一种具有时间分辨率约束的多星接力任务规划方法与流程

本发明涉及卫星观测技术领域，特别地，涉及一种具有时间分辨率约束的多星接力任务规划方法。

背景技术：

卫星遥感是当前获取对地观测数据的主要技术手段，广泛应用于国土安全、国民经济和人民生活等各个领域。卫星任务规划是卫星遥感领域优先发展的关键技术，其以最大化对地观测收益为目标，充分考虑卫星实际工作中的各种约束条件，能有效平衡或部分解决人类对数据的巨大需求与卫星观测资源相对稀缺之间的矛盾。

随着航天技术的发展，卫星载荷、地面接收、星地测控能力不断得到提升，卫星任务规划技术逐渐从单星拓展到了多星。相比于单星任务规划，多星任务规划由于所利用的卫星资源更多，其观测覆盖范围更大、观测视角更丰富、观测时效性更好。不过，由于规划过程中所面临的约束条件更为复杂、优化目标更为多样，现有多星规划系统仍然难以获得倍增于单星的观测效益，如何设计多颗卫星协同任务规划方法并实现整体观测效益最大化仍然是本领域的重点研究方向之一。

当前，在多星任务规划系统的实际应用中，通常假设地面目标只要实现一次或少数几次观测即认为观测任务已经达成。然而，随着对地面观测数据需求的不断拓展，具有时间分辨率约束的观测需求在应急观测、环境监视等实际应用场景中开始出现。所谓时间分辨率，是指在地面同一区域或目标进行的相邻两次遥感观测的最小时间间隔，一般以小时或分钟为单位。在实际的业务系统中，不同目标的时间分辨率可以不相等，因此时间分辨率约束实际上是一种多样化的卫星任务规划约束条件。对于单星任务规划系统，对观测目标的时间分辨率主要取决于卫星轨道自身的能力，目标相邻两次观测的时间时间间隔通常较长，时间分辨率较低。从原理上讲，通过多星组网协同观测来提高对地观测时间分辨率是可行的技术思路，但由于加入时间分辨率约束后多星任务规划问题较为复杂，尤其当每个待观测目标具有不同的时间分辨率要求时，目前相对成熟的解决方案并不多见。

因此，业内急需一种具有时间分辨率约束的多星接力任务规划方法的新型技术。

技术实现要素：

本发明目的在于提供一种具有时间分辨率约束的多星接力任务规划方法，通过该方法能够实现多星接力对地观测，快速形成具有多样化时间分辨率约束下的卫星任务规划方案，实现低轨卫星对地面点目标的差异化周期性观测。

为实现上述目的，本发明提供了一种具有时间分辨率约束的多星接力任务规划方法，包括：

获取卫星数据和观测目标集合数据；

根据卫星数据和观测目标位置，得到每个卫星对观测目标的访问时间窗；

根据所述访问时间窗，得到每个观测目标的不满足分辨率约束时间区间；

根据所述观测目标对应的时间分辨率，将所述不满足分辨率约束时间区间划分为多个分辨率约束时间区间；

获取所述分辨率约束时间区间对应的卫星观测特征矩阵；

将所述卫星观测特征矩阵作为预先训练的卷积神经网络模型的输入，输出所述分辨率约束时间区间对应的最优观测卫星和目标访问时间窗；

根据所述最优观测卫星和目标访问时间窗进行多星接力任务规划。

进一步的，根据所述观测目标对应的时间分辨率，将所述不满足分辨率约束时间区间划分为多个分辨率约束时间区间中，

所述分辨率约束时间区间以相邻的已规划上的观测目标访问时间窗的结束时间作为不满足分辨率约束时间区间的起点，终点为不满足分辨率区间起始时间加所述观测目标对应的时间分辨率；

其中，第一个分辨率约束时间区间的起点为不满足分辨率区间的起始时间。

进一步的，获取所述分辨率约束时间区间对应的卫星观测特征矩阵中，

所述观测特征矩阵的列为所述分辨率约束时间区间对应的卫星在前1/2和后1/2轨道周期内对观测目标观测的访问时间窗对应的特征向量。

进一步的，在根据所述访问时间窗，得到每个观测目标的不满足分辨率约束时间区间之前，还包括：

按重要性对观测目标集合进行排序；

所采用的排序方法是多属性排序。

进一步的，所述多属性排序的排序方法为：假如某目标有n个属性，先按某规则对属性a进行排序，在属性a相等的情况下再按某规则对属性b进行排序，以此类推。

进一步的，所述多属性排序的使用顺序依次为重要程度、时效要求、时域覆盖要求、观测地域。

进一步的，在按重要性对观测目标集合进行排序之后，根据所述访问时间窗，得到最重要观测目标的不满足分辨率约束时间区间，对最重要观测目标进行多星接力任务规划。

进一步的，所述方法还包括对次重要的观测目标进行多星接力任务规划；

所述对次重要的观测目标进行多星接力任务规划，包括:

