基于光電探測數據的空間目標智能識別、定位及定軌綜述

中圖分類號：P225.2 文獻標志碼：A 文章編號：2095-2945（2025）20-0114-04

Abstract：Withthecontinuous developmentof space detection technology，photoelectric detection technologyhas becomean importantmeansofspacetargetidentification，positioningandorbitdetermination.Thispaperreviewstheresearchstatusand progressofintellgentidentifcation，positionngandorbitdeterminationofspacetargetsbasedonptoelectronicdetectiondata. Traditionalorbitdeterminationmethodsmainlyrelyonphysicalmodelingandstatisticalfiltering，butastheamountofdata increasesandcomplexityincreases，deep learning technologyhasgraduallshownadvantagesinspacetargetrecognitionandorbit detemination.Thispaperdiscussesindetailtheaplicationofthetargetdetectionalgorithmofthedeplearningframeworkin spatialtargetrecognition.Futureresearchwillcontiuetofocusonmulti-sourcedatafusioneficientcomputingand3Dscene target recognition to promote the further development of space detection technology.

Keywords：spacesituationawareness；depleaming;targetrecognition；targetorbitdetermination；photoelectricdetection technology

空間探測科技始于20世紀中期，當時蘇聯發射了世界上第一顆人造地球衛星，開啟了人類探索太空的歷程。隨著人類對太空的探索和利用日益增加，空間目標的種類和數量顯著增長。包括現役衛星、廢棄衛星、火箭殘骸和其他空間碎片等，這些目標的存在增加了空間碰撞的風險，對空間資產的安全構成了嚴重威脅。及時準確地識別和跟蹤這些空間目標對于防止碰撞、保障航天任務的安全至關重要。

隨著探測技術的發展，光電和雷達探測技術成為了應用最廣泛的空間目標探測手段。光電探測利用光學傳感器獲取自標的影像和光譜信息，適用于高分辨率成像和詳細特征識別。雷達探測通過發射和接收電磁波，能夠全天候、遠距離地獲取自標的距離、速度和形狀信息。兩者數據相融合可以彌補單一探測手段的不足，提高目標識別和定軌的精度和可靠性。

空間態勢感知（SSA）是指對空間環境及其變化進行全面、持續的監測和分析。SSA系統需要實時、準確地獲取空間目標的狀態信息，包括位置、速度、軌道等，以便對潛在威脅進行預警和應對。智能識別、定位和定軌技術是構建高效SSA系統的重要組成部分，能夠幫助實現空間環境的主動監測和管理。

近幾年來，隨著人工智能（AI技術的迅猛發展為空間目標識別和定軌帶來了新的機遇。深度學習、機器學習等AI技術在圖像處理、模式識別和數據分析中的應用，使得自動化、智能化的自標識別和軌道確定成為可能。AI技術能夠從大量探測數據中提取有用信息進行特征提取分析和分類，從而提高識別效率和準確度。

同時，全球主要航天國家和組織，如美國、俄羅斯、中國以及歐洲航天局等，都在積極發展和部署各自的空間目標探測和態勢感知系統。同時，國際間的合作與競爭并存，各國在探測技術、數據共享和應對策略上不斷探索新的方法和途徑。智能識別和定軌技術的進步將為國際空間安全合作和空間資源利用提供重要支撐。

綜上所述，基于光電或雷達探測數據的空間目標智能識別、定位和定軌研究，不僅具有重要的科學研究價值，更在保障空間安全、提升空間態勢感知能力方面具有廣泛的應用前景。

1國內外研究綜述

1.1光電探測數據的空間目標識別、定軌

1.1.1 光電探測數據的空間目標識別

光電探測系統利用光學望遠鏡收集空間目標反射或發射的光信號，通過成像系統和探測器將光信號轉換為電信號，再經過信號處理和圖像處理技術提取目標的特征信息。以下是對該領域的國內外研究現狀的詳細綜述。

