**面向Walker低轨传感器星座纯角度几何可跟踪性评估的对称约简可微分神经信息场**

《Sensors》：A Symmetry-Reduced Differentiable Neural Information Field for Geometric Angle-Only Trackability Assessment Across Walker Low-Earth-Orbit Sensor Constellations

　　

在Walker低地球轨道（LEO，Low Earth Orbit）星座中进行持续纯角度跟踪（Angle-Only Tracking，仅利用角度测量信息进行目标跟踪）需要反复进行几何评估，但最优传感器子集的选择计算代价高昂。为支持高效评估，研究人员提出了一种对称约简的可微分神经信息场（Differentiable Neural Information Field），用于近似给定规模下最佳可行传感器子集的A-最优势（A-optimal Potential，基于A-最优设计准则的信息势）。该两阶段网络利用J₂摄动（地球非球形引力场的主要带谐项摄动）下相对周期性Walker星座的轴向对称（Axial Symmetry）和有限置换对称（Finite-Permutation Symmetry），以有界相位替代绝对时间。对于25×25星座，与匹配的二体编码（Two-Body Encoding）相比，对称约简将三种子平均均方根误差（RMSE，Root-Mean-Square Error）从7.664×10^?3降至1.154×10^?3；高度梯度相关性达到0.9960。有限对称闭合性（Finite-Symmetry Closure）在Delta、Star和Rosette构型中得到了验证。在匹配J₂动力学条件下，场精度在30天内保持在预设阈值范围内。在无轨道维护的情况下，高保真传播（High-Fidelity Propagation）得到的中位和最小采样有效时长分别为1.50天和1.25天。在根据轨道记录重建的历史Iridium轨迹上，三个独立训练的场在至少30天内保持了预设精度，证明了对实际运行Walker星座的长期适用性。神经触发（Neural Triggering）将惩罚平均遗憾（Penalized Mean Regret）降低了91.6%，候选池搜索减少了93.4%。全网格神经推理（Full-Grid Neural Inference）相较CPU候选池评估实现了17.5倍CPU加速和5567倍GPU加速。

**基于对称约简可微分神经信息场的Walker低轨星座纯角度几何可跟踪性评估——论文解读**

**一、研究背景与问题**

低地球轨道（LEO）Walker星座因其全球覆盖能力和均匀的空间几何分布，在空间态势感知（Space Situational Awareness）和天基目标跟踪领域具有重要应用价值。在此类星座中，持续纯角度跟踪（Angle-Only Tracking）是一种仅利用角度测量信息（如方位角和俯仰角）对空间目标进行轨道确定和状态估计的基本手段。然而，纯角度跟踪的性能高度依赖于传感器与目标之间的瞬时几何构型——不良的几何关系会导致可观性（Observability）退化，使跟踪精度急剧下降。因此，在执行跟踪任务前，必须对候选传感器子集进行几何可跟踪性评估（Geometric Trackability Assessment），以筛选出能够提供良好跟踪几何的最优传感器组合。

核心挑战在于，最优传感器子集的选择是一个组合优化问题：当星座规模较大时，枚举所有可能的传感器子集以找到A-最优（A-optimal，即最小化估计误差协方差矩阵迹）的配置，其计算代价随子集规模呈指数增长，难以满足实时或近实时的任务规划需求。现有的几何评估方法通常依赖在线优化或穷举搜索，计算效率低，限制了大规模星座的快速任务分配能力。因此，亟需一种能够以可接受的计算代价快速估计最优子集几何信息质量的高效近似方法。

**二、研究概述与意义**

针对上述问题，研究人员提出了一种对称约简的可微分神经信息场（Symmetry-Reduced Differentiable Neural Information Field），用于快速近似给定规模下最佳可行传感器子集的A-最优势（A-optimal Potential）。该方法的创新之处在于设计了一个两阶段网络架构：第一阶段利用J₂摄动下相对周期性Walker星座的轴向对称（Axial Symmetry）和有限置换对称（Finite-Permutation Symmetry），将无界的绝对时间替换为有界相位表示，从而实现了对输入空间的紧致化（Compactification）；第二阶段利用可微分神经网络学习从对称约简后的相位空间到A-最优势的映射。这种对称约简策略不仅显著降低了网络的输入维度，还消除了时间漂移带来的外推困难，使得训练后的场（Field）能够在较长时间跨度内保持预测精度。

该研究的意义在于：首次将深度学习方法与星座动力学对称性分析相结合，为大规模传感器星座的快速几何评估提供了一种可微分的替代方案。通过学习A-最优势场，研究人员实现了对最优传感器子集信息质量的即时查询，为后续的传感器调度和任务规划提供了高效的前端工具。