判断相邻的观测目标任务规划中已安排的访问时间窗是否包含对次重要目标的观测；

若次重要目标已被观测，从次重要目标对应的不满足分辨率约束时间区间中删除已安排的访问时间窗口对应的时间，以被规划上的时间窗位置为基准，分别向时间轴前后两个方向更新各个不满足分辨率约束的时间区间，对次重要目标在更新后的两个不满足分辨率约束时间区间的观测进行规划；

若次重要目标未被观测，直接在原始不满足分辨率约束时间区间内对次重要目标的观测进行规划。

进一步的，获取的卫星数据包括卫星轨道根数、测控资源和卫星能量。

进一步的，获取的观测目标集合数据包括观测目标位置，观测目标的规划起始时间和结束时间，观测目标的时间分辨率和观测目标对应的不满足分辨率约束时间区间。

本发明具有以下有益效果：

本发明提供了一种具有时间分辨率约束的多星接力任务规划方法，该方法是一种基于启发式策略和机器学习理论的多星接力对地观测任务规划方法，解决了多样化时间分辨率约束下的目标周期性观测问题。基于本发明提供的方法，遥感卫星能够快速自动地实现对不同目标差异化周期观测，符合多星对地观测的实际应用场景，能很好地满足用户观测需求。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明方法的流程示意图；

图2是本发明基于卷积神经网络模型的任务决策模型网络结构图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。

一种具有时间分辨率约束的多星接力任务规划方法，包括：

步骤一、获取卫星数据和观测目标集合。

具体的，设定观测目标集合，设定观测目标的规划起始时间和结束时间，设定各个观测目标的时间分辨率和该目标对应的不满足分辨率约束时间区间，选择参与规划的卫星和地面站，获取规划时间段内或与规划相关的卫星轨道根数、测控资源、卫星能量等必要数据，以表格方式进行存储。

本发明适应的场景为多颗低轨卫星对地面点目标以时间分辨率为周期进行观测的任务规划场景。为避免卫星资源的浪费以及适应较短周期性观测的需求，限定在每个时间分辨率区间内至多允许多颗卫星对同一目标进行2次观测。此外，为符合实际应用需要，限定所有目标的时间分辨率均不大于24hour。同时需要指出，在某些特殊场景下，受限于卫星数目、卫星能力以及地面目标的位置，个别时间分辨率区间内可能无法实现对目标的观测。

步骤二、根据卫星数据和观测目标位置，得到每个卫星对观测目标的访问时间窗。

具体是，根据待观测目标位置、卫星轨道根数、卫星传感器观测模型计算所有参与规划卫星对观测目标的访问时间窗。

步骤三、根据所述访问时间窗，得到每个观测目标的不满足分辨率约束时间区间。

其中，地面待观测目标的时间分辨率指该目标进行相邻两次遥感观测的最小时间间隔要求，基本单位为min或hour，每个目标设置的时间分辨率可以不一致，以便更符合实际的任务规划场景。不满足分辨率约束时间区间指该目标进行观测时不满足时间分辨率约束的时间区间，初始状态该区间等于规划时间区间[time_start,time_end]。

步骤四、根据所述观测目标对应的时间分辨率，将所述不满足分辨率约束时间区间划分为多个分辨率约束时间区间。

具体的，分辨率约束时间区间以相邻的已规划上的观测目标访问时间窗的结束时间作为不满足分辨率约束时间区间的起点，终点为不满足分辨率区间起始时间加所述观测目标对应的时间分辨率；

