针对极端环境下的卫星星座，由大型语言模型设计的智能精确轨道控制技术

《Engineering Applications of Artificial Intelligence》：Large language model-designed intelligent precision orbit control for satellite constellations under extreme environments

　　摘要：本研究旨在通过引入一种集成仿真框架来应对在极端环境条件下维持重复地面轨迹卫星星座和Walker卫星星座轨道的挑战。该框架结合了包含完整J2扰动效应的封闭形式动态模型以及真实的空间环境因素，如大气阻力、太阳辐射压力、传感器噪声和未建模的干扰。在此基础上，首次开发并展示了一种基于大型语言模型的智能轨道控制算法，该算法适用于大规模卫星星座。其中，大型语言模型被用于离线设计一种简洁的干扰替代模型，然后将其嵌入到轻量级的比例-微分控制器中。在真实的近地轨道场景中的实验验证表明，与传统的控制方法及最先进的控制方法相比，这种基于大型语言模型设计的比例-微分控制器在轨道跟踪精度、燃料效率以及计算效率方面具有可比或更优的性能，同时还能更好地适应环境变化。值得注意的是，在非平稳且干扰严重的环境中，该控制器始终展现出出色的轨道稳定性、鲁棒性以及实时跟踪能力。这些研究成果证明了所提框架在科学和工业领域的价值，为在恶劣空间环境中实现人工智能驱动的自主星座运行及智能控制奠定了基础。

引言：近年来，大规模卫星星座已成为涵盖空间科学、通信、地球观测及国防应用等多个领域任务部署的重要基础设施。卫星星座被定义为多颗卫星在空间中的有序排列，用以实现全球性的任务目标，其运行架构和轨道设计策略多年来一直是研究和创新的热点。星座部署方式的分类主要取决于是否考虑地球自转以及卫星之间的相对运动，这就导致了连续覆盖技术与周期性覆盖技术之间的明显区别。Walker星座作为连续覆盖技术的典型代表，具有规律的惯性轨迹和简单的设计结构，但在实现对特定地面目标的持续观测方面存在固有局限（Walker，1970、1971、1977、1978；Mozhaev，1972、1973）。为克服这些限制，人们开始研究周期性覆盖技术，如重复地面轨迹星座和Flower星座架构（Hong-Song等人，2008；Circi等人，2012；Ulivieri和Anselmo，1991；Aorpimai和Palmer，2007；Lara和Russell，2008；Abdelkhalik和Gad，2011；Vtipil和Newman，2012；Li等人，2016；He和Li，2022；Marzano等人，2009；Mortari等人，2011；Mortari和Wilkins，2008；Avendano等人，2013；Davis等人，2013）。最近，有人提出了RGT-Walker范式，它结合了Walker星座和Flower星座的优点，使得所有卫星都沿着相同的重复地面轨迹轨道运行，从而最大化覆盖一致性、载荷的周期性以及地面站的操作效率（Lee，2024）。然而，重复地面轨迹的持续维持面临着环境干扰、低推力驱动的限制以及累积的传播误差等挑战，这凸显出需要强大的轨道控制机制的紧迫性。

现代卫星平台越来越多地采用高比冲、低持续推力的电推进系统，这使得大小型卫星星座都能实现长时间的轨道保持（Brophy等人，2020；Lovera和Garulli，2000；Lee等人，2022；Kriz和Sommer，2021；Shumeiko，2025）。尽管这类推进系统性能优异，但由于气动阻力、引力谐波以及第三体扰动等因素导致的频繁校正操作会大幅增加燃料消耗，因此减少推进剂使用对于提升任务续航能力和有效载荷分配至关重要（Lavezzi等人，2024；Shumeiko等人，2025；Scala等人，2021）。虽然在半长轴控制策略、自主轨道保持以及针对近地轨道的轨道管概念方面已经取得了一些进展（Lee，2025；Kumar和Seshadri，2019；Marshall和McInnes，2014；Gambardella等人，2021；Jiang等人，2010），但目前仍缺乏大量利用人工智能驱动的控制器在极端条件下实现燃料消耗最小化及自主轨道精确控制的规模化应用实例。

近年来，空间系统领域越来越注重利用人工智能实现自主运行。基于学习的方法，如深度强化学习和技术驱动的扩展状态观测器，在适应复杂轨道动力学方面展现出巨大潜力（Hovell和Ulrich，2021；Wang等人，2023）。与此同时，大型语言模型作为一种强大的离线设计辅助推理工具，正在推动机器人任务规划、自主决策以及智能控制等领域出现新的发展模式（Ahn等人，2022；Liang等人，2023）。然而，将这些人工智能技术直接集成到高频、闭环的航空航天控制系统中仍然面临极大限制。传统的基于学习的控制器属于不透明的“黑箱”，缺乏进行严格稳定性分析所需的数学透明度。而直接的在线大型语言模型嵌入架构则会带来不可接受的延迟和非确定性行为，无法满足实时飞行软件的要求。本研究通过将人工智能的认知能力与实时执行环节分离，弥补了这一关键缺陷。