地基光電探測系統的現狀。地基光電探測系統在全球多個國家有較為廣泛的應用。例如美國的地基深空光電探測系統（GEODSS）對分布在軌道高度為5600～40000km 的空間目標具有較高的探測能力，能夠觀測到高度為 40000km 的足球大小物體。該系統采用微光攝像技術，可以在白晝和夜間分別獲取到8等星和16.5等星目標的數據。美國空軍毛伊光學系統（AMOS）位于夏威夷毛伊島，隸屬于美國空軍研究實驗室，用于測試和評估先進的光學測量系統。該系統擁有一臺 3.67m 先進光電望遠鏡（AEOS），結合先進的傳感器，用于空間目標監測和跟蹤；日本在Bisei空間中心安裝了多臺望遠鏡，口徑從 25cm 到 1m 不等，視場從76^′×76^′ 到 2^°×2^° ，主要用于探測地球同步軌道上的空間碎片；俄羅斯的\"傘\"（3OHTИK）系統是一個典型的地基光電測量設備，主要應用于軍事對抗，用于精確識別和高靈敏探測軌道上的敵方空間軍事系統。其系統包含發現與測量軌道參數的設備、光學干擾設施、無線電干擾設施、無線電導航設備干擾設施以及控制與處理中心5個部分。

天基光電探測系統的現狀。地基觀測系統的主要缺陷是受地理位置限制，無法覆蓋全球范圍，導致對某些區域的觀測存在盲區。為了克服這一缺陷，天基觀測系統應運而生。美國的空間中段監視試驗衛星（MSX）系統上裝載了紫外可見成像儀與光譜成像儀、天基可見光相機和空間紅外成像望遠鏡，波段探測范圍從紫外到熱紅外。MSX于1996年發射，驗證了天基空間目標觀測技術的可行性；天基紅外系統（SBIRS）包括高軌道和低軌道衛星，用于全球范圍內的導彈監測和跟蹤。高軌道衛星主要對特定戰區進行精確探測和跟蹤，低軌道衛星則組成一個監視網絡，提供快速的全球覆蓋。

中國在空間自標光電監測方面也取得了較大進展。我國在空間目標光電監測方面已經取得顯著進展，建成了初步的空間目標監測網，具備對空間目標的常規檢測和預警能力。設備包括小型化光電探測設備（定位精度 5\"～10\" ，可探測9到10等星）和大型光電探測設備（定位精度 3\"～5\" ，可探測10到12等星）。我國積極推進“亞太地基光學空間物體觀測系統（A-POSOS）”的建設，以增強國際合作和監測能力。總之，我國在空間目標探測和識別方面已經取得了一定的進展，但為了進一步發展自主空間目標探測系統和完善空間目標探測識別技術，還需要在技術創新、數據處理能力提升以及克服環境挑戰等方面做出更多努力。

1.1.2 光電探測數據的空間目標定軌

在定軌算法研究方面，空間目標軌道確定一般分為初始軌道確定和精確定軌2個階段。初始軌道確定采用設備測量的方位、俯仰、距離等參數，計算出目標的粗略空間位置和速度。在此基礎上，利用批處理、最小二乘法及各類濾波算法對初始軌道參數進行修正，提高定軌精度。首先，初始軌道確定方法包括Laplace、Gauss等經典方法，以及近年來發展的Lancaster法、Blanchard方法等。這些方法將空間目標運行軌道簡化為二體動力學問題，通過測量設備獲取的方位、俯仰、距離等參數，建立非線性模型并進行軌道參數求解，無需先驗軌道估計。其次，精確定軌方法：在初始軌道確定的基礎上，通過長弧段測量數據進行軌道修正，主要方法包括最小二乘法和卡爾曼濾波法。最小二乘法在軌道確定和參數估計中應用廣泛，通過處理觀測數據的殘差平方和最小化，達到提高軌道確定精度的目的。卡爾曼濾波法則適用于實時遞推計算，是現代控制理論中的一個重要成果。經典卡爾曼濾波算法存在有偏估計和發散問題，因此擴展卡爾曼濾波（EKF）和無跡卡爾曼濾波（UKF等改進算法得到了廣泛應用。

