基于物理感知潜在神经常微分方程与多任务梯度手术技术实现常驻空间目标跨域光变曲线分类

《Acta Astronautica》：Physics-aware Latent Neural ODEs with Multi-Task Gradient Surgery for Cross-Domain Light Curve Classification of Resident Space Objects

　　

**引言**

随着人类航天活动日益频繁，近地空间环境正变得更加拥挤。根据欧洲航天局《2025年空间环境报告》[1]，全球空间监视网络目前跟踪约40,000个空间物体，其中仅有约7,500颗是运营卫星，绝大多数为空间碎片，对在轨航天器和航天员安全构成严重威胁。图1展示了各轨道体制下空间物体的历史演变。传统空间态势感知（SSA）主要依赖轨道编目和位置监测，已无法满足对空间物体进行详细表征的日益增长需求。因此，SSA正逐步向对物理属性、结构完整性、姿态动力学和行为模式的深入表征方向发展。在此背景下，利用非成像观测数据实现高精度目标分类已成为下一代SSA系统的关键技术前沿[2]。

数十年来，传统SSA严重依赖经典天体测量和人工光度反演技术（例如利用光变曲线反演，基于简化的双向反射分布函数估计空间物体的形状和姿态状态）[3]、[4]、[5]。尽管这些解析方法在理论上可解释性强，但它们对初始参数高度敏感、计算量大，且通常需要密集且连续采样的观测数据。为了满足实时、大规模空间物体编目的需求，研究范式已逐步向数据驱动的深度学习（DL）方法转变[6]。

随着光度数据的爆发式增长，深度学习已成为空间物体分类的强大范式[7]、[8]。众多研究者引入了各种神经架构来从光变曲线中提取判别性特征，包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）和基于自注意力的Transformer。然而，实验室中设计的DL算法与实际地面观测之间存在显著差距。标准DL架构本质上是为规则采样的网格型数据而设计的。在实际运行的空间态势感知（SSA）中，地面光学传感器受大气湍流、云层覆盖和轨道可见性约束的影响，导致光变曲线表现出严重的非均匀采样和长时间观测间隙。在处理此类不规则序列时，传统RNN或LSTM会引入严重的时间归纳偏差，因为它们假设相邻时间步之间存在恒定的时间间隔。线性插值或零填充等启发式解决方案不可避免地会引入人工噪声，并扭曲空间物体亮度变化的真实物理特征（例如镜面反射闪光和姿态机动）。尽管相位LSTM等专用模型尝试纳入时间戳信息，但它们仍然在离散时间步上运行，无法捕捉空间物体的底层连续时间物理轨迹，导致在极端稀疏条件下表征崩溃。

为克服标注真实数据的匮乏，常见做法是在高保真模拟器上训练深度学习模型，然后将其部署到实际观测中[9]、[10]。然而，这一过渡受到仿真到现实（Sim-to-Real）差距的严重阻碍。这种分布偏移源于简化仿真假设与现实条件复杂性之间的差异。为了协调仿真数据和真实数据的分布，研究者积极探索无监督域自适应（UDA）方法，如最小化统计差异和采用域对抗学习，以对齐源域和目标域的特征分布。然而，当传统UDA方法应用于空间观测时，出现了一个根本瓶颈：由特征崩溃引起的负迁移。真实空间物体的光变曲线极其稀疏且噪声大；通过纯数据驱动、无约束的特征提取器处理后，会产生扭曲且物理不一致的特征表示。强制对抗判别器将观测特征与仿真特征对齐，必然会迫使生成器对齐统计噪声而非物理语义。这会触发分类算法中的负迁移，导致目标域上的分类精度严重下降。因此，现有的域自适应技术在域对齐过程中缺乏维持物理一致性的能力，在高度退化的观测条件下，Sim-to-Real差距仍未得到解决。

为了克服这些局限性，本文提出了一种统一框架，将物理感知潜在神经常微分方程（Phy-ODEs）与跨域多任务对抗自适应机制相结合。传统用于空间物体识别的无监督域自适应（UDA）方法主要依赖最小化源域（仿真）和目标域（观测）特征分布之间的统计差异。然而，真实空间观测数据面临严重的数据稀疏性和非均匀采样问题，由此产生的特征失真导致这些方法失效。作为域自适应骨干的离散时间架构无法捕捉长时间观测间隙中的底层连续物理运动，导致表征崩溃，即目标域特征丧失了物理一致性。因此，将这些失真的特征与干净的仿真特征对齐会迫使生成器对齐统计噪声，从而触发严重的负迁移，降低分类精度。为解决这一问题，我们采用物理感知神经常微分方程（Phy-ODEs）作为域自适应框架的基础骨干。这一整合相较于传统DA方法具有三个决定性优势：

（1）稀疏鲁棒的连续潜在空间。与离散时间模型不同，神经常微分方程将潜在状态轨迹建模为连续时间动力系统，能够自然适应任意非均匀采样间隔，而无需启发式插值。

（2）域不变的物理量。尽管仿真和现实在光学传输和噪声方面存在显著差异，但底层的刚体旋转动力学仍然严格域不变。通过将这些物理方程嵌入ODE的潜在向量场中，潜在状态被约束在物理正则化的动力学流形上。

