分布式協同微納遙感星群的智能控制系統關鍵技術

劉付成，韓飛，韓宇，武海雷，李木子，史可懿

分布式協同微納遙感星群的智能控制系統關鍵技術

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.上海航天技術研究院，上海 201109；2.上海航天控制技術研究所，上海 201109；3.上海市空間智能控制技術重點實驗室，上海 201109；4.西安電子科技大學 通信工程學院，陜西 西安 710071）

近年來，國內外微納遙感星座發展不斷加速，通過高頻重訪大幅提升了對地觀測的時間分辨率，但是由于單顆微納衛星觀測能力受限，難以滿足多源同步與融合、高品質、大幅寬等數據應用需求。為此，將星座與星簇相結合，以星座化分布滿足高時間分辨率需求，以星座節點上的星簇協同觀測獲取多源、高品質、寬幅數據，構建基于微納衛星的分布式協同遙感系統，是兼顧上述遙感應用需求的有效途徑。智能分布式協同控制是該系統的核心關鍵，為此，必須研究解決星座+星簇大規模動態微納遙感星群控制系統的分布協同自主導航、智能運動規劃與控制、智能健康預測與管理、智能組網等關鍵技術難題。在梳理分析國內外分布式微納遙感系統的基礎上，給出分布式協同微納遙感星群的概念內涵，分析其特有的四方面難題，梳理總結相關技術發展現狀與趨勢，以期為后續該方向的研究起到一定的借鑒作用。

分布式協同遙感；自主導航；智能規劃控制；智能健康管理；智能組網

0　引言

經過數十年發展，我國已經形成“風云”［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星體系。未來智慧城市、防災減災、生態環保等更廣泛、更便捷的遙感數據應用需求，使得空間對地觀測系統不僅需要實現小時級快速過頂的高時效應急觀測，而且要求過頂時實現更多目標、更大幅寬、更多角度、更長時間的高效能靈活觀測。近年來，國內外廣泛建設的基于微納衛星的遙感星座，通過微納遙感衛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大幅縮短重訪周期，從而滿足高時效應急觀測需求。但是，每次過頂仍然采用單星觀測，受限于微納衛星資源受限下的有限觀測能力，微納遙感星座無法滿足高效能靈活觀測的需求。

針對該問題，本文將高重訪星座和自主協同星簇相結合，提出基于微納衛星的分布式協同遙感星群系統。該系統通過全球星座的軌道分布，實現小時級快速重訪；通過星座節點上星簇的多星自主協同，實現多視場、多角度、多譜段的多模式協同觀測；通過多源異質數據融合提升微納衛星遙感數據品質，彌補微納衛星單星觀測能力的不足。同時，兼顧高時效、高效能觀測需求，代表未來空間對地觀測系統的重要發展方向。

分布式協同微納遙感星群存在衛星成員數量眾多、空間分布關系復雜時變、協同觀測模式復雜多樣等特點，不能僅依賴傳統地面測控，必須具備極強的智能分布式協同控制能力，由此帶來大規模動態星群控制系統的分布協同自主導航、智能規劃與控制、智能健康預測與管理、智能組網等關鍵技術難題。

本文第1章首先介紹了對國內外微納遙感系統現狀與發展趨勢的調研分析，明確分布式協同微納遙感星群系統是未來的發展趨勢，并對該系統的總體方案進行闡述，結合星群控制系統特點，提出4個關鍵技術難題。第2～5章對分布式協同微納遙感星群控制系統的分布協同自主導航、智能規劃與控制、智能健康預測與管理、智能組網四方面關鍵技術難題的具體內涵分別進行介紹，進而梳理總結相關技術的發展現狀和趨勢，并在論文最后進行總結，為分布式協同遙感星群控制系統的后續研究提供參考。

1　分布式協同微納遙感星群

1.1　國內外微納遙感系統發展現狀與趨勢

國際上一般將質量在100～500 kg的衛星定義為小衛星，10～100 kg的衛星定義為微衛星，1～ 10 kg的衛星定義為納衛星。近年來，微納衛星以較小的體積質量、較低的研制成本、靈活的發射方式，以及豐富的在軌模式，在衛星領域取得迅猛的發展。基于微納衛星構建全球遙感星座，具有短時間快速重訪、系統成本有效可控等優點，成為當前國內外遙感領域的重要發展方向［4-5］，也成為商業航天最先進入的領域，國內外目前已有多個微小衛星遙感星座完成初期部署［6-19］。

美國Planet公司是較早實現微納光學遙感衛星規?；圃旌瓦\營的機構，也是目前國際領域最大的商業遙感數據服務運營商。該公司建設的鴿群星座是目前全球最大規模的遙感衛星星座［6］，自2014年發射至今，已形成了200余顆衛星的星座規模。鴿群星座一天就能對全球遙感影像進行一次全面更新，充分體現了微納衛星星座快速重訪、成本可控的明顯優勢。SkySat衛星星座［7-8］是目前衛星數量最多的亞米級高分辨率衛星星座，具備高清視頻成像能力，并可為用戶提供目標區域動態變化信息的高時效性圖像和視頻數據，體現了微小衛星星座應用的多樣化靈活觀測、功能集成的明顯優勢。

2015年來，我國在衛星遙感領域也由傳統的單星作戰向協同組網轉變。長光衛星技術有限公司發射和運營的“吉林一號”衛星星座［15］是國內目前規模最大的光學遙感衛星星座。截至2021年9月19日，“吉林一號”衛星星座目前在軌運行29顆衛星，高分衛星可條帶拼接、立體成像，視頻星可靈巧成像，具備豐富的多模式成像能力。國內高景星座［16］、珠海一號［17］、千乘星座、海絲星座等紛紛提出了建設光學/合成孔徑雷達（Synthetic Aperture Radar，SAR）混編遙感微納衛星星座的計劃，不斷豐富數據獲取手段，提升星座內多譜段觀測能力。鴿群和吉林一號拍攝圖像如圖1所示。

圖1　鴿群星座拍攝的圖像與吉林一號拍攝的圖像

除建立微納遙感星座外，通過微納衛星編隊飛行也是豐富對地遙感觀測手段的一個重要途徑。目前各國實現的編隊飛行大部分在同一軌道面，衛星數量在2～4顆。例如美國國家航空航天局（National Aeronautics and Space Administration，NASA）發射的地球觀測衛星（EO-1）與陸地衛星（Landsat-7）實現粗略雙星編隊飛行［20］，是第一個實際的衛星集群飛行任務。該集群的任務是獲取相同地面目標的圖像，以對兩星的成像系統進行科學對照。德國維爾茨堡大學主持開展的NetSat項目［21］對4顆皮衛星的在軌分布式協同控制等技術開展研究，前期已對衛星在軌通信、自主位姿測定和控制進行了驗證，未來該項目還計劃通過4顆衛星聯合觀測實現地球表面立體攝影測量技術，建立目標的3D模型。

總結國內外微納遙感系統的發展現狀，可以得出：

盡管星座布局的微納衛星遙感系統星座可以大幅縮短重訪周期，滿足了高時效應急觀測需求，但受限于微納衛星有限觀測能力，還不能滿足高效能靈活觀測的需求。而現有的衛星編隊的遙感系統又不能實現快速重訪的需求。因此，兼顧高時效、高效能的觀測模式是未來空間對地觀測系統的重要發展方向。

1.2　分布式協同微納遙感星群系統概述

針對現有微納遙感系統存在的對地觀測效能受到微納衛星能力限制的問題，本文提出星座+星簇構型的基于微納衛星的分布式協同遙感星群。通過星座組網實現全球小時級快速重訪，星座內每一個節點為一個星簇，星簇由多顆攜帶不同載荷的微納衛星組成，根據不同觀測任務需求，星簇內衛星自由組合、自主協同實現分布式對地觀測。

系統具備自主運行和智能協同任務響應能力，在收到地面目標的觀測指令后，根據觀測地點經緯度范圍、觀測時刻、各節點軌道過頂情況、衛星姿態側擺角度范圍，規劃選擇執行任務的對應節點星簇，任務星簇收到指令后，成員星通過軌道機動實現不同星簇軌道構型間的重構切換，可實現多目標同步、多視場拼接、長時間接力凝視、多譜段同步、多角度同步、同區域同步等協同觀測模式，提升空間覆蓋性、時間覆蓋性和譜段覆蓋性，并可通過多源異質數據融合提升微納衛星遙感品質。分布式協同微納遙感星群總體思路如圖2所示。

圖2　星座+星簇分布式協同微納遙感星群

以星座+星簇模式構建的分布式協同遙感星群與傳統的衛星編隊任務不同，衛星成員數量眾多、空間分布復雜時變、協同任務復雜多樣、相對運動關系復雜，由此帶來長期自主安全運行、面向任務自主重構控制、面向復雜系統的高可靠性、協同信息網絡交互四方面能力需求，對分布式協同遙感星群控制系統提出協同自主導航、智能規劃控制、智能健康管理、智能組網四方面關鍵技術挑戰。分布式協同遙感星群智能控制系統關鍵技術如圖3所示。

圖3　分布式協同遙感星群智能控制系統關鍵技術

1）分布式協同自主導航技術

大規模星群典型特征為成員衛星數目巨大，傳統依賴于地面站的測控方式將導致信息傳輸量顯著增加，地面測控站的負擔急劇加重。除此之外，依賴地面站或全球導航衛星系統（Global Navigation Satellite System，GNSS）導航衛星會增加星座內衛星在遇到干擾或者通信導航系統故障時的安全風險，減弱航天器的生存能力，影響星座組網功能，極端情況導致密集分布衛星存在碰撞風險。因此，大規模星群需要具備無外部系統支持下的長期自主導航能力。與利用地基觀測站點和天基導航星座的導航方式相比，自主導航只需依靠航天器自身攜帶的敏感器，保證了巨型星座對自主性和安全性的需求。

