動(dòng)態(tài)路徑規(guī)劃算法研究［J］.西北工業(yè)大學(xué)學(xué)報(bào)，2021，39（6）：1222-1232.

［95］ 韓博文，姚佩陽(yáng)，孫昱.基于多目標(biāo)MSQPSO算法的UAVS協(xié)同任務(wù)分配［J］.電子學(xué)報(bào)，2017，45（8）：1856-1863.

［96］ 王婷，夏廣慶，蘭聰超.粒子群算法求解不等質(zhì)量庫(kù)侖衛(wèi)星編隊(duì)最優(yōu)構(gòu)型［J］.系統(tǒng)工程與電子技術(shù)，2016，38（2）：305-313.

［97］ 周亮.航天器集群飛行的軌道保持與重構(gòu)機(jī)動(dòng)［D］.西安：西北工業(yè)大學(xué)，2016.

［98］ 谷海波，劉克新，呂金虎.集群系統(tǒng)協(xié)同控制：機(jī)遇與挑戰(zhàn)［J］.指揮與控制學(xué)報(bào)，2021，7（1）：1-10.

［99］ MORGAN D. Guidance and control of swarms of spacecraft［D］. Urbana-Champaign： University of Illinois at Urbana-Champaign， 2015.

［100］劉付成，梅杰，馬廣富.有向圖中模塊化航天器系統(tǒng)相對(duì)軌道的自適應(yīng)分布式一致性［J］.控制理論與應(yīng)用，2014，31（2）：223-229.

［101］劉付成，梅杰，馬廣富.帶未知干擾的模塊化航天器系統(tǒng)相對(duì)軌道的隊(duì)形控制［J］.控制與決策，2014，29（6）：985-990.

［102］周稼康.航天器編隊(duì)飛行分布式協(xié)同控制方法研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2012.

［103］鄭重.多航天器編隊(duì)飛行分布式協(xié)同控制［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2014.

［104］張博，羅建軍，袁建平.多航天器編隊(duì)在軌自主協(xié)同控制研究［J］.宇航學(xué)報(bào)，2010，31（1）：130-136.

［105］馬培蓓，雷明，紀(jì)軍.基于一致性的多無(wú)人機(jī)協(xié)同編隊(duì)設(shè)計(jì)［J］.戰(zhàn)術(shù)導(dǎo)彈技術(shù)，2017（2）：86-90．

［106］CHEN T， CHEN G. Distributed adaptive tracking control of multiple flexible spacecraft under various actuator and measurement limitations［J］. Nonlinear Dynamics， 2018， 91（3）： 1571-1586.

［107］鄧婉，王新民，王曉燕.無(wú)人機(jī)編隊(duì)隊(duì)形保持變換控制器設(shè)計(jì)［J］.計(jì)算機(jī)仿真，2011，28（10）：73-78.

［108］馬廣富，董宏洋，胡慶雷.考慮避障的航天器編隊(duì)軌道容錯(cuò)控制律設(shè)計(jì)［J］.航空學(xué)報(bào)，2017，38（10）：1-11.

［109］何真，陸宇平，劉燕斌.基于虛擬結(jié)構(gòu)的分布式編隊(duì)控制方法［J］.應(yīng)用科學(xué)學(xué)報(bào)，2007，25（4）：387-391.

［110］潘無(wú)為，姜大鵬，龐永杰，等.人工勢(shì)場(chǎng)和虛擬結(jié)構(gòu)相結(jié)合的多水下機(jī)器人編隊(duì)控制［J］.兵工學(xué)報(bào)，2017，38（2）：326-334.

［111］夏春.移動(dòng)機(jī)器人避障與多機(jī)器人圍捕研究［D］.武漢：華中科技大學(xué)，2007.

［112］陳寧.智能機(jī)器人動(dòng)態(tài)路徑規(guī)劃研究［D］.武漢：華中科技大學(xué)，2005.

［113］RIMON E， KODITSCHEK D. Exact robot navigation using artificial potential functions［J］. IEEE Transactions on Robotics and Automation， 1992， 8（5）： 501-518.

［114］BADAWY A， MCINNES C. Small spacecraft formation using potential functions［J］. Acta Astronautica， 2009， 65（11）：1783-1788.

［115］王濤，許永生，張迎春，等.基于行為的非合作目標(biāo)多航天器編隊(duì)軌跡規(guī)劃［J］.中國(guó)空間科學(xué)技術(shù)，2017，37（1）：19-25.

［116］LIU G. Consensus and stability analysis of networked multiagent predictive control systems［J］. IEEE Transactions on Cybernetics， 2017， 47（4）： 1114-1119.

