面向大规模在轨服务任务的快速重规划方法

doi:10.7527/S1000-6893.2025.32728

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

面向大规模在轨服务任务的快速重规划方法

徐杭¹, 宋斌¹^,³, 刘鲁江²^,³(), 李兴龙¹, 袁秋帆¹

^1.上海宇航系统工程研究所，上海 201109
^2.上海航天技术研究院，上海 201109
^3.宇航空间机构全国重点实验室，上海 201109

收稿日期:2025-08-31 修回日期:2025-09-23 接受日期:2025-10-27 出版日期:2025-11-11 发布日期:2025-11-10
通讯作者: 刘鲁江 E-mail:liulujiang24@163.com
基金资助:
中国航天科技集团有限公司青年拔尖人才支持工程资助项目;2023年东方英才计划青年项目（综合平台）

Fast replanning method for large-scale on-orbit servicing missions

Hang XU¹, Bin SONG¹^,³, Lujiang LIU²^,³(), Xinglong LI¹, Qiufan YUAN¹

^1.Shanghai Institute of Aerospace System Engineering，Shanghai 201109，China
^2.Shanghai Academy of Spaceflight Technology，Shanghai 201109，China
^3.National Key Laboratory of Aerospace Mechanism，Shanghai 201109，China

Received:2025-08-31 Revised:2025-09-23 Accepted:2025-10-27 Online:2025-11-11 Published:2025-11-10
Contact: Lujiang LIU E-mail:liulujiang24@163.com
Supported by:
China Aerospace Science and Technology Corporation Youth Talent Support Program;the Youth Program of the Oriental Talents Plan in 2023 （Comprehensive Platform）

摘要/Abstract

摘要：

针对大规模在轨服务任务规划需求，现有研究通常局限于静态场景，难以应对航天器故障、任务变更等突发情况导致的初始方案失效问题，工程应用需通过灵活的Lambert转移临机重规划。同时，该任务是包含轨迹规划、序列规划、任务分配3层嵌套优化的混合整数规划问题，现有策略迭代计算量大，尤其是针对需要数值迭代求解的Lambert转移，这严重制约了工程实际应用。针对这一难点，提出高效求解的算法框架：首先针对底层轨迹规划与序列规划问题，分别采用深度神经网络与注意力模型替代在线优化迭代过程，实现快速求解；其次，针对上层的任务分配问题，提出基于历史预案的集束预搜-邻域优化算法（BPNOA），通过目标分配状态标注、基于组合变轨策略的适配航天器粗筛、集束搜索与拍卖策略的预案调整、局部优化等机制，实现先快速寻优、后局部精调的高效求解过程。最后，以CelesTrak网站的真实轨道数据构建场景，将所提方法与遗传算法对比，小规模场景测试中本文方法收敛效率平均提高150多倍；大规模场景99次蒙特卡洛测试中，相同计算量下所提方法优化结果平均提高71%，多次求解标准差降低84.1%，收敛更优、更稳健。结果验证了新方法的有效性，该方法可显著提升任务重规划效率，满足未来应用的实时性需求。

关键词: 在轨服务, Lambert转移, 重规划, 在线优化, 集束搜索, 注意力模型

Abstract:

To meet the requirements of large-scale on-orbit service mission planning， existing research is usually confined to static scenarios， making it difficult to tackle the invalidation of initial plans caused by unexpected events such as spacecraft failures and task changes. This calls for on-the-fly replanning with flexible Lambert transfers. However， this mission is a mixed-integer programming problem involving three nested optimization layers： trajectory planning， sequence planning， and task assignment. Current strategies involve extensive iterative computations， especially for Lambert transfers that require numerical iterative solutions， which severely limits their practical engineering applications. To address this challenge， this paper proposes an efficient algorithmic framework. First， for the underlying trajectory planning and sequence planning problems， deep neural networks and attention models are adopted respectively to replace the online optimization iteration process， enabling rapid solutions. Second， for the upper-layer task assignment problem， a Beam Pre-search and Neighborhood Optimization Algorithm （BPNOA） based on historical pre-plans is proposed. By integrating mechanisms including target assignment state labeling， coarse screening of suitable spacecraft based on combined orbit transfer strategies， pre-plan adjustment using beam search and auction strategies， and local optimization， the proposed framework realizes an efficient solution process characterized by “fast initial optimization followed by fine-tuning”. Finally， using real orbital data from the CelesTrak website， comparative experiments with genetic algorithms demonstrate that in small-scale scenario tests， the proposed method exhibits an average convergence efficiency over 150 times higher； in 99 Monte Carlo tests of large-scale scenarios， with the same calculations， the average optimization result of the proposed method is improved by 71%， and the standard deviation of multiple solutions is reduced by 84.1%. The convergence is better and more robust. The results verify the effectiveness of the new method， which can significantly improve the efficiency of task replanning and meet the real-time requirements of future applications.