2）智能協同運動規劃與控制技術

分布式協同微納遙感星群的成員數量多、分布緊密，易于空間失效衛星或空間碎片發生碰撞，要求微納星群具備碰撞威脅應急規避能力；在抗震救災、森林火災等應急救援任務中，星群構型要能夠靈活切換以實現區域觀測增強，要求遙感觀測星群具備構型變換能力；此外，星群中單顆衛星可靠性比較低，星群存在局部衛星失效風險，要求遙感觀測星群具備局部衛星失效條件下的構型重構能力。因此，分布式協同微納遙感星群需要具備機動規避和構型變換能力，解決多約束構型變換協同運動規劃以及協同運動控制等關鍵技術問題。

3）集群衛星智能健康管理技術

分布式協同微納遙感星群衛星規模龐大，衛星上各分系統均為小型化設計，且集成度較高，星上故障概率大大增加?？刂葡到y作為衛星重要的子系統，配置了復雜的敏感器、執行器和控制器，存在較高的故障風險。若集群內一個衛星控制系統發生故障，其軌道姿態發生漂移，極易引發集群內鏈式碰撞的毀滅風險，甚至形成大量低軌碎片，對空間環境造成極大影響。因此，亟須對集群衛星的控制系統進行智能健康管理，傳統的基于傳感器的故障診斷技術不能充分滿足其可靠性要求，通過智能系統對故障的發生進行預測，對衛星的壽命進行估計，將判斷節點遷移，為失效衛星預留壽命末期離軌的時間，避免集群系統內其他衛星受到失效衛星的干擾，最大限度地保證集群系統任務效能。集群衛星控制系統智能健康管理技術面向復雜的分布式協同遙感星群，可以極大地降低集群系統失效風險，提高系統在軌安全運行能力。

4）面向協同控制的智能組網技術

分布式協同微納遙感星群協同控制系統在導航、規劃、控制求解計算時涉及區域協同的復雜信息交互，求解速度和能力均受到星間組網路由的約束。星間自組織網絡需要突破以業務數據為導向的現狀，向面向協同智能導航控制任務需求的智能組網技術發展，為多星協同導航信息交互、分布式控制求解數據傳輸提供信息通路。然而，集群衛星網絡固有的拓撲結構時變、單星資源受限、通信時延長、易受干擾等特性，給高效路由方法設計帶來了挑戰。傳統天基/地基遙感網絡需預先規劃，不能快速響應隨遇任務需求，難以應對故障、干擾等突發情況，端到端的時延、吞吐量等性能無法保障。面向分布式協同遙感星群協同導航、規劃控制信息交互數據傳輸需求，設計自組織、智能化的集群衛星網絡路由方法，滿足傳輸路徑的時間約束及自主構建需求。

2　分布協同自主導航技術

2.1　問題分析

智能分布協同對地觀測系統實際由大規模星座和若干緊密星簇組成，其自主導航既涉及大規模星座的長期高精度自主導航，又涉及緊密星簇內多星間的自主相對導航。

在大規模星座的長期高精度自主導航方面，傳統星座采用基于分時星間測距的自主導航方法，每顆衛星分配一定時間（典型如1.5 s）實現對相鄰衛星的星間測距。在星座節點數量過多時，星間測距時間過長，測量延遲使得系統無法實現全局自主導航。同時，復雜動態星間通信拓撲也限制了星間測量的可用性。傳統星座自主導航仍然采用集中式濾波求解方法，但是，計算量會隨星座節點數量增加而爆發式增長，遠遠超出衛星計算能力。

在緊密星簇的星間自主相對導航方面，傳統采用差分GNSS、光電跟瞄等實現兩星間的相對導航，但對于成員數量較多的緊密星簇，差分GNSS、光電跟瞄等方法存在敏感器視場指向約束無法時刻滿足、星間信息交互通道和范圍受限等問題，無法滿足任意時刻、任意兩星之間的相對狀態估計要求。

2.2　研究現狀分析

2.2.1大規模星座的長期高精度自主導航

為了提高全球定位系統（Global Positioning System，GPS）在軌生存能力，早在20世紀80年代美國就開始導航星座自主運行研究，提出了利用星間測量進行星座自主導航的方法，自此星座自主導航技術受到國內外廣泛重視。迄今為止，GPS星座中的Block ⅡR、Block ⅡR-M、Block ⅡF等批次衛星先后在軌開展了多種星座自主導航方法的測試［22-23］。在此基礎上，下一代GPSIII、北斗等星座進一步規劃了基于Ka或V星間鏈路的自主導航功能［24］。

在星座自主導航中，星間鏈路測距是其主要途徑，國內外研究主要圍繞提高長期導航精度、優化星間測量拓撲結構、提升數據處理效率進行理論和工程實踐研究。其中，提高長期導航精度的方法主要有增設地錨站、引入星間指向信息、自主測量輔助；優化星間測量拓撲結構可根據優化目標選取進行區分，提升數據處理效率主要分為集中式、分布式研究思路。星座自主導航方法分類如圖4所示。

圖4　星座自主導航方法研究概況

1）星座長期導航精度提升方法

由于地球引力場中作為主導的中心引力項與J2項均具有旋轉對稱性，僅利用星間測距數據無法確定星座內衛星的升交點經度，從而導致星座長期運行存在整體漂移誤差。因此在提高長期導航精度方面，相關研究主要為了解決基于星間測距進行整網定軌存在的星座整體長期漂移不可觀問題。

為了提高星座長期自主導航精度，現有研究主要采用引入先驗信息或者絕對觀測基準的思路來修正星座的漂移誤差。由于引入軌道先驗信息無法徹底消除星座漂移誤差［25-26］，更多研究關注于采用增加額外觀測基準的方式來處理星座整體漂移的問題。根據選取的基準類型不同具體思路又可分為3類：第1類為在地表布設錨固站［27-28］，星座內的衛星通過與錨固站的相對測量改正整體的漂移誤差［29］，該類方法具有穩定高精度的特點，但無法保證星座運行的完全自主；第2類思路中引入包含星間指向信息的星間觀測［30-32］，韓飛等［33］提出了基于星間照相觀測的中軌星座自主導航系統方案，利用成員星間視線方向與視場內恒星方向的角距作為觀測量，實現了星座整網無漂自主導航，該模式受到星座構型、星間可見性等限制；第3類思路利用空間各類目標作為導航基準，如采用天文信息、對地遙感測量、高度計測量等作為基準觀測數據［34-35］。如李木子等［35］在星間測距基礎上，增加雷達測高和地面圖像標志點方位等測量量，有效解決了混合星座長期漂移估計問題。該類思路以其高自主性、安全可靠的特點已成為星座長期自主運行主要手段。其中，天文導航以其導航基準分布廣泛、導航信息豐富以及高可靠性等特點，更是在修正星座整網漂移中受到了廣泛的關注與研究［36］。

2）星間測量拓撲結構優化

在以星間相對測量為主要思路的星座自主導航框架中，快速、高效地完成整網自主導航測量與數據分發是星座導航解算的基礎，幾種星間鏈路網絡拓撲對比如圖5所示。

現有工程實踐中，美國GPS與我國北斗導航星座均已完成基于星間測距的自主導航技術的在軌驗證，其中早期GPS Block ⅡR以及Block ⅡF衛星采用UHF頻段寬波束天線建立星間鏈路，輪詢時分體制完成測距。在該體制下為協調各衛星任務，每個周期內測距子幀設定36 s為1幀，每顆衛星分配1.5 s［24］，對于衛星數目較少的傳統星座，這種方式對星座整體導航效率的影響并不明顯，但是對于大規模星座，由于衛星數目巨大，星座的單幀測量周期將會大幅延長，無法滿足星座內衛星導航解算的時效性需求。由此帶來了針對大規模星座的星間測量拓撲結構設計及鏈路規劃的新問題。

圖5　星間鏈路網絡拓撲對比

現有星間鏈路規劃研究主要以鏈路星地傳輸數據延遲為主要優化指標，以導航星座為研究對象，通過對星間鏈路時分通信流程進行數學建模，利用離散差分進化（Discrete Differential Evolution，DDE）、模擬退火（Simulated Annealing，SA）算法以及數據驅動啟發式基因算法（Data-Driven Heuristic Memetic Algorithm，DHMA）等智能優化方法，實現對星上數據傳輸到地面平均最短時延鏈路獲?。?7-40］。其中一些研究在進行延遲時間優化的同時，兼顧了對星間鏈路測距效果的評估與優化，YANG等［41］在DDE優化模型框架下通過在滿足最優傳輸時延鏈路的基礎上，根據各成員星可見星排序進行測距鏈路拓展，以最大測距建鏈數目為目標設計規劃周期內的測距鏈路。同樣是在最優平均延遲策略基礎上，SUN等［39］在利用進化算法（Genetic Algorithm， GA）構建的滿足最優通信數據鏈路基礎上，以實現與已有鏈路不發生沖突為約束，以位置精度因子（Position Dilution of Precision， PDOP）值優化目標設計規劃周期內的測距鏈路。王東會等［42］針對GPS輪詢時分測距體制對定軌性能提高的限制，提出一種分組時分測距體制，設計 2步算法提升星間鏈路數目，提升星座定軌精度。鑒于大規模星座星間通信測量拓撲結構復雜特點，利用現有智能化優化理論成果，構建優化解算模型，實現快速高效星座測量拓撲設計及鏈路規劃仍是亟待開展研究解決的問題。