其中，第一个分辨率约束时间区间的起点为不满足分辨率区间的起始时间。

步骤五、获取所述分辨率约束时间区间对应的卫星观测特征矩阵。

具体的，该特征矩阵类似于一幅图像，其中列为该卫星在前后各1/2轨道周期内对各个地面目标观测的目标访问时间窗对应的特征向量。各特征向量按时间先后顺序排列，并设定当前卫星对最重要目标观测窗口的特征向量作为特征矩阵的中间一列。假设中间一列特征向量对应的目标访问时间窗的中心时刻为tmid，卫星sat(j)的轨道周期为peroid(j)，该特征矩阵包含该颗卫星在时间区间中对所有目标访问时间窗所提取的特征向量。若某颗卫星在该时间区间未对最重要目标进行过观测，则其所对应的特征矩阵置为零矩阵。

步骤六、将所述卫星观测特征矩阵作为预先训练的卷积神经网络模型的输入，输出所述分辨率约束时间区间对应的最优观测卫星和目标访问时间窗；

步骤七、根据所述最优观测卫星和所述目标访问时间窗进行多星接力任务规划。

在根据所述访问时间窗，得到每个观测目标的不满足分辨率约束时间区间之前，还包括：

按重要性对观测目标集合进行排序；

所采用的排序方法是多属性排序；所述多属性排序的使用顺序依次为重要程度、时效要求、时域覆盖要求、观测地域。

所述多属性排序的排序方法为：假如某目标有n个属性，那么先按某规则对属性a进行排序，在属性a相等的情况下再按某规则对属性b进行排序，以此类推。

在按重要性对观测目标集合进行排序之后，根据所述访问时间窗，得到最重要观测目标的不满足分辨率约束时间区间，对最重要观测目标进行多星接力任务规划。

所述方法还包括对次重要的观测目标进行多星接力任务规划；

所述对次重要的观测目标进行多星接力任务规划，包括:

判断相邻的观测目标任务规划中已安排的访问时间窗是否包含对次重要目标的观测；

若次重要目标已被观测，从次重要目标对应的不满足分辨率约束时间区间中删除已安排的访问时间窗口对应的时间，以被规划上的时间窗位置为基准，分别向时间轴前后两个方向更新各个不满足分辨率约束的时间区间，对次重要目标在更新后的两个不满足分辨率约束时间区间的观测进行规划；

若次重要目标未被观测，直接在原始不满足分辨率约束时间区间内对次重要目标的观测进行规划。

本发明提供了一种基于启发式策略和机器学习理论的多星接力对地观测任务规划方法，解决了多样化时间分辨率约束下的目标周期性观测问题。基于本发明提供的方法，遥感卫星能够快速自动地实现对不同目标差异化周期观测，符合多星对地观测的实际应用场景，能很好地满足用户观测需求。

以下以一个具体的实施例，对本发明进行更清楚的阐述。

首先明确一下本发明技术方案所使用符号及其物理含义，如表1所示：

表1本发明中所使用符号及其物理含义

如图1所示，本发明提供了一种具有多样化时间分辨率约束的多星接力任务规划方法，具体包括如下步骤：

步骤(s1)、设置规划场景并进行数据准备。设定观测目标集合{target(i)}，设定规划起始时间time_start和结束时间time_end，设定各个目标的时间分辨率和各目标对应的不满足分辨率约束时间区间初始状态时，所有目标不满足分辨率约束的时间区间等于规划区间，即

选择参与规划的卫星{sat(j)}，获取规划时间段内或与规划相关的卫星轨道根数、测控资源、卫星能量等必要数据，以表格方式进行存储。规划场景设置完成后，相应形成下述表格：dic目标表、dic卫星表、dic卫星轨道根数、dic测控资源表。上述列表以序号、卫星标识、目标表示、时间等元素作为联合主键，方便后续规划时进行检索。

步骤(s2)、根据待观测目标位置、卫星轨道根数、卫星传感器观测模型计算所有参与规划卫星对各个目标的访问时间窗序列，对于第j颗卫星第k个目标访问时间窗其能观测到的目标集合记为target_win^jk。该步骤所采用的计算方法比较成熟，在此不再赘述。

步骤(s3)、采用多属性排序方法，依次根据重要程度、时效要求、时域覆盖要求、观测地域等对待观测目标重要性从大到小进行排序。

排序手段为多属性排序，首先基于目标重要程度的取值进行排序，若存在重要程度取值相同的情况，再选用目标的时效要求的取值进行排序，若上述两个属性都相同，再依次使用时域覆盖要求、观测地域等属性进行排序。在排序之前，各个目标在各个属性的取值都量化为1-10级，10为最高，1为最低，数值越高代表该目标越重要。

