《Sensors》：Multi-Task iSpikformer for LEO Maneuver Detection and Parameter Estimation
编辑推荐：
低地球轨道（Low Earth Orbit, LEO）机动分析仍具挑战性，因为机动事件稀疏且持续时间短，而准确分析需要从长多变量跟踪序列中同时进行机动检测、起始时间定位和连续三维速度增量（Δv）估计。为应对这些挑战，提出了一种改进的多任务iSpikformer
低地球轨道（Low Earth Orbit, LEO）机动分析仍具挑战性，因为机动事件稀疏且持续时间短，而准确分析需要从长多变量跟踪序列中同时进行机动检测、起始时间定位和连续三维速度增量（Δv）估计。为应对这些挑战，提出了一种改进的多任务iSpikformer框架，用于从多变量跟踪时间序列中联合进行低地球轨道机动的检测、起始时间定位和三维速度增量估计。该模型在统一的多任务框架内结合了局部卷积编码器、堆叠脉冲Transformer块和任务特定输出头。采用事件中心监督、难负样本优化和稳健Δv回归来改进稀疏机动检测和连续参数估计。对于全场景推理，通过边界感知事件提取和基于验证的校准，将重叠窗口的预测融合并转换为离散机动事件。与分别处理机动检测和参数估计或依赖传统密集序列建模的方法不同，所提出的框架从共享时间表示中联合学习机动发生、起始位置和三维Δv。在类星链LEO轨迹合成数据集上的评估表明，所提方法实现了0.9018的F1分数、14.54秒的起始时间平均绝对误差（MAE）、0.0307 m/s的分量Δv MAE和0.1302 m/s的向量均方根误差（RMSE）。与代表性基线方法相比，所提方法在保持相当起始定位精度的同时，表现出改进的机动检测性能和更准确的Δv估计。推理步长分析进一步表明，在中等步长范围内，推理时间可大幅减少，而检测和估计性能变化有限，而过大的步长则降低了检测灵敏度。因此，所提出的框架为事件级LEO机动分析提供了统一的数据驱动方法，并展示了脉冲时间建模在联合机动检测和连续轨道参数估计中的适用性。
论文解读：基于多任务iSpikformer的低轨卫星机动检测与参数估计框架
一、研究背景与问题
低地球轨道（LEO）中可机动卫星数量持续增长，对空间态势感知和轨道目录维护提出了更高要求。未被检测到的机动可能导致传播轨道与实际轨迹之间的偏差，进而影响后续定轨和目标跟踪。传统机动检测方法主要依赖轨道要素历史变化分析、定轨残差或序贯滤波，虽具有物理可解释性，但其性能受观测节奏、测量质量、动力学模型精度以及机动后观测可用性的制约。近年来的数据驱动方法虽在机动分类或区间检测方面取得进展，但多数研究仅聚焦于单一任务，对机动发生、起始时间与速度增量（Δv）的联合估计探索不足。此外，稀疏事件、类别不平衡和窗口边界效应进一步影响事件级检测与参数估计的准确性。现有基于Transformer的模型如iTransformer和iSpikformer虽能建模多变量时间序列的长程依赖，但原始iSpikformer面向连续预测任务设计，无法直接支持事件中心监督、全序列事件提取以及机动起始时间和Δv的多任务估计。因此，亟需一种能够从原始LEO跟踪时间序列中联合解决机动检测、起始时间定位和三维Δv回归的统一框架。
二、研究内容与结论
针对上述问题，研究人员开发了一种改进的多任务iSpikformer框架，在统一流水线中联合处理机动检测与参数估计。该框架在共享时间表示基础上同时学习机动发生、起始位置和三维Δv，实现了事件级LEO机动分析。在类星链合成LEO轨迹数据集上的评估表明，所提方法在事件级F1分数达到0.9018，起始时间MAE为14.54秒，分量Δv MAE为0.0307 m/s，向量RMSE为0.1302 m/s。与基线方法相比，所提方法在机动检测性能和Δv估计精度上均有提升，同时保持相当的起始定位精度。推理步长分析显示，在中等步长范围内可大幅降低推理时间且性能变化有限，而过大步长会降低检测灵敏度。该研究验证了脉冲时间建模在联合机动检测与连续轨道参数估计中的适用性，为LEO机动分析提供了统一的数据驱动途径。
三、关键技术方法
