基于机器学习的成像卫星自主任务规划方法技术

本发明专利技术公开了一种基于机器学习的成像卫星自主任务规划方法，包括步骤1：并将本轨元任务按照可见时间窗开始时间进行排序；步骤2：当当前时间为决策时间点时，将元任务设为当前元任务。步骤3：提取当前元任务的特征变量，通过基于机器学习的星上自主任务规划模型判断是否执行当前元任务，如果判断为执行，则输出当前元任务的观测时间窗，在观测时间窗开始时执行当前元任务，如果不能执行，则删除当前元任务；步骤4：判断是否已经规划完本轨元任务，如果已经规划完，则结束，否则返回步骤2。本发明专利技术所能达到的有益效果是：与传统卫星任务规划方法相比，规划时间短，任务执行效率高，且能根据环境变化实时进行规划。

Autonomous Mission Planning for Imaging Satellite Based on Machine Learning

【技术实现步骤摘要】
基于机器学习的成像卫星自主任务规划方法
本专利技术属于卫星任务规划领域，尤其涉及一种基于机器学习的成像卫星自主任务规划方法。
技术介绍
传统的卫星任务规划管控模式是基于地面集中管控的，整个卫星对地观测的流程是从用户提交需求到用户拿到产品的闭环流程，如图1所示。①用户首先向管控部门提交成像任务请求；②管控部门结合气象信息对任务进行预处理，转化为任务规划的标准任务信息格式；③管控部门再结合卫星、地面站的信息进行任务规划，生成最终的任务调度方案；④管控部门根据任务调度方案生成载荷控制计划及跟踪接收计划发送给卫星测控部门；⑤卫星测控部门通过地面站与星地链路将载荷控制指令上注给卫星；⑥卫星进行任务观测；⑦卫星将获取的图像数据通过星地链路与地面站传输给卫星测控部门；⑧测控部门将图像数据发送给数据处理中心进行加工处理；⑨数据处理中心将加工后的图像反馈给用户。这样就完成了整个卫星对地观测的闭环流程。卫星任务规划主要是指其中的步骤②、③、④，属于卫星管控部门所负责的工作。从图1可以看出，这个观测流程涉及用户、卫星管控部门、卫星测控部门以及数据处理中心多个单位，每个单位业务不统一，交互不方便。任务规划时依据的气象信息和卫星、地面站信息并非实时信息，存在一定滞后性。而且我国地面站都建于国内，目前星间链路也不完善，而有限的测控资源在整个流程中起到了至关重要的作用，影响指令的上注和数据的回收。整体上说，传统的卫星对地观测流程可以完成卫星对部分目标的信息获取，但已然是无法胜任新的需求与挑战。传统卫星对地观测流程的弊端可总结如下：(1)整个流程过于复杂繁琐，用户从提出需求到获得图像信息周期往往较长，无法满足用户对于时效性的要求；(2)卫星任务规划属于离线作业，属于静态调度范畴，规划方案不能与实时变化的环境相适应；(3)对测控资源(星地链路、星间链路)过于依赖，星地之间无法实时通信；(4)缺乏辅助分析手段，缺乏自动化处理流程，很多情况下需要对系统运行数据进行手工修改操作，应急调整流程复杂，人机交互操作繁多，极易出现错误操作。我们可以看出卫星在整个过程中只是指令执行者，执行地面上注的姿态调整、成像、数传等指令，不能对星上环境和状态的变化做出实时响应，导致很多任务由于不满足约束而无法完成，卫星实际运行效率比预计的要低。以敏捷卫星为例，详细分析传统的任务规划流程，如图2所示。由于用户方面对卫星轨道和参数等信息并不一定了解，通常用户提出的需求信息往往只包含目标的地理位置信息(目标的经度、维度、高度)和其他需求信息(如最晚观测时间、最低观测质量、优先级、目标成像次数、成像模式、所用载荷类型等)，用户提供的地理位置信息无法直接用于任务规划，需要将位置信息与轨道预报、星历预报、地影预报、测站预报等信息相结合，计算出任务的可见时间窗等信息，目的是将所有的需求信息转化为卫星任务规划的标准格式，这个过程称为任务预处理过程。接着，卫星管控部门整合各类资源信息和任务预处理结果，生成任务规划方案，进而形成卫星观测计划和数据回传计划。根据观测计划生成载荷控制指令，最后将指令发送给测控中心，数传计划发送给地面站[47]。上述过程中，完成任务预处理后，需要解决卫星任务规划问题。由于传统卫星任务规划将各类资源信息看作已知信息，所以此类问题可以看作是静态优化问题。由于约束复杂，待规划的任务数量大，目前还没有一种非常有效的方法能够在有限的时间内求得其最优解。在实际工程中，一般采用智能优化方法和启发式规则对卫星任务规划问题进行求解。现有技术中无论是对于非敏捷卫星还是敏捷卫星，在地面集中管控的模式下，从收集用户需求、用户需求筹划、多星协同调度、单星任务规划等全过程的研究已基本可以实现对成像卫星可靠且有效控制。基于地面集中管控模式的卫星任务规划流程已经被各国的卫星管控部门广泛接受，而且业务已经十分熟练，为成像卫星的推广和高效利用奠定了坚实的基础。然而，随着卫星能力的提升和用户要求的提高，对卫星运控的可靠性和资源利用率的要求也随之升高，基于地面集中管控模式的卫星任务规划已逐渐无法满足所有用户的成像需求，例如在2016年浙江丽水泥石流等突发事件中，为了调用我国资源系列成像卫星对泥石流区域进行成像，需要花费大量的人力对卫星成像计划重新编排并上注，并且在卫星图像回传并经过分析之前，即使是经验丰富的操作人员也很难提出下一步成像任务，导致整个链路时间过长，无法很好地响应时效性要求较高的需求。
技术实现思路
本专利技术要解决的技术问题是针对现有卫星地面集中管控模式规划时间长，任务执行效率低，且不能根据环境变化实时规划的问题，提出了一种充分利用历史规划方案的经验进行机器学习，通过星上自主规划来提高卫星任务规划效率的基于机器学习的成像卫星自主任务规划方法。为解决该问题，本专利技术所采用的技术方案是：基于机器学习的成像卫星自主任务规划方法，包括以下步骤：步骤1：根据地面上注的任务预处理信息，获取到本轨的元任务信息，并将本轨元任务按照可见时间窗开始时间进行排序；步骤2：当当前时间与排在元任务序列第一的元任务可见时间窗的开始时间有α时间间隔的提前量时，将该元任务设为当前元任务。步骤3：提取当前元任务的特征变量，通过基于机器学习的星上自主任务决策模型判断是否执行当前元任务，如果判断为执行，则输出当前元任务的观测时间窗，在观测时间窗开始时执行当前元任务，如果不能执行，则删除当前元任务；步骤4：判断是否已经规划完本轨元任务，如果已经规划完，则结束，否则返回步骤2。进一步地，所述元任务的特征变量是指元任务的实时任务特征变量、实时卫星特征变量、实时场景特征变量。进一步地，所述基于机器学习的星上自主任务决策模型的训练方法是：步骤3.1：从历史规划方案库中提取出历史元任务的特征变量以及决策结果组成样本训练集和测试集；步骤3.2：使用训练集通过机器学习算法在地面对自主任务决策模型进行训练；步骤3.3：使用测试集对训练后的自主任务决策模型进行验证评价，当正确率大于所允许的阈值时，得到训练好的自主任务决策模型；步骤3.4：将训练好的自主任务决策模型嵌入到星上。进一步地，所述步骤3中执行当前元任务之后，还包括步骤3’:检查元任务序列中的后续元任务，删除掉与当前元任务冲突的元任务,并更新元任务序列，所述冲突是指由于当前元任务的执行，导致某个元任务剩余的可见时间不足以完成整个观测或导致两个元任务之间的空余时间不足以完成卫星的姿态机动；进一步地，将已经执行的元任务特征变量和决策结果发送给地面，添加到历史规划方案库中，对自主任务决策模型学习训练。进一步地，在步骤2之前，还包括步骤1’,当有应急任务到达时，将应急任务按照可见时间窗开始时间插入到元任务序列中.进一步地，所述任务特征变量包括任务收益、任务观测所需电量、任务观测所需存储、与当前任务冲突的任务可见时长之和、与当前任务冲突的任务收益之和；所述卫星特征变量包括卫星剩余电量、卫星剩余存储；所述场景特征变量包括剩余任务的观测所需电量之和、剩余任务的观测所需存储之和、剩余任务的收益之和。与现有技术相比，本专利技术取得的有益效果是：本专利技术基于机器学习的成像卫星自主任务规划方法，通过将元任务按照可见时间窗开始时间进行排序，然后通过基于机器学习的自主任务决策模型对元任务进行决策是否执行，每次只本文档来自技高网...

