遙感衛星隨遇接入互聯網星座和在軌智能處理

常曉宇，張偉嘉，李旭東，張曉男，王港，賈鋼

（1. 中國電子科技集團公司第五十四研究所，河北 石家莊 050081；2. 中國電子科技集團公司航天信息應用技術重點實驗室，河北 石家莊 050081）

0 引言

當前，低軌衛星互聯網成為全球發展的熱點，星鏈、一網和我國的“星網”3個不同特點的系統正在推進[1]。目前，星鏈以高密、多層、鏈狀等星座特點，擬達到與地面互聯網應用可以比擬的程度[2]，甚至在速率、時延、覆蓋等多方面超過地面互聯網用戶體驗的性能[3]；一網系統以透明、低成本等星座特點，支持對高軌寬帶衛星通信的補充[4]；“星網”則以數量少、全互聯為特點。從遙感衛星接入的需求看，在隨時接入、隨時數傳或隨時分發方面存在巨大應用價值，星間全互聯星座因此成為最好的選擇。

傳統上由位于靜止軌道的中繼衛星支持遙感衛星隨遇接入[5]，但是由于中繼衛星數量有限，對于高頻段（如Ka頻段）、高速率數據傳輸而言，單顆中繼衛星支持的航天器數量也非常有限，很多中繼衛星同時只能支持一個遙感衛星的用戶接入。隨著遙感衛星數量的增加，靜止軌道中繼衛星支持能力明顯不足，因此，使用低軌衛星互聯網星座，支持遙感衛星隨遇接入的需求十分迫切。但是由于低軌衛星互聯網衛星和遙感衛星均高速運動[6]，且位于不同的星座體系[7]，針對這種雙向高動態異構星座間的接入互聯，目前全球沒有成熟應用案例。美軍“太空七層”的傳輸層，正在開展相關試驗，有望2024年形成能力，其零階段的20顆傳輸層衛星即將發射，盡管可以給人們一些參考，但是由于星座特點不同、頻段不同，需要解決的關鍵技術問題也會有差異。

另一方面，遙感信息在軌智能處理水平，也影響著應用模式確定和能力形成。近年來，以神經網絡為代表的深度學習算法在遙感圖像處理智能化方面展現出巨大潛力[8-10]，Girshick等[11]基于卷積神經網絡（convolutional neural networks，CNN）提出目標檢測法R-CNN。之后，衍生出Fast R-CNN[12]、Faster R-CNN[13]、Mask R-CNN[14]等方法，該類方法目標檢測精度高，但體積較大、效率較低[15-16]，難以用于星上處理平臺。Redmon等[17-18]提出基于回歸的目標檢測算法YOLO（you only look once）。之后，為進一步輕量化網絡模型及平衡檢測精度與效率，又有SSD（single shot multibox detector）[19]、YOLO系列（YOLOv2-YOLOv4）[20-22]等方法被提出。例如，王璽坤等[23]提出了一種基于YOLO的遙感圖像船艦目標檢測方法，取得了較好的檢測效果。王曉青等[24]提出了一種基于YOLOv3的輕量目標檢測模型，可部署在嵌入式平臺實現遙感目標的快速檢測。農元君等[25]基于YOLOv3-tiny提出了一種輕量化遙感圖像目標實時檢測方法，可實現嵌入式端遙感目標實時檢測，并達到較高的檢測精度。

在星載處理平臺方面，美國HPE（Hewlett Packard Enterprise）與美國航空航天局合作，為國際空間站設計了加固圖形處理器（graphic processing unit，GPU）服務器，可提供1 TFLOPS的在軌計算能力[26]。為提升可重構性，NASA將商用型FPGA（field programmable gate array）與輻射加固器件相結合，設計了星載AI處理器SpaceCube[27-28]。我國的珠海歐比特公司面向民用航天應用，研制了64 GFLOPS算力的航天級AI處理器“玉龍810”[29]。美國NEMO衛星可在軌處理與分析衛星光譜數據[30]。美國EO-1衛星可對感興趣區域進行在軌識別和變化檢測[31]智能處理。德國BIRD衛星可在軌檢測遙感圖像中亞像元級熱點。法國Pleiade-HR衛星可完成遙感圖像在軌輻射校正、幾何校正和目標特征提取等操作[30]。我國的“天智一號”衛星搭載了小型低功耗的云計算平臺，可用于衛星數據在軌處理[32]。“吉林一號”星群利用多核數字信號處理（digital signal processing，DSP）和GPU在軌處理遙感圖像，可在軌識別森林火點和海面艦船[33]。

