面向卫星模式生活识别的扩散模型学习
机器学习
2025-10-28 v3 计算工程、金融与科学
摘要
随着地球轨道卫星数量的指数级增长，有效的太空情报变得关乎碰撞预防和可持续运营。当前的卫星行为监测方法依赖专家知识和基于规则的系统，规模性差。针对卫星模式生活 (PoL) 识别这一核心监控任务——分析如定点维持和漂移操作等行为——现有方法不成熟，因航天系统复杂性、操作变异性及不一致的轨道元素来源。我们提出一种新颖的生成方法，用于卫星 PoL 识别，显著减少对专家知识的依赖。该方法利用轨道元素和位置数据，实现从观测数据中直接的自动模式发现。我们的实现采用扩散模型框架进行端到端识别，无需人工细化或领域专业知识。该架构结合多变量时序编码器以捕获卫星位置数据的隐藏表征，以及条件去噪过程以生成准确的 PoL 分类。通过在多样真实卫星运营场景中的实验，我们的方法在不同数据质量特征下展现出优异的识别质量和鲁健性。案例研究表明，该方法在实际卫星数据上的应用，为运营行为模式识别、跟踪及太空情报提供了变革性潜力。
引用
@article{arxiv.2412.10814,
title = {Learning Satellite Pattern-of-Life Identification: A Diffusion-based Approach},
author = {Yongchao Ye and Xinting Zhu and Xuejin Shen and Xiaoyu Chen and S. Joe Qin and Lishuai Li},
journal= {arXiv preprint arXiv:2412.10814},
year = {2025}
}