［117］LIU G. Predictive control of networked multiagent systems via cloud computing［J］. IEEE Transaction on Cybernetics， 2017， 47（8）： 1852-1859.

［118］GAO E， NING X， WANG Z， et al. Broad-RBFNN-based intelligence adaptive anti-disturbance formation control for a class of cluster aerospace unmanned systems with multiple high-dynamic uncertainties［J］. Hindawi Complexity， 2021， 2021： 1-12.

［119］張婷婷，藍(lán)羽石，宋愛(ài)國(guó).無(wú)人集群系統(tǒng)自主協(xié)同技術(shù)綜述［J］.指揮與控制學(xué)報(bào)，2021，7（6）：127-136.

［120］TAN M. Multi-agent reinforcement learning： Independent vs. cooperative agents［C］// Proceedings of the Tenth International Conference on Machine Learning. Honolulu： ICMLA，1993： 330-337.

［121］TAMPUU A， MATIISEN T， KODELJA D， et al. Multiagent cooperation and competition with deep reinforcement learning［J］. PLoS One， 2015， 12（4）： 1-12.

［122］USUNIER N， SYNNAEVE G， LIN Z， et al. Episodic exploration for deep deterministic policies： an application to starcraft micro management tasks［C］// International Conference on Learning Representations. Puerto Rico： ICLR，2016： 1609.02993.

［123］王毅然，經(jīng)小川，田濤，等.基于強(qiáng)化學(xué)習(xí)的多Agent路徑規(guī)劃方法研究［J］，計(jì)算機(jī)應(yīng)用與軟件，2019，36（8）：165-171.

［124］ZHAO Y， ZHOU D， BAI C C， et al. Reinforcement learning based spacecraft autonomous evasive maneuvers method against multi-interceptors［C］// 3rd International Conference on Unmanned Systems. 2020： 1108-1113.

［125］LOWE R， WU Y， TAMAR A， et al. Multi-agent actor-critic for mixed cooperative-competitive environments［C］// Advances in Neural Information Processing Systems. Vancouver： NIPS，2017： 6379-6390.

［126］許宏才，張超，鮑軍鵬，等.衛(wèi)星健康管理系統(tǒng)的發(fā)展與探索［J］.無(wú)線電工程，2020，50（6）：429-436.

［127］TAFAZOLI M， A study of on-orbit spacecraft failures［J］. Acta Astronautica， 2009， 64： 195-205.

［128］YIN S， XIA L B， DING S， et al. A review on recent development of spacecraft attitude fault tolerant control system［J］. IEEE Transactions on Industrial Electronics， 2016， 63（5）： 3311-3320.

［129］袁利，黃煌.空間飛行器智能自主控制技術(shù)現(xiàn)狀與發(fā)展思考［J］.空間控制技術(shù)與應(yīng)用，2019，45（4）：7-18.

［130］王文平，王向暉，徐浩，等.高分三號(hào)衛(wèi)星自主健康管理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］.航天器工程，2017，26（6）：40-46.

［131］胡紹林，肇剛，郭小紅，等.航天安全與健康管理技術(shù)研究述評(píng)［J］.上海應(yīng)用技術(shù)學(xué)院學(xué)報(bào)（自然科學(xué)版），2015，15（3）：286-292.

［132］IVERSON D. System and method for outlier detection via estimating clusters： US-Patent-9，336，484 ［P］. 2016-05-10.

［133］IVERSON D， MARTIN R， SCHWABACHER M， et al. General purpose data-driven monitoring for space operations ［J］. Journal of Aerospace Computing Information & Communication， 2012， 9（2）： 26-44.

［134］SPIRKOVSKA L， IVERSON D， HALL D， et al. Anomaly detection for next-generation space launch ground operations［C］// SpaceOps 2010 Conference Delivering on the Dream Hosted by NASA Marshall Space Flight Center and Organized. Reston， USA： AIAA Press， 2010： 2182.

［135］李瑞雪，張澤旭.國(guó)際空間站健康管理系統(tǒng)對(duì)我國(guó)空間站建設(shè)的啟示［J］.載人航天，2020，26（1）：120-127.

［136］TAFAZOLI M. A study of on-orbit spacecraft failures［J］. Acta Astronautica， 2009， 64： 195-205.

［137］SHI W， SUN Y， WANG Z， et al. A study of PHM system and its fault forecasting model［J］. Fire Control and Command Control， 2009， 34（1）： 29-35.