3）導航數據處理方法

采用何種導航數據處理方法直接影響星座導航解算效率與導航精度。目前星座自主導航大致可分為集中式、分布式處理。集中式處理模式下，衛星系統將各成員星星間觀測信息統一發送到主星進行數據處理及分發。該模式理論上解算精度最高，但其對設備通信和計算性能的要求也較高，因此很難應用于大規模星座的自主導航中。相比之下，分布式處理模式下各衛星僅使用直接測量關聯的觀測量進行處理，提升了任務的可拓展性、容錯性。但由于其僅利用可見星的觀測值進行參數估計，對整網測量解算關系進行了解耦與簡化，從而造成次優估計。目前根據狀態方程階數不同，分布式導航算法可分為全階處理（Fractional-Order Extended Kalman Filter，FOEKF）算法、降階處理（Reduced Order Extended Kalman Filter，ROEKF）算法［29］。其中，FOEKF算法需要在每顆衛星上運行高階濾波器，未有效地減少各衛星的計算負擔。因此，現多采用ROEKF算法，根據分散處理方式的不同，ROEKF中又包含ICEKF（迭代級聯EKF）、IREKF（提升觀測方差的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導航

基于差分GNSS的星間相對導航方法目前已經較為成熟［47-49］，國內外均已在編隊衛星任務中廣泛應用，也被推廣應用到微納星群的內部成員間相對導航中［50］，但該類方法需要依賴外部的GNSS系統，并非純自主相對導航方法。

針對緊密星簇的星間自主相對導航，國內外研究主要圍繞自主相對導航方法、相對狀態實時感知估計進行理論及工程實踐研究。其中，自主相對導航方法可分為測角+測距導航、僅測角導航。相對狀態實時感知估計包括基于局部測量的全局相對感知、基于僅測距的相對導航以及基于場強的區域快速定位。星簇相對導航主要方法如圖6所示。

圖6　星簇相對導航方法研究概況

純自主相對導航方法中，基于光電跟瞄、激光/微波雷達等敏感器測量相對方位和相對距離，進而實現相對位置和速度估計［51-53］，也是相對成熟的方法。進一步，在功耗、重量約束下，激光、微波等主動探測設備量程受限，對于微小衛星，難以實現遠程目標主動測距，基于紅外/可見光相機被動成像的僅測角相對導航成為重要發展方向。WOFFINDEN等［54］和GELLER等［55］根據提出的可觀性判據證明了僅測角相對導航的可觀性。歐空局PRISMA計劃在2011—2013年間開展了多次僅測角的相對導航技術在軌試驗，充分驗證了可行性［56-58］。但是，僅測角的導航系統中相對狀態中徑向的可觀測度顯著下降，估計精度差甚至發散。國內外學者先后提出了軌道機動［59-61］、相機偏置［62-64］、復雜動力學［65-69］和多視線協同［70-75］等改進方法。其中，多視線協同是最有效的解決方法，可以使系統狀態完全可觀，從而極大擴大微小衛星的精確相對導航有效距離范圍。但是，這些方法需要敏感器視場覆蓋目標，由于星簇衛星數量較多，且在相對動力學作用下相對位置連續時變，敏感器視場難以覆蓋所有其他成員衛星，也就難以實現全部成員間實時相對導航。

緊密星簇的全員相對狀態實時感知估計是近年來新興起的研究熱點，其核心在于解決傳統方法的相對測量指向、通道約束問題。為此，國內外提出的主要解決途徑包括3類：基于局部測量的全局相對感知、基于僅測距的相對導航、基于場強的區域快速定位。MATSUKA等［76-78］考慮星簇的時變通信和相對測量拓撲圖，提出了去中心化相對位姿估計算法，成員星通過相鄰星間測量確定相對位置并廣播，結合星群基準系估計算法，實現統一全局基準下的星群相對狀態估計。該方法中每顆成員星僅按照通信和測量拓撲實現相鄰測量與導航，簡化敏感器指向和通道約束，且計算量不隨星群規模增長，但局部測量仍然需要構建相鄰星間的敏感器指向關系，容易對星簇正常業務功能帶來矛盾約束。龔柏春等［79-81］提出了一種基于一致性濾波的僅測距航天器集群的相對導航方法，該方法借助星間通信時標測距，可以由全向天線擺脫敏感器視場約束，且無需增加新敏感器，但無線通信測距多徑效應、系統低可觀度，都制約了該方法的精度與穩定性。韓飛等［82］提出了一種基于場強指紋的星群區域快速定位方法，在星群中4顆基準星構建一定區域范圍內的統一時空基準和無線電信號場，進入該區域的成員星接收基準星發射的無線電信號并估計強度，通過場強指紋匹配，確定區域內位置，從而實現全局相對導航。該方法成員星僅被動接收無線電信號，同樣不受敏感器指向和測量通道限制，但場強指紋庫的數據規模隨區域空間尺寸、細分網格尺寸而急劇增大，導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］的方法也被用來解決星群成員相對導航問題，但都存在多徑干擾、可用距離范圍受限等問題。

2.3　趨勢分析與展望

大規模星座長期高精度自主導航、緊密星簇的全員相對狀態實時感知，是新興的2類自主導航問題。

現有的星座自主導航研究從長期導航精度維持、星座導航測量拓撲設計、導航數據處理等角度為現有規模星座提出了解決方案。但伴隨著星座衛星小型化、星座規?；l展趨勢，星座呈現成員衛星數量龐大、多軌道平面密集分布、單星解算能力受限等新的特點，為自主導航提出了新的挑戰。因此，未來大規模星座自主導航朝著高度自主、分布式、智能化方向發展，并聚焦星座整網長期漂移誤差修正、大規模節點復雜星間測量拓撲結構優化、降階分布式導航濾波數據處理等具體問題展開研究。

緊密星簇由于成員較多，如何在不影響星簇協同任務的情況下，擺脫星間相對測量的指向和通道約束，實現全員相對狀態的實時感知，是需要進一步研究解決的問題。

3　智能規劃與協同控制技術

3.1　問題分析

分布式協同微納遙感星群需要具備機動規避和構型變換能力，其核心問題是解決星群協同運動規劃和星群協同運動控制兩方面關鍵技術。

星群協同運動規劃的本質是在分布式求解框架下，綜合安全避撞、構型維持、拓撲連通等多約束條件，考慮單星燃料消耗、星群燃料均衡、構型變遷時間、觀測構型穩定性等多目標函數，解決復雜攝動、測量與控制不確定、模型未知等因素的多目標、多約束、分布式、自適應問題。常見的方法包括基于數學規則的星群運動規劃方法和智能星群運動規劃方法。基于數學規則的星群協同運動規劃方法是將單星運動規劃算法拓展應用到星群運動規劃中，該類方法需要遍歷整個搜索空間，通常要求解目標函數梯度信息，且計算量隨著星群數量增加而顯著增大，容易產生搜索的“組合爆炸”。由于星群協同運動規劃面臨著非線性、多約束、拓撲構型變換等問題，而進化算法、群智能、SA等智能運動規劃方法無需求解目標函數梯度信息，不要求目標函數和約束連續性和凸性，對數據不確定性具有更強的魯棒性，可有效解決星群協同運動規劃中面臨的非線性、多約束、建模困難等復雜問題。

星群協同運動控制是在星群拓撲變換、環境動力學模型不確定、通信異常、突發干擾等條件下，實現星群運動規劃軌跡的跟蹤控制。常見的方法包括基于分布式結構的控制方法和基于機器學習的智能控制方法。在星群協同運動控制任務中，面臨動力學攝動、質量變化、拓撲構型變化、環境動力學模型不確定、通信時延或丟失等問題，需要考慮神經網絡控制和多智能體強化學習等智能協同控制算法，解決星群構型拓撲時變、模型不精確、個體質量特性顯著變化、通信受限等難題。

3.2　研究現狀分析

3.2.1星群智能協同運動規劃技術

星群協同運動規劃是計算一個以時間為參數的函數，對于定義域內的每一個時間都滿足運動學約束、碰撞約束以及控制受限約束，其輸入包括障礙物預測軌跡、衛星狀態等信息，輸出各子星與時間相關的位置函數。星群規劃算法包括基于梯度的星群運動規劃算法和智能星群運動規劃算法（如圖7所示），前者包括凸優化、基于最優規劃、擬牛頓等規劃算法，后者包括進化、群智能、SA等智能協同運動規劃算法，具有簡單、通用、便于并行處理等特點。

圖7　星群協同運動規劃技術分類

基于梯度的傳統星群協同運動規劃算法是將經典的凸優化方法、基于最優控制原理規劃、擬牛頓法等算法應用在星群規劃中，具有可靠性高、技術成熟的優點，通常需要求解目標函數梯度信息。但是，解決多目標優化、目標函數非凸不連續等復雜問題時有較大的局限性，且計算量會隨著衛星數量的增加而明顯增加。

基于凸優化的星群協同運動規劃是考慮燃料消耗最少、執行機構受限、控制過程約束等條件，對數學模型進行線性化處理，運用凸優化理論求解星群運動規劃軌跡［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生誤差較大的問題?；谧顑灴刂圃淼男侨簠f同運動規劃以確定任務為背景，基于最優控制和組合學原理研究星群協同運動控制問題［86-87］，適用于構型不變而衛星位置改變的特定場景。

