一种大规模空间目标碰撞风险快速检测方法及系统与流程

本发明涉及空间目标碰撞预警，特别是涉及一种大规模空间目标碰撞风险快速检测方法及系统。

背景技术：

1、随着人类航天活动的日益频繁，近地轨道编目目标数量已超过3.5万个，并且仍在快速增长。在空间目标碰撞预警中，需要对编目中任意两个目标之间进行碰撞风险评估（all-vs-all）。若采用高精度monte carlo仿真对每一目标对进行精细计算，其计算复杂度为o(n²)，对1.8万个目标而言，约产生1.62亿个潜在碰撞对，现有算力无法承受。因此，业界普遍采用预筛选机制：先以快速但粗略的方法过滤掉绝大多数安全目标对，再将有限的计算资源集中用于高风险事件的精细分析。

2、现有预筛选技术主要分为以下几类：

3、（1）基于几何滤波的接近事件预筛选。例如，专利cn114327919b公开了一种基于tle根数与sgp4模型的空间目标碰撞预警方法，通过计算任意两目标之间的最小接近距离（miss distance），并利用预设的距离阈值（如5km）进行几何粗筛。该方法依赖简化的二体动力学假设，忽略了高阶摄动力（如大气阻力变化、日月引力等）对轨道的长期影响，容易遗漏因摄动偏移导致的真实风险（漏检）。此外，距离阈值依赖人工设定，缺乏自适应性，阈值过大导致伪警过多，阈值过小增加漏检风险。

4、（2）基于ai辅助轨道传播的交会筛选。petrov、vanslette等人于2024年提出利用神经网络加速轨道传播，再基于预测位置进行距离阈值判断。该方法虽然加速了单次轨道外推，但预筛选仍需对所有目标对执行ai轨道传播+距离判断，无法从根本上改变o(n²)的评估框架，且仍依赖距离阈值，无法学习隐藏的风险模式。

5、（3）基于传统优化方法的观测调度。专利cn120952470a采用改进蚁群算法与分支定界方法求解多星协同观测调度问题，属于运筹优化范畴，不涉及机器学习，且面向对地观测场景，而非碰撞预警预筛。

6、综上所述，现有技术存在以下缺点：漏检风险高、阈值依赖性强且缺乏自适应性、无法利用历史数据中的隐藏相关性、计算负载与目标数量平方耦合，难以应对未来巨型星座时代十万级目标的全目录实时预警需求。

技术实现思路

1、为解决上述问题，本发明提出了一种大规模空间目标碰撞风险快速检测方法及系统。

2、本发明的主要内容包括：

3、一种大规模空间目标碰撞风险快速检测方法，包括以下步骤：

4、s1：获取编目数据库中所有在轨目标的轨道根数，生成全量目标对列表；

5、s2：将所述全量目标对列表中的每一目标对的轨道特征序列输入预先训练好的深度学习二分类器，所述深度学习二分类器输出相应目标对的风险分数，所述风险分数表示相应目标对存在碰撞风险的概率；

6、其中，所述轨道特征序列是指从相应目标对的轨道数据中提取的、用于表征其相对运动状态的一个或多个特征向量的有序集合；

7、步骤s3：将所述风险分数与预设的安全阈值进行比较，将风险分数低于所述安全阈值的目标对标记为安全目标对并排除，将风险分数高于或等于所述安全阈值的目标对标记为高危候选对；

8、步骤s4：对所述高危候选对执行完整摄动力模型的monte carlo仿真，得到每一高危候选对的碰撞概率；

9、步骤s5：根据所述碰撞概率生成分级碰撞预警报告。

10、优选的，所述轨道特征序列包括多个预报历元下分别提取的特征向量，各特征向量按时间顺序堆叠形成时序特征矩阵，所述多个预报历元包括当前历元及至少两个未来历元。

11、优选的，每个预报历元下的特征向量包括以下特征中的至少一部分：半长轴差、偏心率差、倾角差、升交点赤经差、近地点幅角差、平近点角差、径向位置差、切向位置差、法向位置差、径向速度差、切向速度差、法向速度差、最小接近距离解析估算值、相对速度模。