低軌衛星互聯網星座和在軌智能處理技術的發展，為互聯網星座支持隨遇接入遙感衛星和信息在軌智能處理提供了新的契機。針對隨遇接入過程中存在的衛星雙向高動態接入和在軌處理可執行任務的星地功能配置問題，本文首先通過設定不同軌道的互聯網星座和遙感衛星隨遇接入場景，重點分析了時空非連續可視性和多普勒頻移的影響；其次，基于遙感衛星接入互聯網星座場景的特點，重點介紹了不同時延性在軌處理任務的流程，并對在軌信息智能處理星地可執行算法及生產產品的差異進行分析；最后，對當前在軌智能處理算法存在的問題和未來研究重點進行闡述。

1 遙感衛星和低軌星座通信衛星雙向高動態接入問題研究

1.1 問題分析

以光學遙感衛星為例，通常情況下，衛星軌道高度為500～700 km，而低軌互聯網衛星星座的軌道高度大概為1 000 km[34]，二者處于不同的星座體系和軌道高度，再加上兩類衛星的高動態性，這使得接入問題變得比較復雜。而無論是遙感衛星在軌智能預處理，還是遙感衛星信息直接中繼到地面進行處理，都需要分析解決遙感衛星隨時隨地接入低軌衛星互聯網星座的問題，也稱為隨遇接入問題，或稱為雙向高動態接入問題。該問題具體可分為3個方面：一是非連續可視性問題，二是高多普勒頻移影響問題，三是接入協議問題。接入協議可以與低軌衛星互聯網的承載網路由和接入網協議一并討論，本文重點討論前兩個問題。

1.2 非連續可視性分析

（1）場景想定

對位于1 000 km左右的極軌或者傾斜軌道低軌互聯網星座和位于500 km左右的遙感衛星通常場景進行分析。低軌衛星互聯網星座對遙感衛星的覆蓋場景如圖1所示，對地連續覆蓋的低軌衛星互聯網星座對500 km遙感衛星所在空域的覆蓋顯然是不連續的。

圖1 低軌衛星互聯網星座對遙感衛星的覆蓋場景

低軌衛星互聯網星座由于距離地面近，再加上Ka頻段頻率高，其波束覆蓋面積很小（凝視波束直徑只有幾十千米），因此通常采用相控陣波束，如果要對準高動態的遙感衛星，需要利用相控陣的波束掃描功能，掃描到目標后，再凝視跟蹤。以下給出了低軌衛星互聯網星座在不同軌道特性、不同衛星數量的情況下，對遙感衛星非連續可視情況的仿真。

仿真場景參數見表1，給出了不同軌道和衛星數量的低軌衛星互聯網星座和接入遙感衛星的仿真場景參數，低軌衛星互聯網星座的衛星高度為1 100 km，星座對地波束掃描范圍±55°；遙感衛星軌道選取為500 km，傾角分別取45°、60°和98°（太陽同步軌道），最小接入時長設定為120 s，接入時長指遙感星與低軌衛星互聯網星座單星最短可見時間。

表1 仿真場景參數

（2）非連續覆蓋性分析

圖2、圖3、圖4分別給出了極軌72顆、極軌144顆、傾斜軌道216顆衛星互聯網星座對500 km高度空域的覆蓋性仿真結果。圖中橫坐標為仿真時間（一天），縱坐標為低軌衛星互聯網星座對500 km高度空域的覆蓋比，可以看出，3種不同星座參數情況下的覆蓋比分別在41.3%～42.4%、72.9%～74.1%、74.66%～74.80%。