與傳統基于梯度的規劃方法相比，智能星群運動規劃方法無需求解目標函數梯度信息，不要求目標函數、約束連續性和凸性，對數據不確定性具有更強的適應性，是解決星群協同運動規劃的有效方法。典型星群智能運動規劃的優化算法包括進化算法、群智能算法、SA算法。

進化算法是基于自然界生物的遺傳和變異等機理，對進化規律加以模式化而形成的優化算法，典型算法包括遺傳算法、差分進化算法和免疫算法?；谶z傳算法的星群運動規劃方法是模擬自然進化過程，將星群協同運動規劃問題轉化為染色體基因的交叉、變異等進化過程，通過對適應度函數進行尋優，獲得滿足多約束條件的星群運動規劃可行解，該方法具有全局搜索能力強、不依賴于梯度信息等優點，但局部搜索能力較弱，通常無法獲得全局最優解。

差分進化算法是一種隨機啟發式搜索算法，基于實數編碼、差分變異操作和競爭生存策略，有效降低了計算的復雜性，具有較強全局收斂能力和魯棒性，適用于求解復雜運動規劃問題。

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，迭代計算獲得問題最優解，抑制遺傳算法存在的退化問題，具有自適應性強、隨機性高、并行性強、全局收斂性好等優點。

群智能算法是一種模擬生物群體行為規律的優化方法，它受社會昆蟲（如螞蟻、蜜蜂）和群居動物（如鳥群、魚群和獸群）的啟發，無需集中控制和全局模型，可實現復雜分布式求解。

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］是受鳥群或魚群覓食行為啟發，將星群運動規劃可行解當作一個粒子（族群個體），粒子在解空間中移動或游走以獲得最優解，該算法的缺點是易陷入局部最優。蟻群算法是通過模仿螞蟻覓食時可快速越過障礙物并找到蟻巢與食物之間的最短路徑的行為，實現復雜問題求解［90］，該算法具有分布式計算、間接通信、無中心控制、易與其他算法相結合等優點，但算法參數設置復雜，參數設置不當易偏離最優解。蜂群算法［91］模仿蜂群采蜜行為，依照任務分工完成蜜蜂之間的蜜源信息交流和共享，具有結構簡單、搜索效率高的優點，但易陷入局部最優解［92］。狼群算法是模擬狼群捕食和獵物分配的自然啟發式算法，通過狼群初始化、頭狼競爭和召喚、獵物圍攻和狼群更新等步驟獲得最優解。

王訓等［93］針對無人集群系統協同監視任務，考慮自身能量消耗目標函數，基于PSO規劃出了局部路徑，使群體系統涌現出聚集行為。張震等［94］針對障礙物規避的航天器集群動態目標點路徑規劃問題，提出了一種基于協同PSO的路徑規劃方法，得到三維空間中星群動態路徑規劃最優解。韓博文等［95］提出了一種多策略融合量子PSO，獲得了動態最優軌跡解。王婷等［96］針對多星編隊構型優化問題，將非線性模型求解問題轉化為參數約束優化問題，采用粒子群優化算法實現了平面和立體情況下的最優靜態編隊構型優化。

SA算法是基于蒙特卡洛迭代求解策略，無需搜索空間知識或者輔助信息，在鄰域結構內選取相鄰解，采用概率變遷確定搜索方向，基于目標函數評估以獲得最優解，該算法對初值不敏感，具有漸近收斂性和并行性，可獲得全局最優解。周亮等［97］針對星群重構機動過程中的安全避撞任務需求，采用改進SA算法獲得星群重構全局最優解。

3.2.2星群智能協同運動控制技術

星群協同運動控制［98］的典型控制策略包括基于分布式星群協同運動控制、領導者-追隨者協同運動控制、基于虛擬結構的星群協同運動控制、基于行為的星群協同運動控制等（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勢，但在解決通信延遲和數據丟失、動力學模型不精確、強干擾、拓撲構型變換等復雜任務時，具有一定的局限性，而以神經網絡和多智能體強化學習為代表的星群智能協同運動控制方法在解決上述問題中具有較好的控制性能。

圖8　星群協同運動控制技術分類

基于分布式星群協同運動控制策略是指每個子星的位姿和速度信息與星群中相鄰成員進行交互，無需所有星群成員信息，直接與相鄰成員進行通信以減少信息量，降低計算和通信限制［99-106］?；陬I導者-跟隨者的星群協同運動控制策略是指星群中由領導者和跟隨者構成，領導者與跟隨者保持相對穩定運動狀態［107］，采用魯棒控制、自適應控制、變結構控制等算法［108］，實現編隊構型保持控制?；谔摂M結構的星群協同運動控制策略是基于星群期望狀態，通過星群協同控制使系統狀態總體誤差控制到最小，該策略設計簡單、魯棒性較強，但對星群之間的通信以及星載計算能力要求都更高［109-110］?；谛袨榈男侨簠f同運動控制策略是把星群行為分為構型保持、構型跟蹤、構型重構、協同圍捕等［111-112］，并把各個行為模式根據權重不同體現在權函數中，利用遺傳算法、勢場法［113-115］等得到協同控制策略，該方法穩定性分析較難。

隨著人工智能技術的發展，以神經網絡控制算法和多智能體強化學習算法等為代表的機器學習方法被廣泛應用于星群協同運動控制中。

神經網絡控制算法用大量簡單計算單元模擬人腦神經元的信息處理、存儲和檢索等功能，在通信延遲、數據丟失、動力學模型不精確、強干擾等復雜環境下，具有較好的控制性能。劉國平［116-117］針對具有通信延遲和數據丟失的網絡多智能體控制系統的一致性和穩定性問題，分別提出了一種網絡化多智能體預測控制方案和一種用于網絡化多智能體系統（Networked Multi-Agent Systems，NMASs）的云預測控制方案，以實現輸出一致性，并主動補償通信延遲和數據丟失。岳曉奎等［118］研究了一類具有多源高動態不確定性的集群式無人系統的抗干擾編隊控制問題，針對編隊飛行動力學中存在的非線性時變特征所帶來的不利影響，基于徑向基函數神經網絡改善集群系統的逼近和補償性能，實現星群的自適應編隊控制。

基于多智能體強化學習的星群協同控制方法，是指星群中每個衛星通過與環境進行交互獲取獎勵值，獲得該環境下最優策略，在解決動態復雜環境下星群協同運動控制方面具有明顯的優勢。目前，多智能體深度強化學習是無人集群系統協同行為策略學習的主流方法。

獨立多智能體強化學習方法是將單智能體強化學習方法直接拓展到多智能體強化學習任務中，每個智能體都把其他智能體看作環境的一部分，按照單智能體學習方式更新策略［120］，該方法在小規模離散空間的學習效果較好，但由于忽略了智能體之間的相互決策影響，在大規模星群協同控制任務中很難獲得可行解。文獻［121-122］將各智能體的狀態和動作集中在一起，構成擴張的狀態和動作空間，采用多智能體強化學習方法訓練所有的智能體，獲得最優策略，但該算法隨著衛星數量的增加，狀態和動作空間會顯著增大，導致無法搜索到可行解。

王毅然等［123］提出了基于多智能體強化學習的復雜任務路徑規劃方法，采用無模型在線Q學習算法，開展了復雜環境下的多智能體協同路徑規劃，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］針對多航天器自主規避多攔截器攻擊任務需求，提出了基于MADDPG的多航天器自主智能決策自學習模型算法，以相對距離和總機動時間為變量設計評價函數，實現多航天器協同運動控制，提高了多航天器自主機動逃生成功率。文獻［125］考慮了智能體之間的協同與對抗關系，提出了一種多智能體深度確定性策略梯度方法，基于博弈對抗思想，采用“中心化訓練-去中心化執行”的學習結構，估計所有智能體的策略，實現多智能體協同運動控制。

3.3　趨勢分析與展望

星群智能協同運動規劃與控制技術已經成為新一代人工智能的核心研究領域，隨著大規模商業衛星星座、星群的投入運行，星群協同運動規劃與控制技術不斷向智能化方向推進，主要存在2個方面的發展趨勢：

1）星群協同運動規劃由基于梯度的傳統星群協同規劃算法向智能星群協同運動規劃算法發展，與傳統梯度運動規劃方法相比，星群智能運動規劃方法有效解決了復雜運動規劃問題，但不同的智能規劃算法各具特點，且使用場景不同。因此，基于單一的智能優化算法解決星群協同規劃問題時，可能會面臨算法搜索精度低、收斂速度慢等問題。針對星群協同規劃任務對約束條件和目標函數的不同要求，基于不同智能優化算法的優點，探索混合星群智能協同規劃方法，能夠有效提升算法的搜索精度、收斂速度，避免陷入局部最優解。

2）星群協同控制由傳統分布式控制向多智能體強化學習控制方向發展，在星群數量有限條件下，可有效提升星群在通信延遲、數據丟失、動力學模型不精確和強干擾等條件下的控制性能。但是，目前多智能體強化學習算法在智能體數量顯著增多時，評價網絡的輸入維度會呈線性增加，導致神經網絡更難訓練和收斂，需要改進多智能體強化學習算法，解決大規模星群協同控制問題。