【技术保护点】
1.一种基于机器学习的成像卫星自主任务规划方法，其特征在于：包括以下步骤：步骤1：根据地面上注的任务预处理信息，获取到本轨的元任务信息，并将本轨元任务按照可见时间窗开始时间进行排序；步骤2：当当前时间与排在元任务序列第一的元任务可见时间窗的开始时间有α时间间隔的提前量时，称该提前量的时间点为决策时间点，将该元任务设为当前元任务。步骤3：提取当前元任务的特征变量，通过基于机器学习的星上自主任务决策模型判断是否执行当前元任务，如果判断为执行，则输出当前元任务的观测时间窗，在观测时间窗开始时执行当前元任务，如果不能执行，则删除当前元任务；步骤4：判断是否已经规划完本轨元任务，如果已经规划完，则结束，否则返回步骤2。

【技术特征摘要】
1.一种基于机器学习的成像卫星自主任务规划方法，其特征在于：包括以下步骤：步骤1：根据地面上注的任务预处理信息，获取到本轨的元任务信息，并将本轨元任务按照可见时间窗开始时间进行排序；步骤2：当当前时间与排在元任务序列第一的元任务可见时间窗的开始时间有α时间间隔的提前量时，称该提前量的时间点为决策时间点，将该元任务设为当前元任务。步骤3：提取当前元任务的特征变量，通过基于机器学习的星上自主任务决策模型判断是否执行当前元任务，如果判断为执行，则输出当前元任务的观测时间窗，在观测时间窗开始时执行当前元任务，如果不能执行，则删除当前元任务；步骤4：判断是否已经规划完本轨元任务，如果已经规划完，则结束，否则返回步骤2。2.根据权利要求1所述的基于机器学习的成像卫星自主任务规划方法，其特征在于：所述元任务的特征变量是指元任务的实时任务特征变量、实时卫星特征变量、实时场景特征变量。3.根据权利要求2所述的基于机器学习的成像卫星自主任务规划方法，其特征在于：步骤3中所述基于机器学习的星上自主任务决策模型的训练方法是：步骤3.1：从历史规划方案库中提取出历史元任务的特征变量以及决策结果组成样本训练集和测试集；步骤3.2：使用训练集通过机器学习算法在地面对自主任务决策模型进行训练；步骤3.3：使用测试集对训练后的自主任务决策模型进行验证评价，当正确率大于所允许...

【专利技术属性】
技术研发人员：王涛，宋彦杰，宋冰玉，陈英武，吕济民，陈盈果，陈成，陈宇宁，刘晓路，邢立宁，姚锋，贺仁杰，张忠山，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43