CD-TrGNN：面向ISAR空间目标姿态估计的复域Transformer-图神经网络

《Sensors》：CD-TrGNN: A Complex-Domain Transformer–Graph Neural Network for ISAR Space Target Attitude Estimation

　　

在地基空间监视中，空间目标姿态估计对于空间态势感知至关重要，然而现有基于逆合成孔径雷达（ISAR）图像的方法存在三个核心局限：在仅幅度处理中相位信息被丢弃，卷积神经网络具有受限的全局感受野，且卫星组件的物理拓扑未被显式建模。为解决这些问题，研究人员提出了一种复域Transformer-图神经网络（CD-TrGNN），该网络在端到端框架中统一了全局上下文建模和自适应拓扑推理。具体而言，一个带有定制注意力的复域Transformer模块（CD-Transformer）在保留幅度和相位信息的同时捕获图像块间的长程依赖；一个带有可学习邻接矩阵和双路径更新机制的复域图卷积模块（CD-GC）显式编码卫星部件间的结构关系。在自建ISAR复图像数据集上，CD-TrGNN的三轴平均绝对误差仅为1.70°，显著优于六种代表性基线。消融实验证实了复域处理、全局注意力和拓扑推理的有效性。在5 dB信噪比下，误差仍保持在2.81°，且对两种不同卫星结构精度均低于2°。这些结果表明，CD-TrGNN能够充分利用ISAR复图像中的信息，实现高精度且高鲁棒性的姿态估计。

**论文解读：CD-TrGNN：面向ISAR空间目标姿态估计的复域Transformer-图神经网络**

**研究背景与问题**
在空间态势感知中，对非合作空间目标（如失效卫星、空间碎片）的三轴姿态（俯仰、偏航、滚转）进行精确估计，对于轨道预测、碰撞规避和地球观测卫星任务评估至关重要。传统基于光学图像的方法受光照条件限制，无法实现全天时、全天候监视。逆合成孔径雷达（ISAR）凭借其高分辨率和全天时成像能力，提供了独特的数据源。然而，现有ISAR图像姿态估计方法存在三大核心问题：第一，相位信息在仅幅度处理中被丢弃，导致信息利用不充分；第二，卷积神经网络（CNN）的局部感受野限制了全局空间依赖建模；第三，卫星组件的物理拓扑（如主体、太阳能帆板、天线间的连接关系）未被显式建模。为此，研究人员提出了一种复域Transformer-图神经网络（CD-TrGNN），将全局上下文建模与自适应拓扑推理统一在端到端框架中，旨在充分挖掘ISAR复图像中的幅度和相位信息，提升姿态估计的精度与鲁棒性。该论文发表在《Sensors》上。

**主要技术方法**
CD-TrGNN的核心技术方法包括：复域卷积特征提取模块，用于保留完整的复信息；复域Transformer模块（CD-Transformer），通过复自注意力捕获图像块间的长程依赖；复域图卷积模块（CD-GC），利用可学习邻接矩阵和双路径更新机制显式建模卫星部件间的自适应拓扑关系；以及多任务回归头，分别输出三轴姿态角。网络在自建ISAR复图像数据集上训练，该数据集包含两种不同结构的空间目标，训练集1331张图像，测试集和验证集各216张图像，姿态角范围[?30°, +30°]。

**研究结果**
（1）**对比实验**：与六种代表性基线（CNN-ResNet51、GNN、ViT、ConvNeXt、EfficientNet、ComplexNet）相比，CD-TrGNN在统一数据划分和训练条件下，三轴平均绝对误差仅1.70°，显著优于所有基线方法（最佳基线误差约2.34°），验证了复域处理、全局注意力和拓扑推理的协同优势。
（2）**消融实验**：通过逐步移除复域处理（Real-TrGNN）、Transformer模块（w/o Transformer）和图卷积模块（w/o GCN），误差分别升至2.69°、3.46°和2.67%，表明三者均不可或缺，其中Transformer的移除造成最严重的性能下降，证实了全局依赖建模的关键作用。
（3）**鲁棒性实验**：在5 dB、10 dB、15 dB、20 dB四种噪声水平下测试，CD-TrGNN在5 dB时仍保持2.81°的误差，而清洁条件下为1.70°，提升仅1.11°，优于多个基线在无噪声下的性能，展现了强抗干扰能力。
（4）**泛化实验**：在两种不同结构的目标（Target A和Target B）上独立训练和测试，分别达到1.70°和1.83°的误差，差异仅0.13°，表明模型对目标几何变化不敏感，具备良好的跨目标泛化能力。

**总结与结论**
研究人员通过系统实验验证了CD-TrGNN在ISAR空间目标姿态估计中的先进性、鲁棒性和泛化性。研究结论部分翻译如下：
为应对ISAR空间目标姿态估计中相位信息利用不足、全局依赖建模受限以及部件拓扑先验缺失的问题，本文提出CD-TrGNN，该框架在复域内整合全局注意力和自适应拓扑推理，实现直接的三轴姿态回归。主要贡献包括：构建两种不同目标类型的ISAR复图像数据集；设计由复卷积、CD-Transformer、CD-GC和多任务回归头组成的四阶段架构，其中复自注意力和可学习邻接矩阵共同保留相位信息并显式编码部件级结构拓扑；通过对比、消融、鲁棒性和泛化实验进行系统验证。结果表明，CD-TrGNN的三轴平均绝对误差仅为1.70°，优于最佳基线约25%，同时保持5 dB信噪比下2.81°的误差，且对两种目标类型均保持低于2°的精度。未来工作将纳入实测数据、时间建模、基于散射中心的语义图以及跨更多卫星结构的少样本迁移学习，以进一步增强实际适用性和泛化能力。