大规模星座化是卫星发展的必然趋势，如美国正大力建设“星链”（Starlink）和大规模弹性作战太空体系（PWSA）等星座架构。遥感星座也正在朝着大规模多体制星座发展，卫星数量大幅增加，可执行的任务数量更多，观测的连续性、覆盖性得到大幅提升。大规模遥感星座能够支撑更丰富和复杂的任务，例如执行高动态变化场景下弱小暗弱目标探测任务，需要多星多载荷协同感知、多星协同任务自主分配等能力。然而，规模带来的提升也使得多星间的协同模式更复杂，时效性更高，星间的任务与信息交互需求更加迫切，因此星座网络化与智能化发展需求也更加迫切。 面对剧增的卫星数量和多样化的星群协同样式，传统按预设规则的固定协同模式难以应对复杂动态场景，难以满足星座多源信息在轨融合、任务与资源自主管理调度等需求。因此，迫切需要构建大规模星座智能自主协同技术，实现星座的自主、自治。因此，本文围绕大规模遥感星座智能自主协同技术，针对星座资源共享与管理、多源探测信息智能融合和多星协同任务自主管理三个方面的关键技术进行梳理，并全面调研大规模星座自主协同技术的典型应用案例，这使得我们不仅能够更好地理解现有技术体系的优势与局限性，还有助于为后续科研探索提供有价值的参考依据，以满足未来航天任务日益增长的需求和挑战。 早期遥感星座中多星协同观测通常采用串联式构型，如Cluster/Phoenix，由多颗卫星组成的编队进行地球电磁场测量，但协同操作仍然依赖地面控制。 美国国防部高级研究计划局（DARPA）提出了“黑杰克”（BlackJack）星座项目，旨在开发和演示一个可扩展的近地轨道卫星星座，提供全球持续覆盖和低延迟的关键数据分发。BlackJack包括了高空红外传感器、无线发射机、光学通信等多个功能层和有效载荷，覆盖了超视距感应、信号和通信、情报、监视等多个领域，实现了对地海空的持续监控。 美国于2019年成立了太空发展局（SDA），目前正在建设“国防太空架构”（NDSA），后更名为PWSA，是由数百颗卫星组成的一个低地球轨道扩散型多层“网状网络”。其包含传输层、跟踪层、监控层、威慑层、导航层、作战管理层和地面支持层七个功能层，全面提升天基信息网络多域通联、情报感知、指挥控制决策、战略评估与支援的能力，支撑未来全域作战目标。 通过分析遥感星座发展趋势，可发现遥感星座正在朝着大规模多体制星座发展，卫星数量大幅增加，可执行的任务数量更多，观测的连续性、覆盖性得到大幅提升，多星间的协同模式更复杂，时效性更高，星间的任务与信息交互需求更加迫切。因此，需要构建大规模星座智能自主协同技术，实现星座的自主、自治。国防太空架构如图1所示。 分布式星座资源共享与管理技术 对于大规模分布式星座，研究资源共享与管理技术，对多节点、异轨、异构星群进行综合管理调度，支撑上层应用运行，是星座智能自主协同的关键基础。其中就包括了分布式星座网络体系架构、星座资源虚拟化与动态编排以及异构星座数据与算法共享迁移三个方面的关键技术。 （1）分布式星座网络体系架构 随着星群规模扩大，研究其分布式资源管理体系架构变得关键，该体系架构常以软件定义形式呈现。软件定义是将高耦合度硬件标准化、抽象化，解耦成独立部件，围绕部件建立抽象层，通过接口等实现原硬件功能，再用控制软件部署管理硬件资源。 软件定义网络（SDN）架构分离控制平面和转发平面，打破设备封闭性，使网络更开放，其核心是用软件掌控硬件资源。然而，此架构中卫星节点资源受限，通过地面站配置耗时多，且卫星无法识别参与新增服务业务。软件定义卫星网络（SDSN）体系结构模型为卫星网络发展提供新思路。SDSN架构分为应用层、管理层、控制层和转发层，并通过网络编程的方式达到灵活配置网络的目的。 （2）星座资源虚拟化与动态编排 遥感星座的资源复杂、设备众多且个体异构。为最大化大规模星座资源的有效利用效率，关键在于对星座中异构计算资源进行虚拟化。网络功能虚拟化（NFV）通过通用硬件和虚拟化技术将网络节点功能转化为软件形式。如图2所示，NFV将网络功能与专用物理设备分离，在通用硬件上部署虚拟机实现虚拟网络功能（VNF），再连接多个VNF组成服务功能链，提供端到端服务。NFV为星群网络带来诸多益处，如减少卫星设备节点部署管理成本、提高服务交付灵活性与可重配置性，还能促进星地融合网络发展。 地面网络中虚拟化服务多采用虚拟网络功能映射实现资源分配与编排，但在卫星网络场景中，此类部署实例较少。由于星群网络需考虑星群运动的时空大跨度特性、星载计算存储资源受限、用户需求多样等问题，且其动态拓扑结构与地面网络有本质区别，故地面网络成熟的服务功能编排架构或方法无法直接应用于星群场景。因此，通过基于服务功能链编排的资源动态管控、基于星群网络的服务功能链编排架构以及算法这三个方面的星座资源动态编排管控技术对此进行解决。 （3）异构星座数据与算法共享迁移 分布式星群处理的数据涉及多源或多模态，它们在语义和格式上存在差异性、相关性和互补性，分析并对齐这些信息在不同表征空间中非常重要，是数据云化共享的基础。数据对齐算法通常通过将不同模态的全局特征向量映射到共享空间中。例如，CLIP模型通过图像文本对比学习和对比损失函数，实现了高效对齐；ImageBind模型则学习多模态数据在共享空间的嵌入，实现更广泛的模态对齐。 不同的星座传感器信息、硬件环境、计算资源等存在较大的差异，大规模参数、模型等难以动态迁移。为了解决模型在从源星座迁移到目标星座以后会发生适配的问题，需要根据星座的硬件环境以及计算资源自主进行模型压缩，包括以下几种主流的方法：参数剪枝、量化以及知识蒸馏。参数剪枝通过修剪预训练的冗余的非信息权重完成模型压缩；量化通过减少表示每个权重所需的比特数来压缩原始网络；知识蒸馏让具有更强能力的大模型作为“教师”模型监督训练参数量更小的“学生”模型以实现模型的压缩。 多源探测信息融合处理技术 多源探测信息融合处理技术对异构遥感星座中不同平台和载荷产生的多源数据进行关联并融合产生更加精准的信息后，输出探测目标的速度、位置、类型等更高层次信息。其关键技术主要分为两个方面，其一是多源数据关联技术，其二是智能融合处理算法。 （1）多源数据关联技术 传统多目标跟踪通常分为关联-滤波两步。在数据关联方面，常用算法有最近邻（NN）、全局最近邻（GNN）、概率数据关联（PDA）、联合概率数据关联（JPDA）与多假设跟踪（MHT）等。但这些算法对杂波敏感且计算量大，不利于提升跟踪的实时性和有效性。 与传统数据关联方法不同，基于随机有限集的数据融合无需先进行数据关联，减少了计算时间，能更稳定、准确地解决多目标估计问题。在此基础上，概率假设密度（PHD）滤波算法被提出，突破了传统数据关联方法，计算量小且估计精度高，易于实现。 视频目标跟踪（VOT）通过建模目标外观和运动来估计轨迹和状态信息。受深度学习在视觉识别竞赛中的突破及视频目标跟踪挑战启发，基于深度学习的方法在视觉跟踪领域备受关注。基于深度特征的外观跟踪器凭借分层学习能力优于手工特征跟踪器。当前多数VOT方法从架构、骨干网络、学习方式、训练数据集、网络目标函数及深度特征利用类型等方面不断改进和探索，成为运动目标跟踪的重要研究课题。 （2）智能融合处理算法 多源探测信息融合是将不同传感器提供的目标或环境特征信息整合为统一特征表达的过程。