步骤(s4)、对最重要目标进行任务安排。具体包括以下步骤：

(s41)、将距离规划起始时间time_start最近的第一个能观测到最重要目标的访问时间窗作为第一个规划上的任务窗口，将其使用标签置为1，同时更新该目标的不满足分辨率约束时间区间其中更新为上述已规划上的第一个目标访问时间窗的结束时间，仍然等于time_end。

(s42)、从(s41)步骤中确定的不满足分辨率区间中抽取第一个分辨率约束时间区间段进行处理。该区间段的起点为不满足分辨率区间的起始时间，即终点为不满足分辨率区间起始时间+该目标的时间分辨率，即

(s43)、在第一个分辨率约束时间区间内提取每个候选的对最重要目标观测的访问时间窗口所对应的卫星的观测特征矩阵。具体方法是：

①特征矩阵提取。在内对各颗卫星分别构建一个零值特征矩阵fea_matrix^(j)，其尺寸为w×h，w＝64，h＝16，矩阵中的列放置该卫星在前1/2和后1/2轨道周期内对各个地面目标观测的目标访问时间窗对应的特征向量。

具体地，设当前卫星sat(j)对最重要目标观测的窗口为取该窗口的中心时刻为中心，将轨道周期按时间平均划分为64个格子，即w＝64。每颗卫星对最重要目标观测窗口的特征向量放置在特征矩阵的中间，该卫星对其他目标观测窗口的特征向量依据窗口时间位置量化放入到相应的格子里。由于窗口覆盖范围并非与划分格子的时间范围一一对应，根据下述规则进行放置：若当前窗口时间覆盖范围占据当前格子时间覆盖范围的80％，则该格子需要放置窗口对应的特征向量，否则该格子置为零向量。每个格子放置的特征向量包含16个特征，即进行上述操作，每颗卫星最后生成一个64×16的特征矩阵。若某颗卫星在无法实现对最重要目标的观测，则其对应的特征矩阵直接置为64×16的零矩阵。

上述步骤完成后，可以生成sat_num个特征矩阵，若将每个特征矩阵作为单独通道进行堆叠，则可生成尺寸为(w×h)×sat_num的三维多通道特征矩阵fea_matrix。

②将上述得到的fea_matrix输入到所设计的卷积神经网络模型决策中，决策出在在第一个分辨率时间区间中对最重要目标进行观测的卫星及其目标访问时间窗口，并将该窗口的使用标签置为1。

在(s43)步骤中，在各个分辨率约束时间区间内各颗卫星sat(j)的特征矩阵由前后1/2轨道周期内各个目标访问时间窗win^jk提取的特征向量构成，每个特征向量由如下16各特征组成：

执行该目标访问时间窗任务获得的收益；

该目标访问时间窗能够观测到所有目标的优先级之和；

该目标访问时间窗的时间长度；

该目标访问时间窗距离当前分辨率约束时间区间起点的距离百分比；

该目标访问时间窗距离当前分辨率约束时间区间终点的距离百分比；

该目标访问时间窗距离前一个目标访问时间窗的距离百分比；

该目标访问时间窗距离后一个目标访问时间窗的距离百分比；

执行该目标访问时间窗任务所需的能量；

执行该目标访问时间窗任务所需的存储空间；

在本分辨率约束时间区间内sat(j)的观测次数；

在本分辨率约束时间区间内sat(j)的所有观测任务的冲突程度；

在本次轨道周期内sat(j)的观测次数；

在本次轨道周期内sat(j)的所有观测任务的冲突程度；

该目标访问时间窗后一个轨道周期内sat(j)的所有观测任务的总收益；

该目标访问时间窗后一个轨道周期内sat(j)的所有观测任务的所需的总能量；

该目标访问时间窗后一个轨道周期内sat(j)的所有观测任务的所需的总的存储空间。

在上述特征中，为依据当前目标访问时间窗直接提取的特征，考虑了观测任务的收益、时空分布和所需卫星的资源状态，其中距离百分比在计算时需要将相应距离除以目标的时间分辨率；主要考虑卫星工作时可能出现的冲突情况，其中和中冲突程度的计算主要考虑的是在多个观测任务时因为模式切换条件不满足导致的冲突，假设本分辨率约束时间区间和本次轨道周期内观测任务个数分别为m和n，其中任意两次任务x，y的冲突值记为sxy(1为冲突，0为不冲突)，则的设计是为了避免短视，考虑该窗口之后一个轨道周期内目标访问窗口的情况，若后续观测任务的收益不高，能量和存储空间需求不大，则当前窗口安排上的可能性就要大一些。