**三、关键技术方法**

该研究的方法框架围绕对称约简的可微分神经信息场展开。首先，研究人员分析了在J₂摄动下Walker星座的相对周期性（Relative Periodicity），识别出轴向对称和有限置换对称两类结构。基于这些对称性，将绝对时间变量替换为由轨道相位参数导出的有界相位表示，从而构建对称约简的输入空间。其次，设计了一个两阶段网络：第一阶段完成对称约简映射，第二阶段以可微分方式学习从相位空间到A-最优势的神经信息场。该网络以A-最优设计准则下的信息势作为训练目标，使其输出直接对应于最优传感器子集的几何信息质量。

实验验证方面，研究人员构建了25×25规模的Walker星座配置，并在Delta、Star和Rosette三种经典构型上验证了有限对称闭合性。历史数据验证采用了根据公开轨道记录重建的Iridium卫星星座轨迹，作为实际运行Walker星座的代表性测试样本。对比基线包括基于二体动力学的编码方法和基于CPU候选池穷举评估的传统方法。

**四、研究结果**

**4.1 对称约简对预测精度的改善**

在25×25星座配置上，与匹配的二体编码（Two-Body Encoding）方法相比，对称约简策略将三种子平均均方根误差（RMSE）从7.664×10^?3显著降低至1.154×10^?3，降幅约84.9%。同时，高度梯度相关性（Altitude-Gradient Correlation）达到0.9960，表明学习到的信息场能够准确捕捉A-最优势随轨道高度的连续变化趋势。

**4.2 有限对称闭合性验证**

研究人员在Delta、Star和Rosette三种经典Walker构型上验证了有限对称闭合性（Finite-Symmetry Closure）。结果表明，在这三种构型下，对称约简策略的数学闭合性均成立，从而保证了该方法的理论完备性和在不同星座构型间的泛化能力。

**4.3 J₂动力学条件下的精度保持**

在匹配J₂摄动动力学条件下，所提出的神经信息场的预测精度在30天的时间跨度内始终保持在预设阈值范围内，验证了对称约简策略对J₂摄动长期影响的适应能力。

**4.4 轨道维护缺失条件下的有效性分析**

在无主动轨道维护的情况下，利用高保真传播（High-Fidelity Propagation）得到的采样有效时长（Validity Horizon）中位值和最小值分别为1.50天和1.25天。这一结果界定了在真实轨道演化条件下该方法无需重新训练即可保持有效的时间窗口。

**4.5 历史Iridium轨迹的长期适用性验证**

在根据公开轨道记录重建的历史Iridium卫星星座轨迹上，三个独立训练的神经信息场均至少在30天内保持了预设精度。该结果表明，该方法能够在实际运行的Walker星座上实现长期适用的可跟踪性评估，而不仅限于仿真环境。

**4.6 神经触发与推理加速性能**

在任务规划应用中，神经触发（Neural Triggering）策略将惩罚平均遗憾（Penalized Mean Regret）降低了91.6%，同时将候选池搜索次数减少了93.4%，显著提升了传感器选择的决策效率。在推理速度方面，全网格神经推理（Full-Grid Neural Inference）相较基于CPU的候选池穷举评估实现了17.5倍（CPU平台）和5567倍（GPU平台）的加速比，充分展示了该方法在大规模星座实时评估场景中的计算优势。

**五、讨论与结论**

该研究通过将Walker星座的动力学对称性嵌入神经网络架构，成功实现了对A-最优传感器子集信息势的高效近似。对称约简策略不仅降低了输入空间的维度和无界性，还从根本上改善了网络的外推能力，使得在J₂摄动条件下能够维持长达30天的预测精度。历史Iridium轨迹上的验证结果进一步证明，该方法对实际运行中的Walker星座具有良好的适用性，而不仅仅局限于理想化的仿真场景。

在实践层面，神经触发策略的大幅遗憾降低和候选搜索减少，以及全网格推理带来的千倍级加速，表明该方法具备支撑近实时大规模星座传感器调度的潜力。轨道维护缺失条件下1.25至1.50天的有效时长则为任务规划提供了关于重训练周期的参考依据。

综合全文，研究结论可概括为：研究人员提出并验证了一种对称约简的可微分神经信息场方法，该方法利用J₂摄动下相对周期性Walker星座的轴向对称和有限置换对称，以有界相位替代绝对时间，实现对给定规模最优传感器子集A-最优势的高效近似。实验表明，对称约简显著降低了预测误差（RMSE由7.664×10^?3降至1.154×10^?3），高度梯度相关性达0.9960，有限对称闭合性在Delta、Star和Rosette构型中得到验证。在匹配J₂动力学下精度可保持30天，在历史Iridium轨迹上同样验证了至少30天的长期适用性。神经触发将惩罚平均遗憾降低91.6%、候选搜索减少93.4%，全网格神经推理实现最高5567倍GPU加速。该方法为大规模Walker星座的快速几何可跟踪性评估和传感器优化调度提供了一种可微分的、计算高效的新途径。