太空经济的兴起,特别是大规模低地球轨道卫星星座的快速部署,导致LEO航天器数量激增,包括数以万计的卫星和数百万块太空碎片。在这种增长背景下,被称为“凯斯勒综合征”[3]的碰撞级联现象——即一次碰撞引发的后续碰撞——已经从一个理论概念转变为一个需要积极管理的实际风险。例如美国Iridium-33卫星与俄罗斯Kosmos-2251卫星之间的碰撞[4],[5],以及Starlink卫星与中国空间站之间的近距离接近[6],凸显了人造天体数量增加对空间态势感知(SSA)带来的重大挑战。精确的卫星轨道预测已从一个传统的学术课题发展成为支持太空活动安全、促进太空经济发展和维持战略稳定的关键支柱。高精度轨道预测在卫星运营商的任务规划、地面站精确指向高数据率通信,以及执行高效碰撞避免操作的太空交通管理系统中都发挥着不可或缺的作用。
传统的轨道预测技术主要分为两类,每类在精度、计算成本和适用性方面都有权衡。第一类是高精度数值传播器。这些方法被认为是轨道预测的黄金标准,通过数值积分求解卫星运动的完整微分方程。高精度数值传播器包含了高度详细的力模型,如高阶地球引力场、大气阻力、太阳辐射压力以及来自太阳和月球的第三体摄动。尽管它们提供了最高的精度,但计算成本极高。第二类包括分析或半分析传播器,其中最著名且广泛使用的是简化广义摄动4(SGP4)模型[8],[9]。由于其出色的计算效率和与全球分布的标准数据格式——两线元素(TLE)集[10]的直接兼容性,SGP4已成为航空航天行业的实际标准。然而,SGP4存在明显的局限性,预测误差可能达到几公里甚至几十公里。
近年来,研究人员开始探索使用深度学习进行轨道预测及相关轨道力学问题,利用历史数据中嵌入的复杂模式来弥补物理模型的精度缺陷[11]。一种常见的方法是构建混合模型,其中神经网络用于学习和纠正SGP4预测与高精度星历之间的误差。这些方法将轨道预测误差视为时间序列问题,通过学习历史误差模式来预测未来误差,从而纠正SGP4的输出[12],[13],[14]。尽管这些方法取得了一些成功,但它们通常将SGP4视为一个“黑箱”特征提取器,其性能仍受SGP4模型固有缺陷的限制,并且可能难以稳健地捕捉复杂的轨道动态行为。
另一个著名的例子是侯等人的研究,他们提出了一种高效的神经网络方法,通过直接学习代数开普勒方程来解决经典的双体问题[15]。通过将轨道积分转化为代数映射,这种方法成功规避了时间和空间分布的问题,展示了其在所有未受扰动轨道类型中的全局适用性。然而,这种方法也有其局限性——它无法处理受摄动影响的轨道预测。
物理信息神经网络(Physics-Informed Neural Networks, PINN)的出现在一定程度上克服了上述混合模型的局限性[16],[17]。PINN提供了一种比传统误差校正模型更根本的方法。它不是纠正简化模型的输出,而是直接学习由物理定律控制的动态系统本身。PINN的核心思想是将物理定律(以偏微分方程或常微分方程的形式)作为软约束直接整合到神经网络的训练过程中[18]。其损失函数由两部分组成:一部分是常规的数据拟合项,用于最小化网络预测与观测数据之间的差异;另一部分是物理残差项,用于惩罚网络输出对物理方程的违反。通过最小化这个复合损失函数,PINN可以学习出物理上一致且合理的解决方案。近年来,PINN已在许多科学和工程领域得到成功应用,展示了其在天体力学领域(如轨道确定和最优控制)中的巨大潜力。
然而,PINN的应用通常依赖于固定的初始或边界条件,要求解决方案从预定的时间点开始[19]。这限制了它们在轨道预测任务中的灵活性,而SGP4模型可以从任何给定TLE的时间点方便地开始预测。这种对初始条件的依赖限制了它们在卫星轨道预测中的应用。为了解决这个问题,我们提出了一种基于条件物理信息神经网络的框架。首先,我们从卫星的TLE数据中提取条件信息,并使用深度操作网络建立不同条件下的时间和卫星位置之间的映射关系。然后,我们为卫星在地球中心引力、J2摄动和大气阻力作用下的动态方程进行建模。在PINN框架内训练DeepONet,使网络不仅能够学习映射关系,还能满足动态方程施加的约束。通过对多个代表性LEO卫星进行的实验,本文验证了所提出的框架能够实现比传统方法更高的预测精度,同时确保预测的灵活性。
本文的主要贡献如下:
1) 提出了一种针对轨道预测的条件PINN框架。基于DeepONet架构,我们在PINN框架内对轨道预测进行建模,以学习从不同初始条件到连续卫星轨迹的映射。这种方法使模型能够从任意TLE时间点开始预测,有效克服了传统PINN受固定初始条件限制的局限性。
2) 为敏感的轨道动力学设计了一种梯度稳定的训练策略。我们通过引入速度作为辅助变量,并为运动学一致性和动态残差分别施加约束,构建了一个解耦的物理损失结构。这种策略确保了训练过程中的数值稳定性和快速收敛。
3) 验证了所提出模型在多卫星场景中的泛化能力。该框架被证明能够同时在单一统一模型中学习和表征在不同高度运行的多颗卫星的轨道动力学。这为LEO星座管理提供了一个可扩展的解决方案,避免了为每个单独的航天器训练和维护单独模型的工程复杂性。
本文的其余部分组织如下:第2节介绍了LEO卫星的动态方程及其无量纲化;第3节详细阐述了模型的设计,包括网络架构和损失计算;第4节描述了实验设计,包括数据集构建过程和模型训练细节,并展示了实验结果;第5节总结了整篇论文并讨论了几个潜在的未来研究方向。