在多传感器系统中，各传感器信息具有不同特性，如模糊与确定、时变与非时变、实时与非实时等。数据融合模拟人脑处理复杂问题，通过合理利用各传感器及其观测信息，组合空间和时间上的互补与冗余信息，依据优化准则产生一致性解释，提升系统有效性。其目标是多级别、多方位和多层次处理独立观测信息，生成单一传感器无法获得的有意义新信息，代表性的有卡尔曼滤波算法和神经网络算法。 遥感图像融合技术分像素/数据级别、特征级别和决策级别。像素级融合是将多源原始数据合并成单一分辨率数据，使其更具信息量和综合性。特征级融合提取不同数据源特征，组合成特征图用于后续处理，常需精确配准图像。决策级融合合并多算法结果产生最终决策，分软融合和硬融合，方法有投票法、统计法和基于模糊逻辑的方法。深度学习发展提升了遥感图像处理效果，也影响了融合技术。它能针对全色可见光、多光谱、高光谱、激光雷达、合成孔径雷达、红外光等不同类型数据提取特征。基于深度特征提取的融合方法分同构融合和异构融合。同构融合包括空谱融合和时空融合；异构融合指激光雷达-光学、合成孔径雷达-光学等融合，因成像机制不同，多采用特征级和决策级融合方法。 多星协同任务自主管理技术 随着星群规模的增大，传统的任务管理技术的应用也遇到了挑战。一方面，传统单一的多星协同架构在大规模、异构的星座上难以应用，另一方面，传统的多星任务规划算法也难以适应日益复杂的探测需求。本部分将先后调研多星协同架构、多智能卫星系统通信方式和多星协同任务规划算法的研究现状。 （1）基于多智能体的多星协同架构 多星协同任务自主规划问题一般采用多智能体模拟多个自主卫星，通常依据智能体的交互能力、知识管理、规划能力等方面，可以将航天器的智能水平划分为I4~I1四个等级，智能水平依次递增。I4为最低的智能水平，只具备接收与执行的能力，对应传统的地面管控模式中的卫星，只负责执行上注指令。I1为最高智能水平，这样的卫星具备知识管理、自主规划与交互协商能力，能够形成高效稳定的“自组织”系统。 系统中卫星的智能水平构成决定了系统的协同架构与模式。多智能卫星的协同通用结构主要可以分为四种：自顶向下架构（亦称为主从式，从星不可向主星反馈）、集中式架构（从星可向主星反馈）、集中-分布式架构（多星群多主星）、分散式架构（亦称为完全分布式）。 （2）多智能卫星系统通信方式 在多智能体（Agent）系统中，通信方式对系统运行效率与稳定性至关重要。多Agent系统的通信方式可分为局部通信和广播通信两种方式。 局部通信是Agent间直接信息交互，无中间机构，信息不可存储，需建立特定双向连接，能避免集中式通信失效瓶颈，提升系统稳定性与鲁棒性。 广播通信类似联合系统，可对交互信息分组管理，Agent通过共享数据存储空间提高信息存取效率，并由控制器提取所需信息。 综合来看，局部通信和广播通信可结合使用，全局同步信息用广播传播效率高，局部协商信息用局部通信更合适。目前基于多智能体的多星协同架构多用于小规模星群任务协同，架构较固定、模式单一，而面向大规模星座复杂任务的自主协同需求，能随任务弹性自组织架构是未来发展趋势。 （3）多星协同任务规划算法 多星协同任务自主规划问题，在求解策略上分为基于规则的启发式算法、基于搜索迭代算法、基于神经网络训练的人工智能算法3类。 基于规则的启发式算法是最常见的卫星任务规划算法，也是工程中最常用的规划算法，许多学者针对多星协同任务规划具体场景，针对性地研究了启发式规划。启发式方法优势是算法简单，求解速度快，可解释性强，缺点是全局优化效果难以保障。 考虑到多星协同任务规划是NP-hard问题，为了达到更好的优化效果，许多学者采用遗传、模拟退火等典型组合优化算法来求解多星任务规划问题，取得了非常好的效果。