圖2 極軌72顆衛星互聯網星座對500 km高度空域的覆蓋性仿真結果

圖3 極軌144顆衛星互聯網星座對500 km高度空域的覆蓋性仿真結果

圖4 傾斜軌道216顆衛星互聯網星座對500 km高度空域的覆蓋性仿真結果

受衛星軌道傾角的影響，極軌衛星對兩極高緯度區域基本能夠實現實時覆蓋，對中低維度區域能夠實現可達覆蓋。傾斜軌道星座主要滿足對中低緯度區域的覆蓋需求，而無法實現對兩極地區的覆蓋。在單重覆蓋需求下，采用極軌星座能夠用更少的衛星數量達到與傾斜軌道星座同樣的覆蓋比。

（3）非連續時間性分析

表2、表3、表4分別給出了遙感星對極軌72顆、極軌144顆、傾斜軌道216顆衛星互聯網星座的非連續時間性仿真結果。可看出3種不同星座參數情況下的一天內中斷次數分別為147次、238次、131次，接入總時長占比分別為30.94%～45.75%、61.42%～70.66%、53.75%～88.29%，接入總時長占比是指遙感星與衛星互聯網星座一天內的總可見時長與一天內總時間比。

表4 遙感星對傾斜軌道216顆衛星互聯網星座的非連續時間性仿真結果

對比72星與144星極軌互聯網星座下的非連續時間性仿真結果可知：互聯網星座數量越多，遙感星的接入性能越好；對比216顆傾斜軌道低軌互聯網星座下不同傾角遙感衛星的非連續時間性仿真結果可知：同樣衛星數量條件下，接入性能與低軌互聯網衛星軌道傾角有關，當遙感星與低軌互聯網衛星的軌道傾角越接近，遙感星的接入性能越好。

1.3 多普勒頻移分析

低軌互聯網衛星與遙感衛星軌道存在相對速度，當低軌互聯網衛星與遙感星方向相反時，多普勒頻移最大。仿真場景設定遙感星飛過低軌互聯網衛星的星下點，兩者運行方向相反。下行頻率設定為20 GHz，上行頻率設定為30 GHz，其多普勒頻移及變化率如圖5、圖6所示。在20 GHz頻率下，多普勒頻移為?850.807～853.342 kHz，變化率為?21.85～?2.79 kHz/s；在30 GHz頻率下，多普勒頻移為?1 276.213～1 280.011 kHz，變化率為?32.78～?4.185 kHz/s。當遙感衛星和衛星互聯網星座之間的傳輸速率不小于10 Mbit/s時，目前的解調器水平可糾正該頻偏影響。如果依據星歷參數的先驗知識，可以進一步降低多普勒影響。

圖5 下行鏈路為20 GHz時多普勒頻移及變化率

圖6 上行鏈路為30 GHz時多普勒頻移及變化率

2 隨遇接入場景在軌智能處理任務及星地功能分配

2.1 適合的任務特點

遙感衛星隨遇接入場景下，低軌互聯網衛星星座節點搭載星載智能處理單元，具備在軌處理能力；遙感衛星搭載遙感載荷和星載智能處理單元，具備遙感信息獲取和在軌處理能力。該場景具備的特點是：（1）遙感衛星軌道低，可以獲取較高空間分辨率的遙感影像，目標信息豐富；（2）與互聯網衛星星座相比，遙感衛星的視場較小，且星座未搭載任何載荷，使得整個場景適合于小范圍重點區域的任務執行；（3）遙感衛星和低軌衛星互聯網星座分別獨立運行，整個低軌衛星互聯網星座可接入的遙感衛星具有多樣性和靈活性，如可接入可見光衛星、紅外衛星、合成孔徑雷達（synthetic aperture rada，SAR）衛星和高光譜衛星等，具備多種觀測手段協同執行任務的能力。其優點是具備對重點區域多種手段、多方位的偵察能力，可實現精細目標信息的快速獲取與產品生成，隨遇接入場景分析及不同應用模式功能介紹如圖7所示。

