低地球轨道中人工智能驱动的碰撞风险预测与碎片优化

《Scientific Reports》：AI-driven collision risk prediction and debris optimization in low earth orbit

　　

由于低地球轨道（LEO）区域活动迅速扩展，碎片拥堵与碰撞已成为重大关切点。本研究开发并部署了一个人工智能（AI）驱动框架，以在高度-倾角空间中预测、分析和优化碰撞风险。计算了局部碎片物体数量、质量密度分布及交会衍生风险。随后，训练了一个AI代理模型（即梯度提升决策树），用于预测碰撞交会相对概率和风险。此后，利用数据分析与可解释性技术揭示潜在的风险驱动因素，并阐明高度、倾角、质量载荷和拥挤程度如何在轨道空间中相互作用。分析表明，AI代理模型能够可靠捕获底层非线性风险行为及其交互作用。更重要的是，结果提示，仅以预测风险的适度上升即可实现有意义的容量增长。最后，将AI代理模型用于多目标进化优化，以量化最小化碰撞风险与最大化可用轨道容量之间的权衡，揭示了一组在该状态下最优、可行且均衡的运行点。总而言之，所提出的流程为轨道安全预测与解释、星座部署指导以及可持续空间交通管理战略支持提供了一条计算高效的途径。

随着低地球轨道（LEO）内人类活动迅速扩张，人造物体数量激增，空间碎片问题日益严峻。碎片包括失效卫星、废弃火箭级以及碰撞或解体产生的小碎片。2022年，LEO中超过70%的物体被归类为碎片，其高密度存在显著威胁在轨航天器安全。碎片碰撞可能产生更多碎片，甚至引发凯斯勒综合征，即碰撞产生更多碎片并导致连锁碰撞，最终使某些轨道区域无法使用。传统碎片治理涉及探测跟踪、主动清除和任务前后风险管理，但基于物理的评估在计算上代价高昂，难以支撑大范围情景探索。为此，研究人员提出一个整合预测、解释与优化的人工智能驱动框架，旨在高效评估LEO碰撞风险并指导星座部署与空间交通管理。该研究发表于《Scientific Reports》。

研究人员利用LEOLABS提供的LEO-Catalog数据集，构建并验证了一套完整的AI驱动工作流，得出以下核心结论：AI代理模型能够以高精度捕捉风险与特征之间的非线性关系；宏观上LEO风险主要由拥挤/质量集中度和轨道结构两个轴决定；微观上综合质量、物体数量和密度是预测风险的最强局部驱动因素；多目标优化得到的帕累托前沿表明，存在既能显著提升轨道容量又仅需适度增加风险的均衡运行区。其重要意义在于提供了一种计算高效、可解释且面向决策的轨道安全分析工具。

主要技术方法如下：研究采用的样本队列来自LEOLABS提供的LEO-Catalog数据集，含1959至2025年间25000余个LEO碎片物体。按NASA轨道碎片工程模型（ORDEM）标准离散高度-倾角空间，计算物体数、质量密度、交会概率代理（P_conj∝ρv_relA_effΔt）与风险（R=P_conj×M_ij），质量依据欧洲空间局（ESA）MASTER-8模型近似。随后训练XGBoost（极端梯度提升）决策树作为AI代理模型；采用主成分分析（PCA）与SHAP（SHapley Additive exPlanations）解释模型；并将代理模型嵌入非支配排序遗传算法II（NSGA-II）进行多目标优化。

**AI代理模型性能**：研究人员按80%/20%划分训练集与验证集，经500次迭代训练后，训练集均方根误差（RMSE）为0.084，平均绝对误差（MAE）为0.037，决定系数R²为0.996；验证集RMSE为0.132，MAE为0.055，R²为0.964。结果表明模型无欠拟合或过拟合，能够可靠替代物理模型用于后续分析与优化。

**主成分分析**：PCA将原始特征转换为正交主成分。第一主成分（PC1）约解释37%方差，由数量、密度、综合质量和体积的正载荷主导，代表拥挤与质量集中度；第二主成分（PC2）约解释29%方差，由高度和倾角主导，捕获LEO的轨道结构，例如太阳同步轨道、国际空间站类似轨道和中倾角聚集。宏观上，碰撞风险主要由拥挤质量和轨道几何决定。

**SHAP可解释性**：SHAP归因分析量化了各特征对预测风险的贡献。综合质量是最强驱动因素，其次为物体数量和密度；高度和倾角的影响呈非单调性，风险集中于特定运行区间。SHAP依赖图进一步显示特征间的非线性交互，例如倾角在低密度时降低风险，但在高密度时增加风险；密度与数量同时偏高时风险急剧上升。这从微观层面补充了PCA的宏观结论，确认代理模型能够捕捉全局结构和局部非线性效应。

**多目标优化**：研究人员将训练好的代理模型作为快速风险评估器，与NSGA-II结合，以最小化碰撞风险和最大化可用轨道容量为目标，并施加物理上合理的约束以排除退化解。经过80代进化得到帕累托前沿：低风险端预测风险约为10^-10，但可用容量极低；高容量端预测风险升至约10^-8，但容量显著增加且风险增幅温和。中间区域提供了适合可持续星座部署的均衡运行点。

讨论部分指出，PCA与SHAP共同揭示了LEO风险形成的全局与局部机制，说明AI代理模型不仅能准确预测，还能提供可解释的风险驱动因素。多目标优化进一步展示了代理模型在大规模情景探索中的实用性。结论方面，本工作提出了一个整体性AI驱动框架，用于预测、分析和优化LEO中的交会概率代理与风险。AI为空间碎片风险评估提供了可解释性和计算可扩展性；代理模型的预测保真度支撑了大规模案例探索、容量规划和优化。数据分析识别出塑造LEO环境的主要驱动因素，即拥挤/