［138］WINTOFT P， LUNDSTEDT H， ELIASSON L， et al. Spacecraft anomaly analysis and prediction system-SAAPS［C］// Proceedings of the 7th International Conference. Noordwijk： European Space Agency. 2001： 169-176.

［139］KIRSCH M， AIREY S， CHAPMAN P， et al. Bearing noise detection， modeling and mitigation measures on ESA’s X-ray observatory XMM-NEWTON［C］//2014 GNC Conference. Boston： AIAA，2014： 827-838.

［140］YANG L， LI X， FENG C， et al．Research on autonomous health management and reconstruction technology of satellite［C］// International Conference on Signal and Information Processing， Networking and Computers. Berlin， Germany： Springer， 2018： 115-123.

［141］王文平，袁珺，元勇，等.實(shí)踐十號(hào)返回式衛(wèi)星自主安全控制策略設(shè)計(jì)［J］.計(jì)算機(jī)測(cè)量與控制，2017，25（12）：60-63，72.

［142］袁利，王淑一.航天器控制系統(tǒng)智能健康管理技術(shù)發(fā)展綜述［J］.航空學(xué)報(bào)，2021，42（4）：525044.

［143］劉強(qiáng)，周經(jīng)倫，金光，等.基于隨機(jī)閾值的Gauss-Brown失效物理模型的動(dòng)量輪可靠性評(píng)估［J］.宇航學(xué)報(bào)，2009，30（5）：2109-2115.

［144］MCMAHON P， LAVEN R. Results from 10 years of reaction/momentum wheel life testing［C］// 11th European Space Mechanisms and Tribology Symposium. Lucerne： European Space Agency，2005：109481446.

［145］SEBASTIAN S， PHILIPP H， ISABELLE B， et al. Fault-tolerant flight guidance system for UAS enabling full U-space integration［C］// AIAA SCITECH 2022 Forum. Reston， USA： AIAA Press， 2022： 1146.

［146］ZHU L， JIANG B， CHENG Y. Life prediction methods based on data-driven： review and trend［C］// 2016 IEEE Chinese Guidance， Navigation and Control Conference. Washington D.C.， USA： IEEE Press， 2016： 1682-1686.

［147］呂琛.故障診斷與預(yù)測(cè)技術(shù)：原理、技術(shù)及應(yīng)用［M］.北京：北京航空航天大學(xué)出版社，2012：262-265.

［148］WANG X， KOU J， ZHANG W， et al. Incorporating physical models for dynamic stall prediction based on machine learning［J］. AIAA Journal Articles in Advance， 2022， 60：7.

［149］CHENG Y， WANG R， XU M. A combined model-based and intelligent method for small detection and isolation of actuators［J］. IEEE Transactions on Industrial Electronics， 2016， 63（4）： 2403-2413.

［150］李楠，張?jiān)蒲?，李言?一種自旋穩(wěn)定衛(wèi)星姿態(tài)傳感器數(shù)據(jù)異常的診斷方法［J］.宇航學(xué)報(bào)，2011，32（6）：1327-1332.

［151］DAI C， PI D， FANG Z， et al. A novel long-term prediction model for hemispherical resonator gyroscope’s drift data［J］. IEEE Sensors Journal， 2014， 14（6）：1886-1897.

［152］GAO Y， YANG T， LI W， et al. State trend prediction of spacecraft using PSO-SVR［J］. Lecture Notes in Electrical Engineering， 2014， 323： 337-345.

［153］VOSS S. Application of deep learning for spacecraft fault detection and isolation［D］. Delft： Delft University of Technology， 2019.

［154］CANSE Y， NAZIM K. Deep learning based fault tolerant thrust vector control［C］// AIAA SCITECH 2022 Forum. Reston， USA： AIAA Press， 2022： 0970.

［155］姜洪開(kāi)，邵海東，李興球.基于深度學(xué)習(xí)的飛行器智能故障診斷方法［J］.機(jī)械工程學(xué)報(bào)，2019，55（7）：27-34.

［156］DALLY K， KAMPEN E. Soft actor-critic deep reinforcement learning for fault-tolerant flight control［C］// AIAA SCITECH 2022 Forum. Reston， USA： AIAA Press， 2022： 2078.

［157］ELSAID A， WILD B， HIGGINS J， et al. Using LSTM recurrent neural networks to predict excess vibration events in aircraft engines［C］// 2016 IEEE 12th International Conference on e-Science. Washington D.C.， USA： IEEE Press， 2016： 260-269.