在定軌軟件發展研究方面，國內外不同的研究單位都開發了各自特色的空間目標軌道確定軟件系統，這些軟件在基本算法上大同小異，但在數據處理細節和實現方法上有所不同。首先，國外定軌軟件：GAMIT/GLOBK，由麻省理工學院（MIT）和斯克利普斯海洋研究所（SIO）研制，用于GPS綜合分析，采用最小二乘算法處理載波相位數據。GIPSY/OASIS，由美國宇航局噴氣推進實驗室（JPL）研制，采用非差觀測模式和卡爾曼濾波方法處理GPS數據。BERNSE，由瑞士BERNSE大學研制，具有強大的定軌和地球自轉參數估算功能。STK，由AGI公司開發，具有多功能模塊，廣泛應用于航天和導彈任務。DORIS，由法國國家空間研究中心等機構共同研制，采用雙頻多普勒方法實現衛星精密定軌和地面精確定位。其次，國內定軌軟件：SHORDE，由上海天文臺開發，具有多級復弧法等創新成果。PAN-DA，由武漢大學衛星導航定位技術研究中心開發，可處理星載GPS、地面GPS、SLR等多類跟蹤數據，精度達到厘米級。

1.2基于深度學習的光電探測數據的空間目標識別、定軌

光電探測數據在空間目標識別和定軌中具有重要地位，傳統方法主要依賴于物理建模和統計濾波。然而，隨著光電傳感器技術的發展，數據量和復雜度的增加，對數據處理和分析提出了更高的要求。深度學習作為人工智能的一種前沿技術，能夠處理大量非線性和復雜關系的數據，逐漸在空間目標識別和定軌領域得到了應用。

1.2.1基于深度學習的光電探測數據的空間目標識別隨著深度學習和計算機視覺技術的不斷發展，目標檢測網絡模型能夠更加高效、準確和靈活識別出物體的類別和精度，如圖1所示。目前，基于深度學習的目標檢測算法主要分為2類：單階段目標檢測算法和兩階段檢測算法。常見的單階段目標檢測算法有YOLO和SSD等。常見兩階段目標檢測算法有R-CNNβ、SPP-Net、FastR-CNN和FasterR-CNN等，方法總結對比見表1。

YOLO是一種常見的單階段目標檢測算法，其將目標檢測問題轉化為一個回歸問題，通過一次前向傳播同時預測自標類別和邊界框。其適用于需要實時監控和快速響應的空間目標識別任務，例如監測衛星軌道，避免碰撞。

FasterR-CNN是一種常見的兩階段目標檢測算法，包括候選區域生成和區域分類2個步驟，能夠精確定位和識別目標。其適用于高精度的空間目標識別任務，如識別高軌道上的小衛星和碎片，并發出警報，防正這些物體對在軌衛星和航天器造成威脅；處理多種不同類型的空間目標，對于需要細粒度分類和識別的任務非常適用。

筆者認為通過結合計算機視覺領域的YOLO、FasterR-CNN等技術，可以為光電探測數據的空間目標識別任務提供高效且高精度的目標檢測和識別保障，為空間監測和安全管理提供有力支持。

