我们提出了一个新的用于低地球轨道的 RSO 分类法来增强空间交通管理，并且提出了基于自编码器架构的深度学习模型，以减少表示 RSO 特征的属性。该自编码器生成一个低维空间表示，然后使用 Uniform Manifold Approximation and Projection 等技术探索并识别基于 RSOs 独特特征的基本群集。我们的分类法和模型为缓解轨道上不断增加的 RSOs 所带来的整体风险做出了重要贡献。

Nov, 2023

通过建立隐藏马尔可夫模型，利用碰撞数据消息的概率序列，研究预测两个空间物体碰撞风险的可行性，并使用贝叶斯统计推断模型参数的联合分布，从而开发出可靠的概率预测模型，进一步验证了碰撞警告具有马尔可夫属性的观点，并提出了进一步深入研究的建议。

Nov, 2023

通过使用预训练的轨道模型，本文提出了一种改进基于机器学习的空间交通管理任务性能的新方法，称为 ORBERT，并展示了该模型利用大量现有的轨道数据学习有意义的表示，并用于辅助下游任务。作为此方法的概念验证，我们考虑了全相机互测任务，并展示了利用无标签轨道数据可以提高性能，并且该方法尤其对于标记数据有限的任务特别有益。

Dec, 2023

2025 年太阳活动周期达到高峰时，单个地磁风暴对居住空间物体轨道的显著影响，大气密度预测技术对空间态势感知至关重要。本研究通过开发基于非线性转换器的架构，改进了以往用于大气密度预测的线性传播方法，通过从历史大气密度数据中学习多层权重，捕捉数据集中的长期依赖关系，实现了大气密度预测。同时，比较了以前使用的基于动态模式分解与控制（DMDc）和基于转换器的传播器的经验性 NRLMSISE-00 和 JB2008 以及基于物理的 TIEGCM 大气密度模型的预测效果。

Oct, 2023

通过利用信息论分析模型中隐藏层中的潜在表达来解释决策过程，研究论文使用了 PEEK 方法，使得我们能够了解 You Only Look Once v5（YOLOv5）目标检测模型在解决低地球轨道（LEO）中的非合作和未鉴别空间碎片的自主小型追逐卫星的几何确定和安全飞行轨迹规划方面的优势、局限性和偏差。

Nov, 2023

使用高斯过程 python 软件包 MuyGPyS 进行 Closely-Spaced Objects（CSO）分类，研究表明 MuyGPyS 在更具挑战性的情况下优于传统的机器学习方法。

Nov, 2023

本文提出了一种基于局部对比度和最大似然估计的低信噪比杂线提取方法，可高效检测信噪比为 2.0 的空间物体，具有高速和高精度，保证了在高动态目标提取方面具有广泛应用前景。

Sep, 2023

使用加速的 3D 高斯模糊投射技术，在轨道上实现对不明卫星的几何映射和高准确度组件检测，从而实现自主导航和控制任务。

Jun, 2024

为了解决巨大的数据缺口和评估方法的挑战，本研究提出了一种模拟增强基准评估框架，以有效地训练和评估深度卷积神经网络探测器对居民空间物体的探测，其中模拟数据和图像分辨率的量是评估探测方法的高准确性和有效性的两个关键因素。

Apr, 2023

本文介绍了 FedLEO，一种应用于卫星边缘计算的联邦学习框架，可以快速收敛且不牺牲模型准确度，并优化了通信调度策略。

Feb, 2023