［158］ALZAIDY A， HUSSEIN W， SAYED M， et al. Data driven models for satellite state of health monitoring and evaluation［J］. International Journal of Robotics and Mechatronics， 2018， 5（1）： 1-11.

［159］KHAN S， YAIRI T. A review on the application of deep learning in system health management［J］. Mechanical System and Signal Processing， 2018， 107： 241-265.

［160］YU Z， ZHANG Y， JANG B， et al. A review on fault-tolerant cooperative control of multiple unmanned aerial vehicles［J］. Chinese Journal of Aeronautics， 2022， 35（1）： 1-18.

［161］楊卓鵬，鄭恒，李海生.基于ADC模型的導(dǎo)航星座系統(tǒng)效能分析［J］.工業(yè)工程與管理，2016，21（3）：145-152.

［162］楊卓鵬，鄭恒，角淑媛，等.一種導(dǎo)航衛(wèi)星的系統(tǒng)效能建模與分析方法［J］.宇航學(xué)報(bào)，2017，38（6）：647-654.

［163］許鵬飛，張偉華，馬潤(rùn)年.基于熵權(quán)的改進(jìn)ADC法通信基礎(chǔ)網(wǎng)作戰(zhàn)效能評(píng)估算法［J］.火力與指揮控制，2013，38（1）：64-68.

［164］劉仕雷，李昊.改進(jìn)ADC方法及其在武器裝備系統(tǒng)效能評(píng)估中的應(yīng)用［J］.國(guó)防科技大學(xué)學(xué)報(bào)，2017，39（3）：130-135.

［165］陳辛.面向小衛(wèi)星群的神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)研究［D］.南京：南京航空航天大學(xué)，2018.

［166］席超，胡江燕，楊瑩，等.基于數(shù)字孿生的巨型星座系統(tǒng)智能健康管理研究［C］//第十七屆衛(wèi)星通信學(xué)術(shù)年會(huì).北京：中國(guó)通信學(xué)會(huì)，2021：374-379.

［167］李德政.低軌遙感衛(wèi)星組網(wǎng)關(guān)鍵技術(shù)研究［D］.合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2020.

［168］夏茹敏，史可懿，何健，等.天地聯(lián)合測(cè)控魯棒性路由算法［J］.上海航天（中英文），2021，38（4）：8.

［169］WERNER M. A dynamic routing concept for ATM-based satellite personal communication networks［J］. Selected Areas in Communications IEEE Journal， 1997， 15（8）： 1636-1648.

［170］HONG S， KIM B， CHANG G， et al. FSA-based link assignment and routing in low-earth orbit satellite networks［J］. IEEE Transactions on Vehicular Technology， 1997， 47（3）： 1037-1048.

［171］AKYILDIZ I， EKICI E， BENDER M. MLSR： a novel routing algorithm for multilayered satellite IP networks［J］. IEEE/ACM Transactions on Networking， 10（3）： 411-424.

［172］李紅艷，張燾，張靖乾，等.基于時(shí)變圖的天地一體化網(wǎng)絡(luò)時(shí)間確定性路由算法與協(xié)議［J］.通信學(xué)報(bào)，2020，41（10）：14.

［173］HUANG M， CHEN S， ZHU Y， et al. Topology control for time-evolving and predictable delay-tolerant networks［J］. IEEE Transactions on Computers， 2013， 62（11）： 2308-2321.

［174］TANG Z， FENG Z， HAN W， et al. Improving the snapshot routing performance through reassigning the inter-satellite links［C］//2015 IEEE Conference on Computer Communications Workshops. Washington D.C.， USA： IEEE Press， 2015： 97-98.

［175］ARANITI G， BEZIRGIANNIDIS N， BIRRANE E， et al. Contact graph routing in DTN space networks： overview， enhancements and performance［J］. IEEE Communications Magazine， 2015， 53（3）： 38-46.

［176］LOURENAO R， FIGUEIREDO G， TORNATORE M， et al. Post disaster data evacuation from isolated data centers through leo satellite networks［C］// IEEE International Conference on Communications. Washington D.C.， USA： IEEE Press， 2017： 1-5.

［177］SHI K， LI H， SUO L. Temporal graph based energy-limited max-flow routing over satellite networks［C］// 2021 IFIP Networking Conference （IFIP Networking）. Washington D.C.， USA： IEEE Press， 2021： 1-3.

［178］WANG P， ZHANG X， ZHANG S， et al. Time-expanded graph-based resource allocation over the satellite networks［J］. Wireless Communications Letters IEEE， 2019， 8（2）： 360-363.

