本研究旨在通过确定增加卫星自主性所需的系统级需求，并引入三个基于人工智能的组件，共同解决它们，从而缩小问题所在的差距。这些组件包括需求估计器，离线计划器和实时引擎，它们的交互作用及如何将现有模型纳入框架和未来工作方向也在研究中讨论。

Dec, 2021

本研究提出了一个双目标优化模型，名为具有可变图像时间的敏捷地球观测卫星观测调度问题(OSWVID)，并设计了三个多目标基因算法来解决该问题，分别为PD+ NSGA-II，LA+ NSGA-II 和ALNS+ NSGA-II。在现有实例的基础上，本研究通过广泛的模拟实验，分析了这三种算法的关键参数优化、算子演化和效率。

Jul, 2022

本文研究了一个主动成像敏捷地球观测卫星（MOSP）的多带观测调度问题。我们提出了一个双目标优化模型和一个自适应双目标域搜索算法，该算法集成了自适应大领域搜索算法（ALNS）和非支配排序遗传算法II（NSGA-II）的综合能力。实验结果表明，ALNS和NSGA-II的联合工作产生了卓越的性能，我们的模型比现有模型更多功能，可以更好地解决应用问题。

Jul, 2022

该研究测试了一个名为Romie的决策支持工具在类似火星环境下，由模拟宇航员自行安排任务时的表现，分析了宇航员面临的挑战和必要的自主能力，旨在对长时间太空探测任务的技术挑战提出解决方案。

Jan, 2023

本研究探讨了如何使用图神经网络（GNN）更有效地调度纳米卫星任务，并将优化问题表示为二分图。同时，应用可解释性人工智能（XAI）确定对学习表现影响最大的要素。结果表明GNN对于调度纳米卫星任务是一种可能有效的方法，并突出了可解释性机器学习模型在挑战性组合优化问题上的优点。

Mar, 2023

该论文提出了一种针对低地球轨道下CubeSat任务调度进行优化的分层强化学习方法，该方法通过集成相似性注意力编码器（SABE）进行任务优先级排序和多层感知器（MLP）进行能源消耗预测，实现了全局任务分配的高层策略和实时调整的低层策略，从而创建了一个安全和容错的CubeSat任务调度系统。通过模拟结果验证了分层强化学习方法在任务收敛性和成功率方面的优势，相对于MADDPG模型和传统随机调度，在多个CubeSat配置下表现出更好的性能。

Sep, 2023

小型卫星的超级星座已经演变成大量珍贵数据的来源。为了高效管理这些数据，本文介绍了一种适用于通过星间链路连接的卫星星座的机载联邦学习调度方案。该方案利用卫星与地面站之间的可预测可见性模式，既在个体卫星级别上，也在整个轨道上累积地，以减轻间歇性连通性问题，并充分利用可用时间。为此，使用了两个不同的调度器：一个用于协调轨道之间的联邦学习过程，另一个用于控制各个轨道内部的过程。这两个调度器合作确定在地面站进行全局更新的适当时机，然后根据直到下次全局更新的可用时间，为每个轨道内的卫星分配适当的时间段进行本地训练。这个方案可以在更短的时间内提高测试准确性。

Feb, 2024

在动态环境中，高效利用卫星资源仍然是卫星排程中的一个具有挑战性的问题。本文解决了多卫星集合排程问题（m-SatCSP），旨在优化在云覆盖等不确定条件下对卫星星座进行任务排定。通过使用蒙特卡洛树搜索（MCTS），探索了两个版本的MCTS来有效地安排卫星。进行超参数调整以优化算法的性能。实验结果表明了MCTS方法的有效性，在解决质量和效率方面均优于现有方法。与其他排程算法的比较分析展示了有竞争力的表现，将MCTS定位为动态环境卫星任务排程的一个有前景的解决方案。

May, 2024

本研究解决了地球观测卫星调度中的优化问题，该问题面临请求观测数量过多和约束条件复杂的挑战。本文提出了一种基于图神经网络和深度强化学习的新方法，通过从图中提取信息并驱动搜索，从而优化观测的选择与调度。结果表明，该方法在小规模问题上学习有效，能够推广到更大的实际应用中，并与传统方法相比表现出极具竞争力的性能。

Aug, 2024

本研究解决了低地球轨道 debris 增加对航天安全构成的威胁，以及主动去除 debris (ADR) 任务规划复杂性的问题。论文提出了一种基于深度强化学习的自主决策规划模型，能够训练轨道转移飞行器 (OTV) 最优去除 sequencing，并能够自主适应动态轨道条件和任务要求。该模型的应用将显著提高 ADR 任务的经济性和技术有效性。

Sep, 2024