（3）流形对齐而非分布对齐。对抗域判别器负责对齐这些物理正则化的动力学轨迹，确保跨域对齐以真实的物理属性为基础。这使得自适应过程对环境噪声和稀疏观测具有高度鲁棒性。

该框架专为分类五类代表性空间物体（活跃目标ACTs、火箭残骸R/Bs、空间碎片DEBs、用户卫星U/SATs和非活跃目标INACTs）而设计，通过辅助任务强制执行物理一致性，以同时解决采样不完整和域偏移的双重挑战。实验验证在一个包含50,000条仿真光变曲线及MMT-9系统相应测量数据的综合双模态数据集上进行。大量评估表明，所提出的框架在全无监督自适应设置下实现了92.6%的跨域分类准确率和92.2%的F1分数。这些结果明确验证了所提方法对极端数据稀疏性的鲁棒性，为运营级空间物体识别奠定了可靠基础。

本文的主要贡献总结如下：

■ 物理嵌入的连续时间重建：我们提出了一种针对稀疏、非均匀光变曲线的物理嵌入连续时间重建方法。不同于传统线性或样条插值，我们将欧拉刚体动力学方程作为结构化先验嵌入神经常微分方程的导数函数中。这一归纳偏差使得跨长时间观测间隙的物理一致轨迹外推成为可能，将异构数据无缝映射到统一的连续时间潜在流形上。

■ 物理感知的跨域对抗自适应：我们开发了一种多任务域自适应网络，利用物理不变量作为跨域锚定特征。通过耦合梯度反转域判别器、辅助物理状态回归任务和条件熵正则化，该框架有效对齐了仿真和测量特征流形，同时保留了物理判别性表示。

■ 基于PCGrad的多任务梯度手术：为缓解主分类任务与辅助物理回归任务之间的优化干扰，我们引入了利用PCGrad的梯度手术策略。通过在联合训练过程中正交投影冲突梯度，该机制防止了一个任务主导共享特征编码器所导致的负迁移，从而稳定收敛并确保所学特征的物理一致性。

本文其余部分组织如下。第2节回顾了光变曲线识别、稀疏时间序列建模和域自适应的相关工作。第3节详述了双模态数据集的构建。第4节建立了所提出的Phy-ODE和跨域多任务框架。第5节呈现了实验设置和结果。第6节总结了全文。

**相关工作**

通过光变曲线识别空间物体涵盖多个跨学科领域：连续时间序列建模、旋转动力学表征、跨域迁移学习和多任务优化。现有文献通常孤立地处理这些问题，在同时应对结构性稀疏和Sim-to-Real域偏移方面留下了关键空白。本节从三个维度对相关方法论进行批判性回顾：光变曲线分类、

**双模态光变曲线数据集的构建**

为严格评估所提出的连续时间重建和跨域分类框架，我们建立了一个综合光变曲线数据集，涵盖代表性空间物体的几何形态、材料反射率和姿态动力学。至关重要的是，该数据集忠实模拟了观测退化，包括几何形态、表面材料光学、姿态动力学以及复杂的大气和传感器诱导的环境退化。

**所提框架的整体架构**

非合作空间物体的识别可以建模为时间序列分类问题，但它同时也呈现了一个更为复杂的挑战，将动力系统识别与跨域分布对齐交织在一起。为了阐明所提框架的架构设计和信息流，我们在图5中展示了一个完整的示意图。整体工作流通过一个闭环的前向-反向过程运行，组织为四个相互关联的阶段：

**实验结果与分析**

本节进行了全面的实验来评估所提出的深度学习框架的有效性，该框架无缝集成了物理信息神经常微分方程（Phy-ODE）与跨域多任务对抗自适应网络。实验评估专门设计用于解决两个核心技术挑战：1）验证Phy-ODE骨干从稀疏观测中重建连续动力学轨迹的能力；

**结论**

为应对地面光学观测中空间目标面临的非均匀稀疏采样和仿真到观测域偏移的耦合挑战，本文提出了一种将物理感知潜在神经微分方程与多任务对抗域自适应相整合的端到端识别框架。在数据重建层面，通过将欧拉刚体动力学嵌入神经常微分方程的导数函数中，Phy-ODE骨干实现了……

**作者贡献声明**

王佳乐：撰写-审阅与编辑。姚大磊：方法论、概念化。文炎：撰写-审阅与编辑。卜凡：撰写-原稿、验证、软件、方法论、正式分析、数据整理、概念化。

**利益冲突声明**

? 作者声明不存在已知的竞争财务利益或个人关系，这些可能影响本文所报告工作的判断。

**致谢**

本工作受国家科技重大项目支持[项目编号2022ZD0117301]。

卜凡 | 姚大磊 | 文炎 | 王佳乐