［179］ZHANG T， LI H， ZHANG S， et al. STAG-based QoS support routing strategy for multiple missions over the satellite networks［J］. IEEE Transactions on Communications， 2019， 99： 6912-6924.

［180］曹素芝，孫雪，王厚鵬，等.星地融合網(wǎng)絡(luò)智能路由技術(shù)綜述［J］.天地一體化信息網(wǎng)絡(luò)，2021，2（2）：11-20.

［181］XU S， WANG X， HUANG M. Software-defined next-generation satellite networks： architecture， challenges， and solutions［J］. IEEE Access， 2018， 6： 4027-4041.

［182］KREUTZ D， RAMOS F， VERISSIMO P， et al. Software-defined networking： a comprehensive survey［J］. Proceedings of the IEEE， 2015， 103（1）： 14-76.

［183］AZZOUNI A， BRAHAM O， TRANG N， et al. Fingerprinting OpenFlow controllers： the first step to attack an SDN control plane［C］// 2016 IEEE Global Communications Conference. Washington D.C.， USA： IEEE Press， 2016： 1-6.

［184］SUN W， LIANG J， XIAO N， et al. Intelligent Routing Scheme for SDN satellite network based on neural network［C］// IOP Conference Series Materials Science and Engineering. Bristol， UK： IOP Publishing， 2019： 052087.

［185］DUDUKOVICH R， PAPACHRISTOU C. Delay tolerant network routing as a machine learning classification problem［C］// 2018 NASA/ESA Conference on Adaptive Hardware and Systems. Washington D.C.， USA： IEEE Press， 2018： 96-103.

［186］MAO Q， HU F， HAO Q. Deep learning for intelligent wireless networks： a comprehensive survey［J］. IEEE Communications Surveys & Tutorials， 2018， 20（4）： 2595-2621.

［187］WANG Z， ZHANG J， ZHANG X， et al. Reinforcement learning based congestion control in satellite internet of things［C］// 2019 11th International Conference on Wireless Communications and Signal Processing. Washington D.C.， USA： IEEE Press， 2019：1-6.

［188］DUDUKOVICH R， HYLTON A， PAPACHRISTOU C. A machine learning concept for DTN routing［C］// IEEE International Conference on Wireless for Space & Extreme Environments. Washington D.C.， USA： IEEE Press， 2017： 110-115.

Key Technologies of Intelligent Control System for Distributed Cooperative Micro/Nano Remote Sensing Satellites

LIUFucheng1， HANFei2，3， HANYu2，3， WUHailei2，3， LIMuzi2，3， SHIKeyi4

（1.Shanghai Academy of Spaceflight Technology， Shanghai 201109， China； 2.Shanghai Aerospace Control Technology Institute， Shanghai 201109， China； 3.Shanghai Key Laboratory of Space Intelligent Control Technology， Shanghai 201109， China； 4.School of Telecommunications Engineering， Xidian University， Xi’an 710071， Shaanxi， China）

In recent years， the development of micro/nano remote sensing constellations has been continuous development. The time resolution of earth observation has been greatly improved through high-frequency revisiting. However， due to the limited observation capability of single micro/nano satellite， it is difficult to meet the data application needs such as multi-source fusion， high quality， and large bandwidth. In view of the aforementioned requirements， it is an effective way to build a distributed cooperative remote sensing system based on micro/nano satellites， in which the constellation distribution is used to obtain the high temporal resolution and the collaborative observation of star clusters on the constellation nodes is adopted to achieve multi-source， high-quality， and wide-format data. Since intelligent distributed cooperative control is the core of the system， it is necessary to study and solve the key technical problems such as autonomous navigation， intelligent motion planning and control， intelligent health management， and intelligent networking. In this paper， based on the analysis of recently distributed micro/nano remote sensing systems， the concept of distributed cooperative micro/nano remote sensing star cluster is provided. Four key technologies have been analyzed， to refine the development status and trends. The study could provide a reference for the follow-up relative research.

distributed cooperative remote sensing； autonomous navigation； intelligent planning and control； intelligent health management； intelligent network

2022?04?30；

2022?06?30

國(guó)家自然科學(xué)基金（U20B2056）；上海市優(yōu)秀技術(shù)帶頭人項(xiàng)目（19XD1431500）；上海市自然科學(xué)基金（22ZR1427800）

劉付成（1973—），男，博士，研究員，主要研究方向?yàn)閷?dǎo)航、制導(dǎo)與控制。

韓飛（1985—），男，博士，研究員，主要研究方向?yàn)樾l(wèi)星集群控制。

V 19； TP 79

A

10.19328/j.cnki.2096?8655.2022.04.001