4　集群衛星智能健康管理技術

4.1　問題分析

分布式協同微納遙感星群衛星數量眾多，針對集群衛星控制系統的智能健康管理技術既需要考慮單星控制系統的健康管理，也需要考慮衛星集群效能開展評估。

針對單星健康管理的基本需求是感知、決策和執行。常用的方法可以分為基于模型驅動的健康管理技術、基于數據驅動的健康管理技術?；谀Ｐ万寗拥慕】倒芾砑夹g是以模型為核心，并由模型映射驅動健康管理的過程。在衛星應用上，多為部件級別的健康管理，尚無控制系統健康管理模型描述。基于數據驅動的健康管理技術是一種較為新型的問題求解方法，從初始的數據或觀測值出發，運用啟發式規則，尋找和建立相應內部變量特征之間的映射關系，實現利用數據對衛星系統健康狀態的判斷和估計?？刂葡到y作為衛星的子系統之一，在衛星在軌運行的過程中承擔著十分重要的角色，隨著任務的復雜性，星上需要配備多種敏感器、執行器和控制器，這些單機設備有很強的獨立隨機特性，之間又存在強烈的耦合關系，因而控制系統的精確模型很難完全建立。這也使得基于模型驅動的健康管理技術難以在衛星控制系統健康管理中廣泛應用，基于數據驅動的健康管理技術才是未來衛星及星群控制系統健康管理的主要解決途徑。

針對星群健康管理的研究目前較少且未形成體系。總體而言，基于理論計算研究的思路與單星健康管理基本一致，此外，也有一些學者基于仿真試驗開展星群智能健康管理研究，其中基于數字孿生的試驗方法充分利用物理模型、傳感器更新、運行歷史等數據，可以搭建較為精準的試驗模型。

4.2　研究現狀分析

4.2.1健康管理技術工程應用現狀

針對衛星制導、導航與控制（Guidance-Navigation-Control，GNC）分系統的故障預測與健康管理技術近年來被推廣應用到航天器安全運行管理中，發揮越來越重要的作用［128］。

美國作為航天大國，在健康管理領域起步較早，已開發了許多針對航天器整器及其各個分系統的健康管理工具，以對衛星在軌安全數據進行管理［131］。早期，美國NASA健康管理主要通過歸納式監測系統（Inductive Monitoring System，IMS）［132-134］實現，自2007年起，基于IMS的系統就開始用于控制力矩陀螺的監測，后經不斷拓展，已可以用于航天器控制分系統，該系統可靠性較高，具有較好的通用性，且不需要過多的計算機資源，已在“國際空間站”等［135］多個航天器上進行了初步應用。但該系統僅用于監測，且虛警率較高，監測數據仍需地面進行分析和決策。2010年，NASA開發了下一代衛星運行管理系統（Integrated Vehicle Health Management，IVHM）［136-137］。該系統已經具備一定程度的自主能力，能夠為包括控制系統在內的多個分系統的實時健康管理提供數據監測和一定的分析診斷，包括實時故障檢測、故障判斷、決策和結果評估，數據及結果都要下傳地面，視故障情況決定是否由地面進行分析。

歐洲一些國家在衛星自主健康管理領域也取得了一定的成就。瑞典空間物理研究所的 WINTOFT等［138］設計了一個航天器異常分析和預測系統（Spacecraft Anomaly Analysis and Prediction System，SAAPS），該系統主要用于識別環境異常及環境異常引發的航天器異常，通過統計模型和神經網路模型組成分析模塊，可以識別及預測異常狀態，對故障預測的準確率可以達到70%。歐空局在2011年為在軌運行12年的XMM-Newton科學探測衛星開發了一套基于經驗模型的健康管理系統［139］。主要針對星上4個反作用輪的摩擦扭矩遙測，可以解算軸承失穩發生的頻率、持續時間以及對摩擦力矩的影響，并通過更新姿態控制策略最大限度地降低軸承噪聲增加對衛星控制系統造成的影響，進一步延長該衛星的在軌壽命。

相比而言，我國盡管也在開展星上自主健康管理系統的建設，但目前控制系統健康管理系統的自主性較差，僅能保證部分單機產品的數據測量和分析，如控制力矩陀螺和動量輪。高分三號衛星［130］在設計時就對健康管理考慮較為充分，可以實現在非地面干預情況下，自主對健康狀態進行實時測量與數據分析管理。實踐十號衛星［141］作為一個短期在軌飛行的低軌航天器，在軌飛行期間對飛輪等關鍵零部件進行了自主健康狀態監控。

衛星GNC分系統的健康管理十分復雜，且必須要與實際工程應用緊密結合。美國在該領域較為領先，已經具有在多個型號領域應用的理論方法和管理體系。國內也有幾個型號開始健康管理的探索，單應用方向還較為單一，且自主級別較低，與國外先進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

衛星智能健康管理需要星上自主進行測量、分析判斷、決策和執行。由于衛星系統及其相關組件的復雜性，在軌衛星系統的數據量不斷增大，是一種典型的大數據系統，可以通過借助統計推力及數據學習等人工智能的手段，根據經驗數據及測量數據，對系統進行健康狀態管理［142］。目前系統健康管理常用的方法可以分為基于模型驅動的健康管理技術和基于數據驅動的健康管理技術，其中數據驅動的方法包含3種類型：基于知識驅動、基于統計推力以及基于數據學習。將健康管理技術中常用的方法總結如圖9所示。

圖9　健康管理技術常用的算法劃分

基于模型驅動的健康管理技術［143-146］是以模型為核心并由模型映射驅動健康管理的過程。在健康管理活動中通過創建各種模型精確表達不同的問題域，并利用模型轉換來驅動包括故障識別、故障診斷分析以及故障剝離等在內的整個健康管理過程。在衛星應用上，多為部件的故障診斷、故障預警以及部件使用壽命預測，沒有控制系統健康管理的案例。文獻［143-144］均以動量輪為研究對象，文獻［143］從失效物理分析角度切入，建立基于隨機閾值的Gauss-Brown失效物理模型來解釋動量輪的失效原因，從而對動量輪開展可靠性評估，所得結果能夠符合實際工程應用；文獻［144］則利用大量實驗，測試動量輪在不同溫度、不同環境的實際運行數據作為建?；A，經過10年的數據累積，最終建立了動量輪的退化模型，以實現在軌故障預判。文獻［145］以無人機制導系統作為研究對象，將執行器或推進系統的故障模型嵌入健康管理模型，可以實現部分故障情況下的功能恢復以及其他故障條件下的安全返航?？刂葡到y作為衛星的子系統之一，在衛星在軌運行的過程中承擔著十分重要的角色，隨著任務的復雜性，星上需要配備多種敏感器、執行器和控制器，這些單機設備有很強的獨立隨機特性，之間又存在強烈的耦合關系，因此，控制系統的精確模型很難完全建立。這也使得基于模型驅動的健康管理技術難以在衛星控制系統健康管理中廣泛應用［147］，基于數據驅動的健康管理技術才是衛星及星群系統健康管理的主要解決途徑。

基于數據驅動的健康管理技術是一種較為新型的問題求解方法，從初始的數據或觀測值出發，運用啟發式規則，尋找和建立相應內部變量特征之間的映射關系，實現利用數據對衛星系統健康狀態的判斷和估計。目前常用的數據驅動方法可以分為3類：基于知識驅動的方法［148-149］、基于統計推理的方法［150-152］以及基于數據學習的方法［153-159］。

基于知識驅動的健康管理的設計主旨是將知識與健康管理系統設計相結合。其基本思路是：通過總結健康管理領域的實踐經驗和故障數據，將人的思維方式總結提煉成計算機能夠理解的知識庫，在知識庫的指導下，設計故障識別、故障預警、壽命預測等健康管理方法，由于得到了領域知識庫的支持，所得方法可以更加符合工程實際應用。目前國內外對于知識驅動設計已有大量研究，主要包括基于本體的推理方法、基于規則的方法和基于模型的方法。文獻［148］針對飛機的控制系統設計了一種健康管理模型，通過機器學習提高控制系統參數的泛化能力，有效減少訓練模型的數據量以適應機載計算機。文獻［149］提出了一種閉環衛星控制系統中執行機構微小故障檢測與隔離的組合方法，利用基于模型的方法對可能的干擾進行解耦和故障隔離，然后用人工智能方法進一步減少剩余模型不確定性的影響。具體來說，就是基于觀測器的人工神經網絡建模方法的擴展，以提高診斷系統的性能，通過考慮決策邏輯，可以成功地檢測驅動器的小故障。

基于統計推理的健康管理的設計主旨是通過對數據樣本推理，由部分到全部推理出總體的共性屬性，在分層抽樣的基礎上進行的，數據樣本有一定的選擇性，結論可靠性較高。統計推理的設計方法主要包括Kalman濾波方法、隱馬爾科夫方法、貝葉斯網絡方法、主成分分析方法等。文獻［150］以衛星姿態傳感器故障作為研究對象，將衛星姿態與傳感器之間固有冗余關系作為判斷依據，借助測量空間的特征值，基于主成分分析方法將該冗余關系進行量化，再通過監測特征值的變化實施判定，最終確定衛星姿態傳感器的故障類型和故障位置。

以深度學習為代表的數據驅動方法近年來在衛星健康管理領域有較高的關注度，該方法的設計主旨是利用大量的數據訓練星上系統自主學習樣本數據的內在規律和表示層次，在學習過程中獲得的信息最終對故障特征進行解釋，提升故障識別的準確率。文獻［153］將深度學習應用于衛星姿態控制系統的故障檢測與故障隔離。文獻［154］使用非線性動態逆控制作為底層控制算法，通過深度學習訓練系統適應火箭不同燃燒階段的模式，搭建火箭發射過程的針對執行器故障的容錯控制系統?；谏疃葘W習的衛星控制系統健康管理技術近年來受到眾多學者的廣泛關注，有深入挖掘的可能性，但距離工程應用還有一定的差距，若要轉化應用，還需解決以下問題：1）基于深度學習的方法對樣本數據的需求量巨大，星上單機產品可以通過地面測試等方式積攢樣本數據，但若要應用于分系統層級，其樣本數據的獲取還存在一些問題；2）基于深度學習的健康管理方法數據量較大，對計算資源的要求很高，星載計算機的運算能力也是需要考慮的重要問題。