圖7 隨遇接入場景分析及不同應用模式功能介紹

當面對不同時效性要求和計算密集型任務時，遙感衛星、低軌衛星互聯網星座、地面數據中心所扮演的角色和執行的工作內容有所差異。

2.2 低時延容忍任務在軌處理分析

針對時延容忍較低、目標種類多、分辨率要求高的重點區域任務，多類型遙感衛星執行任務規劃指令，快速獲取區域目標影像信息，并及時完成相應的預處理工作（包括輻射校正、幾何校正和正射校正），然后將遙感影像上傳到低軌互聯網衛星星座，星座依據任務指令調用不同類別的推理模型，實現對重點區域目標的多手段檢測，并將結果融合形成最終目標產品和關鍵信息產品，最后通過互聯網星座下發至機動用戶和固定用戶。該任務模式下，地面數據中心主要負責輕量化模型的訓練以及更新，并接收目標產品和關鍵信息產品。為了減少模型推理時間、提高任務執行的時效性，對需要構建的輕量級AI推理模型實現模型優化（如采用池化計算、量化和知識蒸餾等技術），緩減衛星星座邊緣計算的壓力。時延容忍較低的重點區域在軌處理任務流程如圖8所示。

圖8 時延容忍較低的重點區域在軌處理任務流程

2.3 高時延容忍任務在軌處理分析

針對需要定期進行廣域精細目標檢測、地震災區復建情況查看、汛期河湖面積隔日核算等時延容忍度較高、計算密集型的重點區域任務，需要遙感衛星持續對大范圍區域進行拍攝，獲取廣域范圍內目標集的時序信息。在此任務模式下，多類型遙感衛星僅負責目標信息獲取、在軌預處理、數據編碼以及數據傳輸工作，而低軌衛星互聯網星座則負責對數據進行有效信息提取，并進行數據融合處理，當進行信息提取及數據融合或者需要非常精細化的信息獲取時，任務執行算力資源以及緩存資源開銷超過當前星座可提供的資源能力，可以將在軌智能處理任務卸載至地面數據中心協同完成任務。由于該任務模式下提取目標的信息準確度較高，要求的在軌智能算法模型結構比較復雜，模型參數比較多，消耗計算資源大，因此，智能推理模型大部分部署于地面節點。在低軌衛星互聯網星座執行智能處理時，需要對模型進行合理分割部署策略或者多星并行推理，可將深度學習模型根據當前的低軌互聯網星座網絡狀況進行分割，將中間數據發送到地面數據中心繼續完成剩余網絡層的推理，再由地面數據中心完成最終產品的生產。此任務模式下，時延容忍較高且計算密集型的重點區域任務的流程如圖9所示。

圖9 時延容忍較高且計算密集型的重點區域任務的流程

2.4 在軌智能信息處理星地功能分配

在基于在軌智能處理的遙感影像產品生產的全流程中，星地算法分配以及產品生產至關重要。衛星傳感器拍攝影像后，需要經過數據解析、輻射校正、系統幾何校正、正射校正、圖像分景、圖像瓦片化、智能處理、目標產品生產及目標關鍵信息生產等流程，完成在軌處理任務。通常情況下，遙感影像智能處理應用主要分為目標檢測、語義分割和地物變化檢測，目標檢測和語義分割算法較為成熟，且其應用于嵌入式平臺的輕量化模型大小均在100 MB以下，其全流程均可在星上實現，目標檢測可應用的主流算法有YOLOv3-tiny、YOLOv4-tiny、YOLOS、YOLOP、mobilenet_ssd、MobileNet和NanoDet等；語義分割可應用的主流算法有輕量級Deeplab-v3、LU-Net、CBR-ENet、SKASNet、LRUNet和MUNet等。遙感影像地物變化檢測是當前研究的熱點和難點，雖然已經有SECDNet、ESCNet、DTCDSCN和STANet等算法可應用于地物變化檢測，但由這些算法構建的深度模型結構復雜、參數多、容量大；同時，算法對輸入數據的要求嚴格，必須實現準確的地理位置配準，在軌幾何校正以及輻射校正難以滿足算法對位置精度的要求，因此，尚需對星上地物變化檢測算法進行進一步研究，目前主要在地面完成地物變化檢測任務。同時，對于高精度的檢測識別任務，地面數據中心可完成高精度的幾何校正和正射校正，以提取高準確率的目標信息和地物語義信息。