为解决上述问题，本研究开发了一种全新的控制框架，该框架并非将大型语言模型作为单一的机载推理引擎，而是将其用作离线设计辅助工具，用于生成简洁、以控制为导向的干扰表示形式。具体而言，大型语言模型在离线状态下被用来合成一种描述轨道干扰的轻量级“语言”，这些规则以封闭形式呈现，整合了传感器读数、短期误差历史以及长期环境趋势等信息。随后，这些规则会被嵌入到传统的比例-微分控制结构中，并在机上以极低的计算开销得以执行，从而实现借助大型语言模型智慧的控制功能，而无需在卫星平台上部署完整的大型语言模型，也就避免了由此带来的巨大内存、能耗及验证难题。在基于封闭形式动态模型的重复地面轨迹–Walker卫星星座模型基础上，该框架还支持通过统一的可归一化控制路径来实现参考轨迹的统一管理以及整个卫星群的优化。经过系统对比测试，这种“大型语言模型-比例-微分”控制器在性能上优于传统的比例-微分控制器和扩展卡尔曼滤波器与比例-微分组合控制器，不仅具备与扩展卡尔曼滤波器相当的跟踪精度，还能更好地抵御规模较大的干扰，同时在我们的案例研究中显著减少了手动尝试调整规则和增益的工作量。至于设计工作量的系统性定量比较则超出了本研究的范围，留待未来研究进一步探讨。从控制理论的角度来看，这种大型语言模型-比例-微分控制器可被视为一种具备干扰感知能力的比例-微分控制器：大型语言模型仅用于离线合成干扰替代模型和增益结构，而实际的运行控制法则则是一种轻量级、明确定义的反馈策略，完全符合传统分析方法的要求。

本研究的主要贡献如下：
1. 我们构建了一个封闭形式的重复地面轨迹–Walker卫星星座控制框架，该框架在严格的解析性J2一致性参考模型基础上，充分考虑了近地轨道环境中的各种真实极端因素，包括大气阻力、太阳辐射压力、传感器噪声以及未建模的长期漂移现象。
2. 我们提出了一种基于大型语言模型的比例-微分控制器，该控制器利用大型语言模型在离线状态下生成简洁的干扰替代模型和以控制为导向的规则集，这样只需进行简单的代数运算即可在机上执行，无需部署完整的大型语言模型。
3. 我们对不同干扰程度下的大型语言模型-比例-微分控制器、传统比例-微分控制器以及扩展卡尔曼滤波器与比例-微分组合控制器进行了系统比较研究，结果表明，基于大型语言模型生成的干扰替代模型能够达到与扩展卡尔曼滤波器相当的跟踪精度，同时对非平稳且强度较大的干扰具有更好的抵抗能力，同时燃料消耗也与传统方法相当。
4. 我们探讨了该控制器的实际实现方式、计算负荷、参数调优难度，以及将其应用于真实遥测数据及更先进控制方案的可能性，认为基于大型语言模型的控制器为在恶劣环境下实现人工智能辅助且具备可验证性的精准轨道控制提供了可行的路径。

章节摘录：
重复地面轨迹–Walker卫星星座：Lee最近提出的RGT-Walker方法是一种先进的框架，能够克服现有卫星星座设计方法的局限性（Lee，2024）。这是一种创新性地融合并发展了现有Walker星座和Flower星座理论基础的卫星星座设计方法。RGT-Walker方法最根本的创新之处在于，所有执行相同任务的卫星都可以被设计成沿着同一个、完全相同的重复地面轨迹轨道运行。

极端环境下的干扰模型与传统控制律：本研究的目的是开发一种能够在极端空间环境中稳定运行的控制律，从而维持前文所述的重复地面轨迹–Walker卫星星座的轨道。幸运的是，我们拥有一个能够完整反映J2扰动的动态模型，而J2扰动对维持卫星星座轨道有着重要影响，因此我们可以模拟除J2扰动之外的各种其他干扰现象。在本节中，我们将研究常见的控制律。

大型语言模型-比例-微分控制算法：在本研究中，“大型语言模型-比例-微分”这一术语并不意味着要在航天器上实时运行大型语言模型。实际上，预训练好的大型语言模型仅被用作离线设计辅助工具：通过输入关于轨道环境、干扰模式以及控制目标的高层描述，大型语言模型会提出一系列干扰和估计规则，这些规则结合了可测量的物理量（如大气阻力和太阳辐射压力传感器的数据）、短期跟踪历史以及缓慢变化的趋势信息。

研究结果：本研究基于之前提出的特定重复地面轨迹–Walker配置（χ28=43°:8,29,2），在极端的近地轨道环境中对精确轨道维持性能进行了全面比较分析。在数值实验中，我们以由八颗卫星组成的星座中的第三颗卫星作为代表性对象，对其跟踪和控制性能进行了分析。需要指出的是，根据RGT-Walker星座的设计特点，所有卫星都……

正常性能与鲁棒性：本研究严格证明了，在重复地面轨迹–Walker卫星星座的应用背景下，所提出的基于大型语言模型的智能轨道控制算法在鲁棒性和精确度方面与传统方法相当，甚至在某些方面更具优势。该控制器在面临复杂的综合环境干扰和传感器噪声时仍能保持稳定的轨道跟踪性能，而与扩展卡尔曼滤波器与比例-微分组合控制器的定量对比结果显示，两者在关键指标上的表现几乎一致。

结论：本研究通过定量分析证明，在极端环境条件下，基于大型语言模型的比例-微分控制器在重复地面轨迹–Walker卫星星座中的轨道维持性能与传统比例-微分控制器以及扩展卡尔曼滤波器与比例-微分组合控制器相比具有可比性甚至更优。通过对由八颗卫星组成的星座中的一颗代表性卫星进行的数值实验表明，两种控制方法所实现的平均位置误差和速度误差始终分别低于10??米和10??米/秒。

利益冲突声明：作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢：本研究得到了韩国政府信息通信技术规划与评估机构提供的资助（项目编号：1711195701，项目名称为“基于元宇宙的太空物体轨道信息可视化与关联技术开发”）。

Seong Sub Lee
韩国首尔广津区宁东路209号世宗大学航空航天系统工程系，邮编05006