AEOS-Bench&AEOS-Former团队 投稿
量子位 | 公众号 QbitAI
将卫星星座送入轨道我们都知道很难，但高效规划调度在轨卫星星座执行任务也不简单。
随着部署的星座规模越来越大，通过人力进行任务规划的效率已经赶不上卫星的任务执行效率，于是研究人员将希望寄托在了AI上。
卫星星座任务规划效果展示
卫星星座是由多颗卫星组成的协同网络，具备远超单星的全球覆盖、快速响应和高频观测能力。从美国的巨型卫星通信星座到我国的“千帆”星座，卫星星座已从科幻概念走向产业核心，成为数字经济时代的基础设施。
这些运行在距地数百公里的卫星星座，正默默支撑着遥感、通信、导航、气象预测等关键行业。但每一个稳定运行的星座背后，都藏着一个高维、动态、强约束的规划难题。如何在短短几分钟的观测窗口内，调度数十颗卫星形成协同观测网络，执行上百项任务，同时响应地震救援、海上搜救、森林火灾等突发需求？人工智能技术正在成为破解这一难题的关键钥匙。北航刘偲教授团队提出首个大规模真实星座调度基准AEOS-Bench，更创新性地将Transformer模型的泛化能力与航天工程的专业需求深度融合，训练内嵌时间约束的调度模型AEOS-Former。这一组合为未来的“AI星座规划”奠定了新的技术基准。
该研究目前已发表于NeurIPS 2025。
与单颗卫星相比，星座通过多星协同实现了覆盖范围、并行能力的指数级扩展。在抢险救灾、应急救援等场景中实现秒级响应。更重要的是，星座的分布式架构具备极强的容错性，单星故障不会导致整体系统瘫痪，这对航天任务的稳定性至关重要。但这些优势背后，随着卫星数量增多、任务变复杂，调度规划成了大难题。
卫星星座任务规划场景示意图
1. 任务量大：以美国SkySat星座为例，13颗卫星日均需处理超百项任务，扩展到21颗后，人工调控的复杂度急剧上升。
2. 时间窗口紧张：卫星绕地速度极快，地面任意区域的可观测时间常不足5分钟，任何误差都可能造成观测失败。
3. 突发任务难应对：我国“女娲星座”在灾害响应时，紧急观测任务完成率常不足60%，现有方法在高时效性需求下的响应能力有限。
4. 约束条件复杂：卫星的视场角、电池功耗、姿态调整时间等物理限制相互影响，让调度难度呈指数级上升。
任务规划关键时间节点及挑战
为了拟合真实卫星场景，北航团队基于Basilisk引擎开发了高保真仿真平台，还原了卫星在轨道动力学、姿态控制、功耗等方面的物理特性。通过精细优化卫星资产和严格筛选，形成高质量标注数据，构建了AEOS-Bench基准数据集。相比以往数据集，其核心特征如下：
1. 大规模：包含16k+个卫星星座任务场景，每个场景涵盖1~50颗卫星、50~300项成像任务及3600个时间步长，覆盖不同尺度卫星与任务规模。
2. 真实性：所有场景均在上述仿真平台生成并评估，确保卫星行为的物理准确性。本研究进一步引入从开源爬取的真实卫星数据形成测试集，支持算法在真实数据上的性能验证。
3. 全面性：AEOS-Bench涵盖任务完成率、周转时间、功耗等6类评估指标，并通过综合得分作为核心度量。
AEOS-Bench构建流程图
北航团队基于AEOS-Bench数据集训练了基于Transformer架构的内嵌约束调度模型AEOS-Former，能够在不同规模的场景有效完成卫星规划。AEOS-Former主要由以下模块组成：
1. 内嵌约束模块：显式建模卫星成像设备视场、电池状态等限制，预测任务可行性概率与最小控制时间，生成约束驱动的注意力掩码。
2. 编码器解码器实现卫星-任务匹配：嵌入卫星静态参数（轨道）与动态状态（实时姿态），借助内嵌约束模块信息，预测每个卫星与任务相关的概率，并决定下一步的匹配方案。
AEOS-Former总体架构示意图
北航团队使用AEOS-Bench基准数据集，在仿真闭环测试环境下对多个模型进行了系统评估，采用六项指标进行量化分析，涵盖任务完成度、时效性和能源效率。作为对比，测试了四个基线模型的性能，包括随机模型、优化模型以及强化学习模型。实验结果显示AEOS-Former在所有测试数据划分中均优于基线模型。
AEOS-Former与基线模型之间的性能比较
进一步从综合得分指标与完成率指标的分布可以看出，任务完成率与资源消耗之间存在权衡关系。卫星数量的增多提升了卫星之间联合观测的的能力，从而提高了任务完成率，但额外的资源消耗使边际效益逐渐趋于稳定。
综合得分指标（CS）与完成率指标（CR）结果在测试集上的分布
当人工智能注入卫星星座，让太空设施具备感知、决策与协同的自主能力，人类探索与利用太空的边界正被不断拓宽。北航团队的AEOS-Bench基准与AEOS-Former模型，不仅为卫星星座规划提供了高效解决方案，更印证了空天具身智能的巨大潜力。
当前，我们正站在新时代的起点，一起见证空天具身智能的未来蓝图。
论文链接：https://arxiv.org/abs/2510.26297项目主页：https://buaa-colalab.github.io/AEOSBench/
