基于多智能体强化学习的异构卫星集群资源优化
人工智能
2025-11-18 v1
摘要
本文探讨了使用强化学习(RL)在异构卫星集群中进行资源优化的问题，旨在实现自主地球观测(EO)任务。具体而言，两个光学卫星和一个合成孔径雷达(SAR)卫星在低轨道上协同作业，以高效地捕获地面目标并管理其有限的 onboard 资源。传统优化方法难以处理 EO 操作中实时、不可预测和去中心化的特性，动机使用 RL 和多智能体强化学习(MARL)进行自适应决策。本文从单卫星场景系统性地构建了优化问题，解决能源和内存约束、部分可观测性以及因有效载荷差异导致的智能体异构性等关键挑战。基于 Basilisk 和 BSK-RL 框架构建的近真实模拟环境用于评估 MAPPO、HAPPO 和 HATRPO 等最新 MARL 算法的性能和稳定性。结果表明，MARL 能够在异构卫星之间实现有效协调，在衡量成像性能和资源利用率的同时，缓解非平稳性和智能体间奖励耦合问题。本文的发现为可扩展的自主卫星作业提供了实用见解，并为在异构和动态条件下智能 EO 任务规划提供了未来研究的基础。
引用
@article{arxiv.2511.12792,
title = {Multi-Agent Reinforcement Learning for Heterogeneous Satellite Cluster Resources Optimization},
author = {Mohamad A. Hady and Siyi Hu and Mahardhika Pratama and Zehong Cao and Ryszard Kowalczyk},
journal= {arXiv preprint arXiv:2511.12792},
year = {2025}
}