近日，我室遥感卫星地面站沈欣课题组在遥感卫星成像任务优化调度领域取得新进展，相关成果分别在地球科学与遥感期刊IEEE Transactions on Geoscience and Remote Sensing (TGRS，中科院一区)和智能计算期刊Swarm and Evolutionary Computation (SWEVO，中科院一区)在线发表。

发表在TGRS的成果“Multistrip Stitching Imaging Mission Planning Method for SAR Satellite Regional Mapping Considering Onboard Energy Consumption”（顾及在轨能源功耗的SAR卫星区域条带拼接成像任务规划方法），沈欣为第一作者，通讯作者为我室2023届博士毕业生路泽忠。

面向合成孔径雷达（SAR）卫星大区域拼接成像任务规划中载荷功耗约束的突出问题，课题组提出了一种顾及能量消耗的多条带拼接成像任务规划方法。构建了多条带拼接成像任务规划模型，以区域覆盖收益最大、载荷开机成像时间（成像功耗）最小为优化目标，以轨道选择编号、成像侧摆角系数、成像起止时刻为决策变量，实现轨道资源配置与成像动作序列的整体优化；针对决策变量规模大、类型多的问题，提出了一种混合局部搜索和差分进化策略的改进粒子群优化算法（LSDE-PSO），在搜索不同阶段对两类粒子进行差分进化和局部搜索，提高了复杂模型的寻优效率。三种不同区域规模的仿真实验结果表明，与传统启发式算法相比， LSDE-PSO算法可以在几乎相同的计算成本下获得具更高覆盖和更低任务功耗，且对不同规模任务具有一致适应性，可实现覆盖收益和在轨能耗的同步优化。

图1 LSDE-PSO的改进粒子群优化算法

发表在SWECO的成果“A Spiking Neural Network based Proximal Policy Optimization Method for Multi-Point Imaging Mission Scheduling of Earth Observation Satellite”（ 面向卫星多点目标成像任务调度的脉冲神经网络-前端策略优化方法），我室2023级博士生姚伟为第一作者，沈欣为通讯作者。

随着遥感星座规模和观测需求的迅速增长，单颗卫星需承担成像任务量陡增。面向任务规模增长和卫星资源的约束，传统依托地面的“中心化”任务规划模式面临严峻挑战。针对单星多任务高效调度需求，课题组提出了提出一种基于脉冲神经网络-近端策略优化（SNN-PPO）的卫星任务规划方法。该方法在将任务规划问题建模为马尔可夫决策过程基础上，利用脉冲神经网络的时序特性捕捉任务之间的时间关联，结合PPO算法实现稳定的策略优化；通过构建任务切换时间矩阵减少姿态调整带来的资源消耗，提高任务规划的效率，利用 SNN-PPO算法的时序捕捉能力动态优化任务顺序，实现卫星在复杂观测任务条件下的全局最优。不同任务规模、轨道类型和姿态机动能力的仿真验证表明，该方法在收敛速度、观测奖励、任务完成率等指标均能取得良好效果，在稳定性、收敛速度和鲁棒性方面优于传统启发式算法和其他强化学习方法。

图2 SNN-PPO方法框架

上述工作得到国家自然科学基金、国家重点研发计划项目资助。

TGRS论文链接：https://ieeexplore.ieee.org/document/10786914

SWEVO论文链接：https://www.sciencedirect.com/science/article/pii/S2210650225000252

据悉，遥感卫星地面站沈欣课题组主要从事遥感卫星地面运控和智能调度研究，针对敏捷卫星多模式成像任务、大区域成像任务规划开展了系统研究，相关研究成果在珞珈一号全国夜光一张图、高分三号全球陆表一张图任务规划中成功应用，团队依托遥感卫星地面站设施成功实施了“珞珈”系列卫星的在轨测控和数传任务。