12、优选的，所述深度学习二分类器包括：

13、一维卷积神经网络编码器，用于对输入的轨道特征序列进行局部空间特征提取；

14、全连接神经网络分类器，连接于所述一维卷积神经网络编码器之后，用于基于提取的特征输出所述风险分数；

15、sigmoid输出层，用于将输出映射至[0,1]区间作为风险分数。

16、优选的，所述深度学习二分类器通过以下方式训练：

17、从编目数据库中选取目标对，对每一选取的目标对执行采用完整摄动力模型的monte carlo仿真，以仿真输出的碰撞概率是否超过预设风险阈值作为正负样本标注标准；

18、采用focal loss作为损失函数，并设置正样本权重系数和聚焦参数；

19、采用adam优化器对模型参数进行优化。

20、优选的，所述monte carlo仿真采用包括高阶重力场、大气阻力、太阳光压、第三体引力在内的完整摄动力模型，且仿真打靶次数不少于次。

21、优选的，还包括阈值调优步骤：在所述深度学习二分类器训练完成后，使用独立的验证集，遍历多个候选安全阈值，选择满足漏检率≤0.1%的条件下安全对过滤率最高的阈值作为所述预设的安全阈值。

22、优选的，在s4执行monte carlo仿真之前，还包括：将所述高危候选对按所述风险分数从高到低进行降序排序，形成高危优先队列；所述monte carlo仿真按照所述高危优先队列的顺序依次执行。

23、优选的，还包括闭环优化步骤：将步骤s4中monte carlo仿真得到的碰撞概率结果，连同对应的目标对轨道特征，作为新的标注数据回灌至训练数据集，周期性或触发式地对所述深度学习二分类器进行增量微调。

24、本发明还提出了一种大规模空间目标碰撞风险快速检测系统，包括：

25、数据获取模块，配置为获取编目数据库中所有在轨目标的轨道根数，生成全量目标对列表；

26、深度学习预筛模块，配置为将每一目标对的轨道特征序列输入预先训练好的深度学习二分类器，输出该目标对的风险分数；

27、阈值过滤模块，配置为将所述风险分数与预设的安全阈值进行比较，将风险分数低于所述安全阈值的目标对标记为安全目标对并排除，将风险分数高于或等于所述安全阈值的目标对标记为高危候选对；

28、高精度仿真模块，配置为对所述高危候选对执行monte carlo仿真，得到每一高危候选对的碰撞概率；

29、预警报告生成模块，配置为根据所述碰撞概率生成分级碰撞预警报告。

30、优选的，还包括队列排序模块，配置为在所述高精度仿真模块执行之前，将所述高危候选对按所述风险分数从高到低进行降序排序，形成高危优先队列；所述高精度仿真模块按照所述高危优先队列的顺序依次执行。

31、优选的，还包括闭环反馈模块，配置为将所述高精度仿真模块输出的碰撞概率结果，连同对应的目标对轨道特征，作为新的标注数据回灌至训练数据集；以及增量学习模块，配置为周期性或触发式地利用更新后的训练数据集对所述深度学习二分类器进行增量微调。

32、与现有技术相比，本技术具有以下有益效果： 通过深度学习从海量历史仿真数据中自动学习碰撞风险模式，能够捕捉几何滤波难以识别的复杂非线性危险场景，极大地降低漏检率；采用“ai预筛+精筛”的漏斗架构，仅对预筛后极小比例的高危候选对执行昂贵的monte carlo仿真，大幅降低计算资源消耗；此外，通过闭环优化机制利用monte carlo仿真结果持续更新训练集并进行增量微调，使预筛模型能够自适应轨道环境的动态变化和编目目标的持续增长；最后，通过focal loss、正样本加权和阈值调优等手段系统性地偏向保守策略，宁可多标记伪警也决不遗漏真实高危事件，进一步保证了安全性。