衛星在軌智能處理產生5類產品：L1級產品、L2級產品、目標結果產品、關鍵信息產品以及精確專題產品。其中，L1級產品指經過系統幾何校正和輻射校正的數據，L2級產品指L1級產品經過正射校正后的數據，目標結果產品包括結果圖像數據、目標位置信息、矢量信息及屬性，關鍵信息產品則僅包含目標位置信息、矢量信息及屬性，精確專題產品是經過精確地理位置確認、信息融合以及精度校驗后，形成對某一類或某幾類要素專題化描述的產品。對于時效性要求高、精度要求低的任務，L1級產品、L2級產品、目標結果產品、關鍵信息產品可由星上完成，并直接下傳或者通過互聯網星座下傳地面數據中心及用戶；對于精度要求高的任務，L2級產品、目標結果產品、關鍵信息產品需要下傳地面數據中心完成生產。精確專題產品屬于高精確的綜合性產品，任何情況下均由地面中心數據完成生產。衛星在軌處理算法及產品生產星地分配見表5。

表5 衛星在軌處理算法及產品生產星地分配表

3 存在的問題及下一步研究重點

在軌處理智能算法主要存在兩個方面的不足。一是在軌智能處理算法魯棒性不高。當目標所處場景與訓練場景差異較大時，算法難以適應；目標檢測與識別任務中，當出現相似目標時，檢測識別結果容易出現虛警。受大氣和傳感器噪聲的影響，獲取的圖像質量較差，算法難以適應低質量的遙感圖像。二是在軌智能處理算法精度難以滿足實際需求，現有檢測識別算法在小目標檢測識別鄰域還有較大的提升空間。

后續的研究重點包括多元數據在軌融合算法和深度學習算法的深化兩個方面。

（1）多元數據在軌融合算法。包括電偵、可見光、多光譜、高光譜、SAR等多種傳感器，如何利用這些多源異構數據之間的互補信息對目標、地物進行更加精準化的信息提取是未來發展的重要趨勢，未來需要重點研究多源信息融合技術和多模態深度學習技術等。

（2）深度學習算法深化。目前的深度學習技術使用的卷積神經網絡模型參數量巨大，使得模型類似于黑盒，研究者們無法對模型內部進行細微控制和邏輯改造，需要研究深度學習系統功能的全局解釋技術、模型運作的局部解釋技術等。同時需要研究面向在軌處理模型的剪枝技術、知識蒸餾技術，構建足夠輕量化的智能處理算法模型，節省星上存儲空間，降低算法運行功耗，減少星座網絡傳輸帶寬占用，同時控制算法模型的精度損失。

4 結束語

隨著低軌衛星互聯網星座和在軌智能處理技術的發展，互聯網星座支持隨遇接入遙感衛星和信息在軌處理分發的應用前景備受期待，但會面臨雙向高動態異構星座的接入互聯問題。本文重點分析了隨意接入場景下時空非連續可視性和多普勒頻移問題，面向低軌衛星互聯網星座在不同軌道特性、不同衛星數量情況下，構建遙感衛星非連續可視情況的仿真場景，結果顯示極軌星座能夠采用更少的衛星數量實現與傾斜軌道星座同樣的覆蓋比，且當遙感星與低軌互聯網衛星的軌道傾角越接近時，遙感星的接入性能越好；當星間傳輸速率不小于10 Mbit/s時，目前的解調器水平可糾正多普勒頻偏影響。此外，通過分析隨遇接入場景的特點，并結合遙感產品在軌智能生產全流程，低時延任務適合在遙感星及星座上完成預處理和在軌檢測，而計算密集型的高時延任務在星座能力超載的情況下需星地協同完成數據處理和產品生產，且地面主要負責高精度的數據處理，并負責綜合性專題產品生產。

本研究重點分析低軌互聯網星座支持隨遇接入遙感衛星情況下，不同軌道特性、不同衛星數量、多普勒頻移對遙感衛星接入效果的影響，并分析了隨遇接入場景下不同時效在軌處理任務的流程及星地功能分配，為未來低軌互聯網星座及遙感衛星的發展和聯合組網應用提供可靠的理論支撐。