但是基于搜索迭代的算法的缺点是，求解时间长、效率低，难以适应星上有限的算力条件和实时响应任务的需求。 基于神经网络训练的人工智能算法能够将庞大的优化计算量前置，通过大量场景学习训练后的模型具备根据输入快速优化求解的能力。因为可以在多星任务规划问题中，在优化效果和求解速度上达到兼顾的效果，利用强化学习算法解决多星协同观测任务规划问题也成为了当前的研究热点。 大规模星座智能自主协同技术有一些典型应用。这些系统通常需应对复杂的空间环境和动态变化的任务需求，有效调度星座内各卫星资源、确保任务高效执行并实现整体目标的最优解。通过总结现有成功案例和技术方案，可以提炼出适应不同任务类型和星座架构的最佳实践，期望能够识别出大规模星座在实际部署中遇到的关键瓶颈问题，并探索潜在的技术革新方向。 观测规划与分析工作站 观测规划与分析工作站（CPAW）由美国轨道逻辑公司（Orbit Logic）开发，可集成于卫星地面管控系统中进行成像卫星的任务规划，能够显著提升卫星成像数量和收益。CPAW规划系统由高真实度的卫星模型、多种先进调度算法组成，并且适应于单星任务规划或多星协同规划问题。如图3所示，CPAW规划系统通过其用户操控界面中的2D或3D显示模块以可视化的方式在任务场景中展示规划结果。
星上自主规划系统
星上自主规划系统(APS)在美国空军实验室主导下，由Orbit Logic公司开发。APS规划系统主要由专用自主规划单元（SAPAs）和主自主规划单元（MAPA）组成。其中不同SAPA通过装载不同算法用于处理特定任务的规划问题。MAPA汇集多个SAPA生成的特定任务规划方案并基于卫星资源进行冲突识别与消解，最终将可行方案发送至星上任务执行单元。
Pit Boss
Pit Boss是Blackjack项目核心功能套件，旨在构建可扩展、大规模、自适应的近地轨道系统，自动、协作实现分布式天基网络，无需人工操作卫星，快速自主完成任务，处理并向各类用户分发信息。任一区域在任一时间将由数颗BlackJack节点卫星监视，并随着星座内卫星在轨道面内运行，执行监视任务的节点卫星将不停轮换。
作战管理层
2020年6月，SDA征集PWSA中监管、导航与跟踪层的作战管理（BMC3）层模块方案。BMC3层集成PWSA各功能层，通过指挥控制等提供自动化天基任务管理能力，保障地面人员应对新兴威胁。BMC3软件系统中，任务应用程序/服务在容器编排平台运行，依任务优先级和资源可用性管理。BMC3层可自主调度资源、消除任务冲突，重点在高效自主协同任务管理，提升跨域平台多载荷协同观测高动态目标能力。
元星座系统
“元星座”（MetaConstellation）系统是帕兰提尔公司（Palantir）于2021年9月发布的下一代情报产品，其定位为利用卫星星座的能力为决策者提供行星级的情报，用于决策支持。元星座系统通过整合438颗商业卫星，提供光学、SAR和红外等多种传感器数据，分辨率可达1m以下。用户可通过互联网随时调用这些卫星数据，即使在地基指挥网络瘫痪的情况下，也能基于Starlink随时随地上传或下载情报，保障作战任务的快速完成。
如图4所示，“元星座”系统整体架构分为三层，分别是卫星星座层、底层引擎层和上层系统层。底层引擎层包括了边缘侧人工智能引擎（EdgeAI），底层持续交付引擎（Apollo），以及来自Pilot.ai、赛利恩特（Xailient）、明德福瑞（MindFoundry）三家算法供应商的AI模型。上层系统层，包括部署在云端的元星座后端服务器，前端访问的硬件Skykit边缘智能情报套件，以及Starlink接收终端。
