《Remote Sensing》：A Knowledge-Guided Factor Graph Neural Network for Event Detection in Simulated Non-Cooperative Space Targets
编辑推荐：
基于空间光学观测的非合作空间目标在线异常事件检测是确保空间安全的迫切需求，特别是针对姿态和轨道机动事件等突然状态变化。然而，现有方法以地基监测和离线分析为主，而天基在线方法仍在发展中，且难以处理观测尺度变化下的任务。为解决该问题，研究人员提出了一种知识引导的因
基于空间光学观测的非合作空间目标在线异常事件检测是确保空间安全的迫切需求，特别是针对姿态和轨道机动事件等突然状态变化。然而，现有方法以地基监测和离线分析为主，而天基在线方法仍在发展中，且难以处理观测尺度变化下的任务。为解决该问题，研究人员提出了一种知识引导的因子图神经网络（Knowledge-Guided Factor Graph Neural Network, KG-FGNN）。构建了一个异构图来建模目标属性、行为、观测条件和图像特征之间的高阶关系。然后，设计了一种双置信度动态加权机制，根据观测尺度自适应调整节点和边的置信度。最后，引入双向时域残差，利用图像序列中的前向和后向预测误差显式地将突然事件与正常演变解耦。在模拟数据集上的实验结果表明，KG-FGNN在跨尺度观测场景下实现了比现有方法更高的事件检测精度，且性能稳定。该研究为天基光学图像序列中的在线事件检测提供了一种有效的技术途径，并有助于提升空间态势感知能力。
**研究背景与问题**：空间安全要求从天基平台实时检测非合作空间目标的突然异常事件（如姿态和轨道机动）。现有方法多依赖地基监测和离线分析，天基在线方法发展不足，难以应对动态场景（如交会对接）中的时敏感知需求。主要挑战包括：1）多变量耦合导致观测特征难以解耦；2）方法缺乏尺度适应性，观测距离变化时特征漂移严重。
**研究内容与结论**：研究人员提出一种知识引导的因子图神经网络（KG-FGNN），通过构建异构图编码领域知识，设计双置信度动态加权机制适应跨尺度观测，并引入双向时域残差显式解耦突然事件。在硬件在环仿真数据集上，KG-FGNN在姿态机动起始/结束、轨道机动加速/减速四类事件上取得总体F1分数0.844，优于现有方法，并在信噪比（SNR）≥10 dB时保持可靠检测性能。该工作发表在《Remote Sensing》。
**主要技术方法**（不超过250字）：关键技术包括：1）多元关联异构图：根据光学成像物理原理，将目标属性、运动状态、观测条件等因果节点与图像特征节点连接，编码因果-特征关系作为结构化先验。2）双置信度动态加权机制：以目标短边像素数为观测尺度指标，通过可学习的Sigmoid函数计算节点置信度和边置信度，在消息传递中动态调整特征重要性，实现跨尺度鲁棒性。3）双向时域残差解耦机制：在因子图神经网络（FGNN）中引入时域建模，通过前向和反向门控循环单元（GRU）预测当前帧，利用预测误差（残差）剥离正常演变模式，显式分离突然事件。样本队列来源：硬件在环仿真生成三个目标（高分六号、北斗二号M5/G2）的140条图像序列，包含280次姿态/轨道机动事件，距离50–1000 km。
**研究结果**：
**4.3.1 检测性能**：KG-FGNN在测试集上总体F1分数为0.844。不同目标中，北斗二号M5和G2表现接近（0.850和0.869），高分六号较低（0.765）。事件类型中，姿态机动起始和结束F1均为0.930，轨道机动加速和减速为0.800和0.703，表明轨道机动检测更困难。
**4.3.2 对比实验**：与基于视线角的方法（SPOMD）和基于光变曲线的方法（TA-LSTM）相比，KG-FGNN在10帧（0.67秒）窗口下优于所有基线，包括标准FGNN、CNN-LSTM和Transformer，验证了知识引导和时域残差的有效性。
**4.3.3 消融实验**：分别移除知识引导（-A）、动态加权（-B）、用图卷积网络替换FGNN（-C）、移除时域残差（-D）、仅用事件检测损失（-E），总体F1分别下降5.3、2.4、9.5、15.3、1.4个百分点，证实各组件协同作用。
**4.3.4 模型可解释性可视化**：学习的节点置信度曲线显示，像素计数、灰度统计、形状和纹理特征在短边像素数<20时置信度低，光谱和时域特征在低分辨率下仍保持较高置信度，符合物理先验。边置信度热图表明因果-特征依赖关系具有物理可解释性。时域残差响应热图显示，无事件样本残差最低，姿态机动残差强于轨道机动，且残差强度与检测性能排名一致。
**4.3.5 噪声适应性评估**：引入混合泊松-高斯噪声（信噪比SNR 5–30 dB）后，经噪声增强训练，KG-FGNN在SNR≥15 dB时总体F1稳定在0.79–0.80，SNR=10 dB时约0.75，SNR=5 dB时降至0.691，姿态机动仍保持>0.75，表明对中等噪声具有鲁棒性。
**讨论与结论**：讨论部分分析了性能影响因素：地球反照导致高分六号性能下降（光谱可分性指数0.304 vs 0.691）；轨道机动检测更难因中远距离像素变化微小且视线角变化依赖速度方向；检测距离和成像几何共同影响性能，近距离但几何剧烈变化时性能下降。当前研究存在事件建模简化、仿真数据局限性及缺乏在轨部署验证等不足。未来工作将完善机动模型、扩展目标类型、融入真实噪声，并在实际硬件平台上验证。
**研究结论**（翻译原文）：为解决模拟天基光学观测中非合作空间目标突然异常事件的在线检测问题，研究人员提出了一种知识引导的因子图神经网络。它构建了一个异构图来建模目标属性、运动状态、观测条件和图像特征之间的高阶关联，从而为事件推理提供结构化先验知识。设计了双置信度动态加权机制，根据观测尺度自适应调整因子图中节点和边的置信度，增强跨尺度观测的适应性。此外，引入了双向时域残差解耦机制，利用前向和后向预测误差剥离正常演变模式，将异常事件与复杂观测条件显式分离。在包含多目标、多轨道类型和距离范围的硬件在环仿真数据集上进行了实验验证。结果表明，该方法在姿态机动起始、姿态机动结束、轨道机动加速和轨道机动减速四类事件上取得了总体F1分数0.844，优于现有方法，并在图像信噪比≥10 dB条件下保持可靠的检测性能。仍存在若干局限，包括使用模拟数据而非真实在轨数据、目标和事件多样性有限、轨道机动检测性能较弱以及缺乏在轨硬件部署验证。未来工作将聚焦于开发更真实的仿真框架（涵盖多目标和机动策略）、提升轨道机动检测性能、在真实在轨数据上验证，以及在真实天基硬件平台上进行部署实验。