4.2.3星群健康管理技術

目前針對星群健康管理［160］的研究較少，沒有形成系統的層次體系架構。若按研究形式不同加以劃分，有2種發展方向：基于理論計算的健康管理技術、基于仿真實驗的健康管理技術。

針對星群健康管理的理論計算方法與單星相類似，分為模型驅動、數據驅動。由于星群的系統模型更加復雜，很難直接得到解析模型，目前也沒有學者在這方面開展研究。但在武器系統效能評價體系中，常用美國工業界武器系統效能咨詢委員會模型（Availability-Dependability-Capability，ADC）進行系統效能評估，可以借鑒在星群健康管理中。ADC通過理想化假設建立體系模型進行系統效能評估的方法，其定義為“系統效能是指系統能夠滿足（或完成）一組特定任務要求的量度”對對象、任務、條件、時間以及能力5個方面規定了系統效能評價標準。楊卓鵬等［161-162］將ADC的系統效能概念應用于導航星座中，集成應用Petri網、中斷分析、貝葉斯網對ADC方法進行了一定的改進，在設計階段為導航星座的星座覆蓋效能、保障運行方案的優化提供量化依據。文獻［163-164］均對ADC模型進行了一定程度的改進，使其更貼合相應的武器裝備系統特征。基于數據驅動進行星群健康管理的方法是一個可行的思路，但訓練模型需要的樣本數據量過于龐大，而且模型的可理解性較差，目前只能停留在理論階段，無法進行工程應用。陳辛［165］利用神經網絡算法對一主二從結構的微小衛星星群中從星的姿態控制系統故障診斷提出了一種故障診斷方案。該方法對星群結構、故障條件的設定都較為苛刻，適應性不高，但期間考慮了星間相對姿態信息，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很難在真實環境下進行測試，基于仿真實驗的研究方式可以理解為星群健康管理技術的驗證手段。仿真模型搭建越精準，系統智能化和數字化程度越高，其試驗結果越具有真實性。近兩年，有學者基于數字孿生的思想開展星群健康管理的研究，2012年NASA給出了數字孿生的概念描述。

數字孿生是指充分利用物理模型、傳感器、運行歷史等數據，集成多學科、多尺度的仿真過程，它作為虛擬空間中對實體產品的鏡像，反映了相對應物理實體產品的全生命周期過程。NASA對空間飛行器建立數字孿生試驗，可以進行數據分析、故障檢測和預測，開展了飛行器健康管控應用。我國也有航天恒星科技有限公司［166］基于數字孿生建造了低軌巨型星座的智能健康管理系統，實現衛星的全生命周期管控。

然而不論哪種研究形式，現有的針對星群健康管理技術的研究還是基于多個單智能體自主健康管理的堆疊，沒有真正挖掘星群健康管理中群體任務的需求和特點。星群健康管理在單星健康管理需求（感知、決策、執行）的基礎上還需具備溝通、合作的群體任務需求。具體來說，分布式協同遙感星群控制系統的健康管理技術存在3個發展方向：1）不同于一般的主-從式編隊任務，其間協同模式多樣化，拓撲結構復雜，對星群健康管理的動態拓撲分析是一個研究難點；2）作為星群系統，可以利用星上攜帶敏感器對星群內其他衛星的姿態、軌道狀態進行測量，測量數據可以便利地進行信息交互，群體交互數據感知技術是星群故障診斷的一大優勢；3）該星群中沒有主星的存在，在任務決策時需要由單星健康管理的單體決策向多體結構的群體決策轉變。

4.3　趨勢分析與展望

隨著衛星/星座復雜多變的需求和特點，星上需要配備多種敏感器、執行器和控制器。衛星控制系統健康管理技術已經成為航天領域的重要發展方向。伴隨著人工智能技術的快速發展，星上健康管理技術也在向基于人工智能的數據驅動智能管理方向發展。隨著大規模商業衛星星座、星群的投入運行，衛星健康管理勢必由單星的健康管理系統向星群星座的健康管理系統進行轉變，星群健康管理技術主要存在以下2個發展方向：

1）單星健康管理將從檢查/監視單一功能轉向檢測、診斷、預警綜合健康管理系統；從針對單機產品向針對系統方向發展；從針對單一系統架構向開放系統架構、通用化方向發展?？傮w而言，健康管理技術將更加智能化、綜合化、實時化和通用化。

2）星群智能健康管理系統建立，分布式協同觀測星群在單星的單機、系統、整星3個層級之上還需引入星簇及星座2個層級，形成集群網絡多層級的健康管理狀態評估模型。進行集群健康管理時，存在星群動態拓撲分析、星間數據交互式智能健康診斷、群體決策在星群健康管理的應用3個發展方向。

5　集群衛星智能自組織路由技術

5.1　問題分析

星間路由是實現集群衛星網絡中多星協同控制的關鍵，為多星協同導航信息交互、分布式控制求解數據傳輸提供支撐［167］。傳統天基/地基對地觀測網絡的路由需預先規劃［168］，由地面控制站計算并上傳至衛星節點執行，不能快速響應隨遇任務需求，無法應對因設備故障或鏈路切換等導致的過時路由問題。面向未來大規模星群智能協同導航、控制數據傳輸需求，星間路由技術需朝著自組織、智能化方向演進。本章就星間路由的2個主要發展方向開展分析，對衛星網絡的自組織路由技術和智能路由技術的發展現狀進行了介紹。

衛星網絡自組織路由將摒棄傳統的地面預先規劃模式，由衛星節點自主完成路由計算和業務編排。傳統基于靜態圖的路由算法將衛星網絡看作分時段靜態網絡，并在各時段內構建端到端傳輸通路。由于忽略了時變多維資源間的關聯關系，端到端的時延、吞吐量等性能受限?，F有基于時變圖的路由方法以低時延/高吞吐量目標，能夠在特定場景和資源約束下為業務按需構建路由路徑，但龐大的圖模型存儲量和復雜的路徑搜索過程導致算法的可擴展性難保障。

星載智能路由將在自組織路由規劃的基礎上引入邊緣計算、機器學習等技術，通過學習歷史狀態（如高時延和高數據包丟失率等）中的經驗信息，進一步優化路由結果。然而，衛星網絡固有的拓撲動態性、資源時變性和鏈路不穩定性等特性對智能組網架構設計與智能路由計算提出了巨大挑戰?，F有的智能路由方法本質都是優化衛星流量路徑選擇或擁塞控制，仿真實驗未充分考率衛星網絡時變特性，缺乏在逼真環境中的訓練、部署與測試。

5.2　研究現狀分析

5.2.1衛星網絡自組織路由技術

一直以來，圖論都是建模和求解的路由問題的有力工具?，F階段集群衛星網絡的自組織路由技術仍處于探索階段，面向低時延和高吞吐量兩項目標，許多基于圖的衛星網絡路由算法被相繼提出，如圖10所示。離散時間動態虛擬拓撲路由（Discrete-Time Dynamic Virtual Topology Routing， DT-DVTR）［169］、有限狀態自動化路由（Finite State Automaton Routing， FSAR）［170］和動態檢測路由算法（Dynamic Detection Routing Algorithm， DDRA）［171］均基于靜態圖設計，由于忽略了時變多維資源間的關聯關系，制約了端到端的時延、吞吐量等特性，網絡資源利用率難提升［172］。

圖10　衛星網絡路由算法劃分

時變圖相較于靜態圖，通過引入時間屬性，能夠精準刻畫網絡拓撲、帶寬、存儲等多維資源的動態特性［172］，助力高效的集群衛星路由方法設計。

1）在低時延傳輸路徑方面，文獻［173］利用快照圖（Snapshot Graph，SG）建模衛星網絡，提出了最小化路徑費用（如：時延）的動態路由算法。該方法依據衛星運行軌跡，以發生鏈路切換的時刻為分割，構建表征不同時段內網絡拓撲和資源的多個快照，并在各快照中計算端到端的最優路徑。然而，由于割裂了不同時段網絡間的關聯關系，導致可行路徑路徑搜索空間被壓縮，制約最優路徑的求取。為提升SG路由的性能，文獻［174］增加了快照的連通性，通過重新分配星間鏈路，優化時延性能，提升網絡鏈路資源的利用率。文獻［175］提出了接觸圖路由（Contact Graph Routing， CGR）來實現時變衛星網絡中的動態路由。CGR是一種基于中繼的路由策略，它首先依據節點間周期性的接觸計劃構建接觸圖，而后以鏈路可用容量為約束選擇端到端最早連通路徑，但由于未考慮衛星節點的存儲資源限制，導致網絡易產生擁塞，業務時延保障性能降低。文獻［176］采用事件驅動圖（Event-driven Graph，EG）表征衛星網絡時變拓撲和星載存儲資源，并以時延保障為前提、傳輸能耗最少為目標設計高效的路由方法。