1.2.2基于深度學習的光電探測數據的空間目標定軌

不同的深度學習模型架構在軌道估計中具有不同的應用。以下是一些常用的網絡模型以及其作用： ① 卷積神經網絡（CNN）主要用于處理圖像和序列數據，適用于從光學觀測圖像中提取目標軌道信息。 ② 遞歸神經網絡（RNN）和長短期記憶網絡（LSTM）適用于處理時間序列數據，能夠建模軌道變化的時間依賴性。生成對抗網絡（GAN）用于生成模擬軌道數據，輔助訓練和驗證軌道估計模型。同時，基于深度學習的軌道預測模型能夠實時更新目標軌道，提供高精度的軌道估計結果。 ③ 可以結合深度強化學習（DRL），通過不斷優化軌道估計策略來提高預測精度。DRL結合了強化學習和深度學習的優勢，通過智能代理與環境的交互來學習最優策略。智能代理在每個時間步采取行動，從環境中獲得獎勵，并更新其策略以最大化累積獎勵。強化學習模型搭建具體來說，在環境和狀態表示中，在軌道估計中，環境通常由觀測數據和物理模型組成。狀態表示包括當前的軌道參數和觀測信息，如位置、速度、加速度等。通過深度神經網絡，可以從這些復雜的觀測數據中提取特征，表示為狀態。在動作空間中，動作空間定義了智能代理可以采取的操作，例如調整軌道參數（如半長軸、離心率、傾角等）或選擇新的觀測策略。每個動作會影響下一時間步的軌道狀態。而獎勵函數的設計是

DRL的核心，直接影響學習效果。在軌道估計中，獎勵函數可以設計為軌道預測的精度，例如預測軌道與真實軌道的誤差反向量化（即誤差越小，獎勵越高）。

總體來看，全球范圍內在基于光電和雷達探測數據的空間目標智能識別、定位和定軌方面的研究取得了顯著進展。未來的研究將繼續關注多源數據融合、自主學習和高效計算等領域，推動空間探測技術的進一步發展。

2 結束語

本文系統研究了基于光電探測數據的空間自標智能識別、定位與定軌技術，深入分析了當前研究的關鍵技術與主要挑戰。研究表明，深度學習等人工智能方法在該領域展現出顯著優勢，但仍存在數據質量、計算效率等方面的改進空間。區別于光電探測數據的圖像空間目標識別，筆者認為可以結合目前計算機視覺領域的神經輻射場（Nerf）或者3D高斯濺射技術（3DGaussianSplatting，3DGS）l來解決光電探測數據的3D空間目標識別問題。其實現步驟規劃如下：首先，使用多視角傳感器（如激光雷達、紅外攝像頭等）獲取目標的3D數據。其次，將多視角數據轉換為點云，表示目標的3D形狀和位置。最后，通過已有的3D技術，從點云中重建目標的3D表面。這樣做的意義在于從不同的視角觀測識別的目標和姿態，比2D圖像的更加直觀

參考文獻：

[1]王誠.地球靜止軌道大空域光電監測技術研究[D].哈爾濱：哈爾 濱工業大學，2019.

[2]王翔.基于多弧段測量數據的低軌空間目標精確定軌方法研 究[D].哈爾濱：哈爾濱工業大學，2017.

[3]JIANGP，ERGUD，LIUF，etal.Ayeview ofyoloalgorithmdevelopments[J].Procedia computer science，2022，199： 1066-1073.

[4]LIU W，ANGUELOV D，ERHAN D，et al. Ssd：Single shot multibox detector [Cy/Computer Vision-ECCV 2016： 14thEuropean Conference，Amsterdam，The Netherlands， October11-14，2016，Proceedings，Part I14.Springer International Publishing，2016：21-37.

[5]HEK，GKIOXARIG，DOLLARP，et al.Mask r-cnn[CV/ Proceedings of the IEEE international conference on computervision，2017：2961-2969.

[6] PURKAIT P，ZHAO C，ZACH C. SPP-Net：Deep absolute pose regression with synthetic views [J]. arxiv preprint arxiv： 1712.03452，2017.

[7]GIRSHICK R. Fast r-cnn [C]/Proceedings of the IEEE international conference on computer vision，2015：1440-1448.

[8]REN S，HE K，GIRSHICKR，et al.Faster r-cnn：Towards real-time object detection with region proposal networks[J]. Advances in neural information processing systems，2015：28.

[9] MILDENHALL B，SRINIVASAN P P，TANCIK M， et al. Nerf：Representing scenesas neural radiance fields for view synthesis[J].Communications ofthe ACM，2021，65（1）：99-106.

[10] WU T，YUAN Y J，ZHANG L X，et al. Recent advances in3d gaussian splatting [J].Computational Visual Media， 2024：1-30.