研究人员主要采用了以下关键技术方法：一是多任务脉冲Transformer架构，结合局部卷积编码器、堆叠脉冲Transformer块和任务特定输出头，其中脉冲Transformer块采用带相对位置偏置的多头注意力、LIF神经元动力学和前馈网络；二是事件中心目标构建，将每个机动事件转换为高斯形状软目标用于检测监督，并在精确事件中心处进行起始偏移和Δv回归监督；三是多任务目标函数设计，结合焦点损失与难负样本选择的检测损失、基于Smooth L1的起始偏移和Δv回归损失以及虚警正则项，并采用回归损失预热策略；四是全场景推理策略，通过重叠窗口处理和帽形权重融合减少边界不连续，再经边界感知局部峰值提取和基于验证集的联合校准生成离散机动事件。数据集来源为Baudier等人公开的合成LEO卫星轨迹数据集的类星链子集，包含150个由Orekit飞行动力学库生成的12小时轨迹场景，训练集和测试集按场景划分。
四、研究结果
4.1 整体机动检测性能：在事件级别，所提方法达到精确率0.9411、召回率0.8656和F1分数0.9018；场景级宏平均F1分数为0.9071，两者差异仅0.0053，表明聚合策略对整体评估影响不大。多数测试场景的F1分数分布在0.8至1.0之间。
4.2 起始时间定位性能：在30秒事件匹配容差下，匹配事件的MAE和绝对误差中位数分别为14.54秒和14.63秒。将容差从30秒增至60秒时，召回率从86.56%提升至91.16%；进一步增至120秒时召回率达91.43%，表明额外匹配事件主要在前一次容差扩展中获得。
4.3 Δv估计性能：对于匹配的内部事件，所提方法实现分量MAE 0.0307 m/s、向量RMSE 0.1302 m/s、幅值MAE 0.0483 m/s和平均角度偏差14.12°。误差分布集中于零附近，较大偏差出现在少数高幅值速度增量事件中。
4.4 基线对比：与CNN、TCN、BiLSTM和Transformer等基线相比，所提iSpikformer的F1分数为0.9018，高于传统基线模型；起始定位误差与各模型相当。在Δv估计方面，所提方法取得最低的分量MAE和向量RMSE。与非脉冲变体相比，脉冲模型检测到更多匹配事件并减少约3.54%的漏检，但以更多误报为代价。平均脉冲率为49.61%，反映稀疏事件驱动激活特性。
4.5 消融分析：移除事件中心目标使F1分数从0.9018降至0.8633；排除难负样本优化进一步降至0.8041；移除局部卷积编码器导致最大性能下降，F1分数为0.7635，表明各组件均对最终性能有贡献。
4.6 推理步长分析：推理步长在5至75个样本之间时，F1分数保持在0.8984至0.9019范围内，起始时间和Δv估计误差变化有限。步长从5增至25时，推理时间从305.53秒降至70.60秒；步长增至100时F1分数降至0.8754且召回率降低。默认配置选择步长25以平衡计算效率与预测性能。
五、讨论与结论
讨论部分指出，所提框架通过多任务设计实现了机动发生、时间信息和物理参数从共享时间表示中的联合学习，相比仅关注检测或分类的方法更具综合能力。与常规基线相比，所提方法取得有竞争力的F1分数和更低的Δv估计误差；与非脉冲变体的受控对比表明，脉冲模型在起始时间和Δv估计误差上更低且识别更多匹配事件，但以略低的F1分数和更多误报为代价。消融分析证实事件中心目标、难负样本选择和局部时间编码对整体性能的贡献。平均脉冲率49.61%表明脉冲表示具有稀疏激活特性，但实际计算效率优势需硬件级评估验证。局限性包括：仅基于合成数据集评估，真实跟踪观测和不同测量不确定性下的泛化能力需进一步研究；当前主要考虑单星机动分析，未涵盖不完整观测、多目标交互和高度不规则机动模式；脉冲架构的计算效率优势未在硬件层面直接评估。结论部分指出，该研究提出的多任务脉冲Transformer框架在合成LEO轨迹数据集上实现了事件级F1分数0.9018、起始时间MAE 14.54秒、分量Δv MAE 0.0307 m/s和向量RMSE 0.1302 m/s。推理步长分析表明步长从5增至25可将推理时间从305.53秒降至70.60秒且性能基本保持。未来工作应评估更广泛数据集上的框架性能，系统分析不同观测和机动场景下的鲁棒性，改进困难事件检测，开发自适应推理和后处理策略，并开展包括计算复杂度、参数量、硬件级延迟、内存和能耗在内的综合效率评估。