2）在最大化傳輸容量方面，文獻［177］充分考慮到星上能量資源受限對數據傳輸能力的制約，構建能量時間擴展圖（Energy Time-Expanded Graph，ETEG），支持能量、存儲與鏈路帶寬資源的聯合調度，實現能量的最優化利用和端到端遙感數據的最大化傳輸。文獻［178］針對衛星攜帶收發信機資源受限的場景，建立了收、發容量約束的時間擴展圖（Time Expanded Graph， TEG）表征，并設計了最大流路由算法實現收發信機資源的優化分配，最大化端到端吞吐量。然而，TEG的存儲規模會隨著網絡大小及規劃時間區間的增加而急劇提升，導致相關路由算法的求解復雜度高。為克服上述瓶頸，文獻［179］基于存儲時間聚合圖（Storage Time Aggregated Graph， STAG）聯合表征衛星網絡時變多維資源和空間業務差異化傳輸需求，并將復雜的服務質量（Quality of Service，QoS）路由問題約減為一個基于圖的最大流問題，能夠以低的計算復雜度同時為多個業務構建滿足資源需求和時延約束的端到端路徑。

上述基于時變圖的路由算法能夠支持在時變、資源受限的集群衛星網絡中為任務按需構建時延或容量最優的路由，且能夠分布式應用于各衛星節點，支持集群衛星網絡的在軌自組織組網。然而，由于路由計算僅依賴于當前（鏈路狀態信息獲?。┘拔磥恚ɑ谛l星運動軌跡預測）的網絡拓撲和資源信息，忽略了歷史狀態（如高時延和高數據包丟失率等）中的經驗信息，制約了路由結果的進一步優化。

5.2.2星載智能路由技術

星載智能路由技術是為了解決傳統的路由策略無法狀態中學習和改進的問題，是增強集群衛星網絡組網性能的有效途徑［180］。

1）在組網架構方面，諸多學者軟件定義網絡（Software Defined Network，SDN）在時變衛星網絡中應用的可能，致力于提升衛星網絡的集中自治能力，為差異化的空間應用提供定制化的網絡服務［181］。現有SDN技術大多采用OpenFlow協議作為南向編程接口［182］。然而，隨著協議版本的迭代，龐大的“多級流表”和復雜的流表項目查找與匹配問題會對星上的交換、存儲和處理能力帶來巨大挑戰［183］?；诖耍墨I［190］提出了一種基于神經網絡的SDN衛星網絡智能路由（Information Resource Sharing Service Network，IRSSN）方案。該方案中網絡控制器將通過訓練神經網絡（Neural Network，NN）獲取數據流的傳輸模式，并將流表替換為訓練的NN，達到節省三態內容可尋址內存（Tri-state Content-Addressable Memory，TCAM）空間和提升路由與轉發效能的目的。

2）在路由計算方面，當前星載智能路由的發展剛剛起步，其基本思想是在路由規劃中引入邊緣計算、機器學習等技術與新興服務模式，優化傳輸路徑時延，避免流量擁塞。文獻［184］提出了一種基于正交多項式（切比雪夫）神經網絡的路由方法，根據業務流的流量類型預測傳輸路徑，滿足空間應用的QoS需求。文獻［185］嘗試在延遲容忍網絡（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，優化路由性能。文獻［186］提出了一種基于深度卷積神經網絡的流智能控制方法，通過預測衛星網絡的流量分布特性，分析鏈路擁塞趨勢，通過自適應路由表更新，實現高效的擁塞控制。文獻［187］提出了一種基于不完全信息博弈機制和強化學習的有限貪婪快速擁塞控制方法。文獻［188］則設計了基于強化學習和貝葉斯學習輔助的CGR算法，優化DTN路由性能。文獻［180］探討了基于深度強化學習的星上路由機制的訓練與部署方案，利用強化學習模型對精準預測網絡拓撲，并根據網絡的歷史流量矩陣對當前流量路由進行選擇，提高路由轉發的準確率和效率。

5.3　趨勢分析與展望

星間路由是實現集群衛星網絡高效星間協同的關鍵使能技術之一?，F有自組織和智能路由方法雖能夠在特定場景和約束下為業務按需構低時延/高容量的傳輸路徑，支持在軌自主組網，但面向協同觀測任務的導航、控制需求，集群衛星網絡將朝著大規模、分布式、自主化的方向發展，對組網路由提出更高要求。

1）時間確定性路由

搶險救災等突發事件的快速響應要求數據傳輸具備確定性時延保障，而現有的星上路由與轉發技術僅提供“盡力而為”的傳輸服務，無法確保端到端的低時延、有界抖動和超低丟包。因此，未來需進一步研究時間確定集群衛星網絡路由技術，為時間敏感空間任務提供保障。

2）遙感通信一體化路由

隨著遙測業務需求的不斷提高，衛星對地觀測數據量與日俱增。為了實現海量遙感數據的快速回傳，有必要探索觀測與傳輸全流程的聯合優化方法，支持協同觀測衛星的優化安排和數據傳輸路由的按需規劃。

3）分布式智能路由

現有的智能路由方法本質上都是優化衛星流量路徑選擇或擁塞控制，仿真實驗未充分考率衛星網絡時變特性，缺乏在逼真環境中的訓練、部署與測試。如何在分布式、大規模、高動態集群衛星網絡中設計和驗證智能路由架構與算法仍是待解問題。

6　結束語

分布式協同微納遙感星群對于提高觀測效能、降低觀測成本、提高數據品質、建立多源觀測能力，具有很強的現實意義。通過總結國內外典型遙感衛星星群發展現狀，得出以下結論：現有的微納遙感星座通過高頻重訪大幅提升了對地觀測的時間分辨率，但是由于單顆微納衛星觀測能力受限，難以滿足多源同步與融合、高品質、大幅寬等數據應用需求。兼顧高時效、高效能的微小衛星是未來遙感領域應用的發展方向。

利用星座+星簇的布局形成的分布式協同微納遙感星群具有多視角冗余觀測、多源同時空遙感、快速重訪等優勢，是兼顧上述遙感應用需求的有效途徑。但分布式協同微納遙感星群衛星成員數量眾多、空間分布復雜時變、協同任務復雜多樣、相對運動關系復雜，由此帶來長期自主安全運行、面向任務自主重構控制、面向復雜系統的高可靠性、協同信息網絡交互四方面能力需求，對分布式協同遙感星群控制系統提出協同自主導航、智能規劃控制、智能健康管理、智能組網四方面關鍵技術挑戰。通過對4條關鍵技術的研究情況進行分析、歸納和整理，可以得出以下結論。

1）當前星座星簇自主導航研究主要針對數顆至數十顆衛星構成的小型衛星系統，圍繞提高星座長期導航精度、提升導航數據處理效率以及增強星簇內相對狀態估計能力等方面展開。在星座+星簇新型構型下，未來自主導航將朝著高度自主、分布式、智能化方向發展，星座整網長期漂移誤差修正、大規模節點復雜星間測量拓撲結構優化、降階分布式導航濾波數據處理等具體問題，是需要未來持續關注解決的問題。

2）星群協同運動規劃與控制技術不斷向智能化方向推進，主要呈現2個發展趨勢：① 針對星群協同規劃任務對約束條件和目標函數的不同要求，基于不同智能優化算法的優點，探索混合星群智能協同規劃方法，有效提升算法的搜索精度、收斂速度，避免陷入局部最優解；② 星群協同控制由傳統分布式控制向多智能體強化學習控制方向發展，在星群數量有限條件下，可有效提升星群在通信延遲、數據丟失、動力學模型不精確和強干擾等條件下的控制性能，但仍需要進一步改進多智能體強化學習算法，使其適應大規模星群協同控制問題。

3）隨著大規模商業衛星星座、星群的投入運行，衛星健康管理勢必由單星的健康管理系統向星群星座的健康管理系統進行轉變。目前單星的衛星健康管理技術還需向更加智能化、綜合化、通用化的方向發展，故障判斷的時間點也不斷前移，通過提前預判衛星健康狀況，可以極大地降低衛星在軌的安全風險和故障影響。星群智能健康管理系統在單星的單機、系統、整星3個層級之上還需引入星簇及星座2個層級，將星群整體效能作為健康管理評估目標，形成集群網絡多層級的健康管理狀態評估模型。進行集群健康管理時，存在星群動態拓撲分析、星間數據交互式智能健康診斷、群體決策在星群健康管理的應用等需要解決的具體問題。

4）智能自組織路由是為多星協同導航信息交互、分布式控制求解數據傳輸提供網絡化傳輸服務的關鍵。集群衛星網絡固有的拓撲結構時變、單星資源受限、通信時延長、易受干擾等特性給高效路由方法設計帶來了挑戰。面向協同觀測任務的導航、控制需求，集群衛星網絡將朝著大規模、分布式、自主化的方向發展。未來的主要發展趨勢包括：需進一步研究時間確定集群衛星網絡路由技術，為時間敏感空間任務提供保障；為實現海量遙感數據的快速回傳，需要探索觀測與傳輸全流程的聯合優化方法，支持協同觀測衛星的優化安排和數據傳輸路由的按需規劃；在分布式、大規模、高動態集群衛星網絡中設計和驗證智能路由架構與算法。

基于微小衛星的分布式協同觀測系統已成為全球熱點領域，不論國內還是國外都在進行技術研究和空間部署，比較來說，目前我國的技術和部署較為緩慢。本文綜述了國內外在分布式協同觀測領域的研究現狀，旨在為同行提供借鑒，推進我國微小衛星協同觀測系統的發展。

［1］ 張志清，陸風，方翔，等.FY-4衛星應用和發展［J］.上海航天（中英文），2017，34（4）：8-19.

［2］ 潘德爐，何賢強，李淑菁，等.我國第一顆海洋衛星HY-1A的應用潛力研究［J］.海洋學報，2004，26（2）：37-44.