(s44)、在第一个分辨率时间区间处理完以后，从(s41)步骤中确定的不满足分辨率区间中抽取第二个分辨率约束时间区间段进行处理。该区间段的起点为(s43)中已规划上目标访问时间窗口的终止时间，终点重复(s43)步骤中的特征矩阵提取和神经网络决策过程，决策出在在第二个分辨率时间区间中对最重要目标进行观测的卫星及其目标访问时间窗口，并将该窗口的使用标签置为1。

(s45)、重复(s43)步骤，依次对后续的分辨率约束时间区间段进行处理。直至最重要目标当前的不满足分辨率约束时间区间小于该目标的时间分辨率，或者在不满足分辨率约束时间区间之内已无法对最重要目标进行观测为止。

步骤(s5)、对次重要目标进行任务安排。具体包括以下步骤：

(s51)、检查步骤(s4)中已安排上的最重要目标的访问时间窗是否包含对次重要目标的观测。若已被观测，从次重要目标对应的不满足分辨率约束时间区间中删除已安排目标访问时间窗口对应的时间。具体而言，假设已安排的窗口中可以对次重要目标进行观测，则从次重要目标的不满足分辨率约束时间区间中减去时间区间作为更新后次重要目标的不满足分辨率约束时间区间。

(s52)、在次重要目标的不满足分辨率约束时间区间内重复步骤(s42)至(s45)，实现对次重要目标的任务规划。

步骤(s6)、对后续各目标依次按步骤(s5)中的方法进行规划，直至生成对所有目标多样化时间分辨率约束下的多星接力任务规划任务。需要指出，在对当前目标进行任务安排前，需要从已规划上的所有其他目标访问时间窗中检查当前目标是否已经被观测过，并从当前目标对应的不满足分辨率约束时间区间减去相应的时间区间。

本实施例中对每一个分辨率约束时间进行任务决策的卷积神经网络模型如图2所示。该模型是一个三维卷积神经网络，包含输入层、卷积池化层、全连接层和输出层4个部分。

输入层输入的是步骤(s43)生成的三维特征矩阵fea_matrix。

卷积池化层包含3个卷积层2个池化层，其主要的作用是提取样本集的特征。三个卷积层分别使用8、8、4个卷积核，生成8、8、4通道的卷积特征图卷积核的尺寸分别为5×5，3×3，3×3。卷积时使用了padding技术，即在卷积前对输入数据外围进行补零，以此使得卷积前后数据的尺寸保持不变。池化层使用maxpooling方法，但仅考虑水平方向的池化，即池化窗口为1×2，其理由在于在竖直方向分布的是从不同物理含义提取的卫星或目标访问时间窗的特征量，进行池化操作难以作合理的解释。

全连接层为3层全连接神经网络，各层节点数分别未256，128，64，其主要的作用是基于前面卷积池化层得到的特征进行特征融合和分类。

输出层仅包含1层，共satnum个节点，每个节点的取值量化为0或1，分别表示未规划上和已规划上。根据同一分辨率周期对同一目标至多2次观测的假设，这里要求每次输出时至多有1个节点输出为1。

本实施例中卷积神经网络的训练过程是：

①训练样本集的生成:从历史规划方案库中抽取符合本发明适用场景的任务规划方案，根据步骤(s43)中的步骤提取1000个以上目标访问时间窗对应的特征矩阵作为样本值，根据其规划决策结果设定标签值，样本值和其对应的标签值一一对应形成训练样本集。

②使用训练样本集对所设计的卷积神经网络模型进行训练。

在该网络的训练中，采用经典的交叉熵函数作为损失函数，优化算法并选择adam优化算法进行优化。训练参数设置情况为：迭代次数iteration_num＝100，learnrate＝0.001，训练误差train_error设置为0.000001，批训练数目batchsize＝50。

本发明针对多星多目标差异性周期观测问题，融入启发式策略和卷积神经网络方法实现了一种解决方案。基于本发明提供的方法，遥感卫星能够快速自动地实现对不同目标差异化周期观测，符合多星对地观测的实际应用场景，能很好地满足用户观测需求。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。