［3］ 王殿中，何紅艷.“高分四號”衛星觀測能力與應用前景分析［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.美國軍用衛星系統最新發展分析［J］.航天電子對抗，2019，35（6）：51-59.

［6］ 陸晴，萬向成，孫永巖.美國PlanetLabs公司和”鴿群”衛星的啟示［C］//2017年集團科技委航天器總體大會.深圳：航天科技集團，2017：1-9.

［7］ 周宇，王鵬，傅丹膺.SkySat衛星的系統創新設計及啟示［J］.航天器工程，2015，24（5）：91-98.

［8］ 劉韜.美國”天空衛星”技術探析［J］.國際太空，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，衛征.航天遙感與中國空間信息產業發展［J］.航天返回與遙感，2018，39（4）：10-17.

［11］ 李建全，王倩瑩，張思晛，等.國外對地觀測微納衛星發展趨勢分析［J］.航天器工程，2020，29（4）：126-130.

［12］ 林來興，張小琳.納型衛星編隊飛行技術現狀及發展趨勢［J］.航天器工程，2017，25（5）：65-73.

［13］ 本刊編輯部.芬蘭Iceye小衛星觀測：將天氣雷達網送入地球軌道［J］.氣象科技進展，2016，6（1）：103.

［14］ 周英杰，李思佳，魏紅艷，等.“高分一號02、03、04星”衛星數據在礦山開發環境遙感監測中的初步應用評價［J］.測繪與空間地理信息，2020，43（3）：73-75，78.

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

［16］ 李黎.高景一號衛星系統設計創新和在軌性能［J］.國際太空，2018（9）：28-32.

［17］ 李先怡，范海生，潘申林.珠海一號高光譜衛星數據及應用概況［J］.衛星應用，2019，8（1）：12-18.

［18］ 胡芳，曾海波，瞿麗.北京二號數據在基礎性地理國情監測中的適用性分析［J］.國土資源導刊，2019，16（4）：58-62.

［19］ 高分辨率對地觀測系統湖北數據與應用中心.珞珈一號01星數據與應用服務［J］.衛星應用，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.德國將人工智能用于衛星間自主協調運行［J］.無線電通信技術，2019，45（3）：315.

［22］ 肖寅.導航衛星自主導航關鍵技術研究［D］.上海：中國科學院研究生院（上海技術物理研究所），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與自主定軌策略研究［D］.鄭州：戰略支援部隊信息工程大學，2018.

［25］ 侯芬，劉萬科，方榮新.導航衛星自主定軌星座旋轉誤差分析與控制方法［J］.武漢大學學報（信息科學版），2009，34（11）：1280-1284.

［26］ 陳金平，焦文海，馬駿，等.基于星間測距/軌道定向參數約束的導航衛星自主定軌研究［J］.武漢大學學報（信息科學版），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，藍柏強，等.基于錨固站的導航星座分布式自主定軌研究［J］.大地測量與地球動力學，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.深空探測器自主天文導航技術綜述［J］.飛控與探測，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，徐博，劉文祥，等.一種新的衛星導航星間鏈路測距體制及其定軌性能分析［J］.國防科技大學學報，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：中國衛星導航系統管理辦公室，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技術在航天器編隊定軌中的應用研究［D］.哈爾濱：哈爾濱工業大學，2010.

［48］ 張偉，杜耀珂，李東俊，等.基于星間測距增強的衛星編隊GPS相對導航研究［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.一種高精度實時微納衛星集群導航算法：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.基于激光雷達測量的空間交會對接相對導航［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的多航天器編隊飛行相對導航［J］.宇航學報，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.空間碎片清除僅測角相對導航與機動規劃［D］.長沙：國防科技大學，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導航方法：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］ 高學海，梁斌，潘樂，等.高軌非合作目標多視線分布式相對導航方法［J］.宇航學報，2015，36（3）：292-299.

［71］ 袁滿.基于僅測角信息大橢圓軌道編隊相對導航方法研究［D］.哈爾濱：哈爾濱工業大學，2017.

［72］ 王楷，陳統，徐世杰.基于雙視線測量的相對導航方法［J］.航空學報，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.雙視線測量相對導航方法誤差分析與編隊設計［J］.航空學報，2018，39（9）：147-161.

［75］ 韓飛，劉付成，王兆龍，等．空間多機器人協同的多視線僅測角相對導航［J］．航空學報，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距相對導航方法：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］.無人系統技術，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，王兆魁，張育林.基于合作博弈的智能集群自主聚集策略［J］.國防科技大學學報，2017，39（2）：146-151.

［94］ 張震，方群，宋金豐，等.基于協同粒子群算法的航天器集群動態路徑規劃算法研究［J］.西北工業大學學報，2021，39（6）：1222-1232.

［95］ 韓博文，姚佩陽，孫昱.基于多目標MSQPSO算法的UAVS協同任務分配［J］.電子學報，2017，45（8）：1856-1863.

［96］ 王婷，夏廣慶，蘭聰超.粒子群算法求解不等質量庫侖衛星編隊最優構型［J］.系統工程與電子技術，2016，38（2）：305-313.

［97］ 周亮.航天器集群飛行的軌道保持與重構機動［D］.西安：西北工業大學，2016.

［98］ 谷海波，劉克新，呂金虎.集群系統協同控制：機遇與挑戰［J］.指揮與控制學報，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相對軌道的自適應分布式一致性［J］.控制理論與應用，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相對軌道的隊形控制［J］.控制與決策，2014，29（6）：985-990.

［102］周稼康.航天器編隊飛行分布式協同控制方法研究［D］.哈爾濱：哈爾濱工業大學，2012.

［103］鄭重.多航天器編隊飛行分布式協同控制［D］.哈爾濱：哈爾濱工業大學，2014.

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

［105］馬培蓓，雷明，紀軍.基于一致性的多無人機協同編隊設計［J］.戰術導彈技術，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.無人機編隊隊形保持變換控制器設計［J］.計算機仿真，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軌道容錯控制律設計［J］.航空學報，2017，38（10）：1-11.

［109］何真，陸宇平，劉燕斌.基于虛擬結構的分布式編隊控制方法［J］.應用科學學報，2007，25（4）：387-391.

［110］潘無為，姜大鵬，龐永杰，等.人工勢場和虛擬結構相結合的多水下機器人編隊控制［J］.兵工學報，2017，38（2）：326-334.

［111］夏春.移動機器人避障與多機器人圍捕研究［D］.武漢：華中科技大學，2007.

［112］陳寧.智能機器人動態路徑規劃研究［D］.武漢：華中科技大學，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多航天器編隊軌跡規劃［J］.中國空間科學技術，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，藍羽石，宋愛國.無人集群系統自主協同技術綜述［J］.指揮與控制學報，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，經小川，田濤，等.基于強化學習的多Agent路徑規劃方法研究［J］，計算機應用與軟件，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.衛星健康管理系統的發展與探索［J］.無線電工程，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現狀與發展思考［J］.空間控制技術與應用，2019，45（4）：7-18.

［130］王文平，王向暉，徐浩，等.高分三號衛星自主健康管理系統設計與實現［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研究述評［J］.上海應用技術學院學報（自然科學版），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.國際空間站健康管理系統對我國空間站建設的啟示［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.實踐十號返回式衛星自主安全控制策略設計［J］.計算機測量與控制，2017，25（12）：60-63，72.

［142］袁利，王淑一.航天器控制系統智能健康管理技術發展綜述［J］.航空學報，2021，42（4）：525044.

［143］劉強，周經倫，金光，等.基于隨機閾值的Gauss-Brown失效物理模型的動量輪可靠性評估［J］.宇航學報，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.故障診斷與預測技術：原理、技術及應用［M］.北京：北京航空航天大學出版社，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，張云燕，李言俊.一種自旋穩定衛星姿態傳感器數據異常的診斷方法［J］.宇航學報，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，邵海東，李興球.基于深度學習的飛行器智能故障診斷方法［J］.機械工程學報，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模型的導航星座系統效能分析［J］.工業工程與管理，2016，21（3）：145-152.

［162］楊卓鵬，鄭恒，角淑媛，等.一種導航衛星的系統效能建模與分析方法［J］.宇航學報，2017，38（6）：647-654.

［163］許鵬飛，張偉華，馬潤年.基于熵權的改進ADC法通信基礎網作戰效能評估算法［J］.火力與指揮控制，2013，38（1）：64-68.

［164］劉仕雷，李昊.改進ADC方法及其在武器裝備系統效能評估中的應用［J］.國防科技大學學報，2017，39（3）：130-135.

［165］陳辛.面向小衛星群的神經網絡故障診斷技術研究［D］.南京：南京航空航天大學，2018.

［166］席超，胡江燕，楊瑩，等.基于數字孿生的巨型星座系統智能健康管理研究［C］//第十七屆衛星通信學術年會.北京：中國通信學會，2021：374-379.

［167］李德政.低軌遙感衛星組網關鍵技術研究［D］.合肥：中國科學技術大學，2020.

［168］夏茹敏，史可懿，何健，等.天地聯合測控魯棒性路由算法［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.基于時變圖的天地一體化網絡時間確定性路由算法與協議［J］.通信學報，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.星地融合網絡智能路由技術綜述［J］.天地一體化信息網絡，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

國家自然科學基金（U20B2056）；上海市優秀技術帶頭人項目（19XD1431500）；上海市自然科學基金（22ZR1427800）

劉付成（1973—），男，博士，研究員，主要研究方向為導航、制導與控制。

韓飛（1985—），男，博士，研究員，主要研究方向為衛星集群控制。

V 19； TP 79

A

10.19328/j.cnki.2096?8655.2022.04.001