Key words: on-orbit service, Lambert transfer, re-planning, online optimization, beam search, attention model

中图分类号:

V448.2

徐杭, 宋斌, 刘鲁江, 李兴龙, 袁秋帆. 面向大规模在轨服务任务的快速重规划方法[J]. 航空学报, 2026, 47(14): 332728.

Hang XU, Bin SONG, Lujiang LIU, Xinglong LI, Qiufan YUAN. Fast replanning method for large-scale on-orbit servicing missions[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(14): 332728.

图/表 19

图 1

图 2

图 3

表 1

图 4

图 5

图 6

图 7

图 8

表 2

表 3

任务信息

参数	数值
任务时长约束T₀/h	240
各航天器总速度增量约束 $Δ V 0 i$ /（m·s^-1）	1 000
服务过程额外速度增量消耗ΔV_plus/（m·s^-1）	10
服务过程额外时间消耗Δt_plus/s	1 800
目标行动方案调整消耗ΔV_dif/（m·s^-1）	100

表 3

表 4

图 9

表 5

表 6

图 10

表 7

图 11

图 12

参考文献 28

[1]	许英杰，刘晓路，贺仁杰，等. 空间碎片主动移除任务规划研究综述［J］. 控制与决策， 2024， 39（2）： 371-380.
	XU Y J， LIU X L， HE R J. Space debris active removal mission planning： A review［J］. Control and Decision， 2024， 39（2）： 371-380 （in Chinese）.
[2]	朱阅訸. 面向大规模目标访问任务的飞行序列规划方法［D］. 长沙：国防科技大学， 2020： 28-35.
	ZHU Y H. Flight sequence planning method for large-scale-object visiting mission［D］. Chang’sha： National University of Defense Technology， 2020： 28-35 （in Chinese）.
[3]	ZHAO Y， CAO Y， CHEN Y， et al. Mission planning of geo active debris removal based on revolver mode［J］. Mathematical Problems in Engineering， 2021： 1-10.
[4]	XU H， SONG B， GUO Y， et al. Lambert property-based swarm search algorithm for the multiple-rendezvous trajectory optimization［J］. Journal of Spacescraft and rockets， 2024， 61（3）： 660-673.
[5]	ZHANG T， SHEN H， LI H， et al. Ant colony optimization based design of multiple target active debris removal mission［J］. Transactions of the Japan Society for Aeronautical and Space Sciences， 2018， 61（5）： 201-210.
[6]	FEDERICI L， ZAVOLI A， COLASURDO G. A time-dependent tsp formulation for the design of an active debris removal mission using simulated annealing［C］∥AAS/AIAA Astrodynamics Specialist Conference. Reston： AIAA， 2019.
[7]	ADRIAN， URRUTXUA H， CADARSO L. Large-scale object selection and trajectory planning for multi-target space debris removal missions［J］. Acta Astronautica， 2020， 170： 289-301.
[8]	杨家男，侯晓磊， HU Y H，等. 基于启发强化学习的大规模ADR任务优化方法［J］. 航空学报， 2021， 42（4）： 524354.
	YANG J N， HOU X L， HU Y H， et al. Heuristic enhanced reinforcement learning method for large-scale multi-debris active removal mission planning［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524354 （in Chinese）.
[9]	XU Y， LIU X， HE R， et al. Active debris removal mission planning method based on machine learning［J］. Mathematics， 2023， 11： 1419.
[10]	严冰，张进，罗亚中，等. 采用注意力模型的多星交会序列优化方法［J］. 宇航学报， 2023， 44（11）： 1683-1692.
	YAN B， ZHANG J， LUO Y Z， et al. Sequence optimization method for multi-satellite rendezvous using attention model［J］. Journal of Astronautics， 2023， 44（11）： 1683-1692 （in Chinese）.
[11]	徐杭，宋斌，余建慧，等. 基于深度神经网络的高轨最优Lambert变轨规划［J］. 控制与决策， 2024， 39（9）： 2969-2976.
	XU H， SONG B， YU J H， et al. Optimal high-orbit Lambert transfer planning based on deep neural network［J］. Control and Decision， 2024， 39（9）： 2969-2976 （in Chinese）.
[12]	ZHAO Z， ZHANG J， LI H， et al. Leo cooperative multi-spacecraft refueling mission optimization considering j2 perturbation and target’s surplus propellant constraint［J］. Advances in Space Research， 2017， 59（1）： 252-262.
[13]	ZHANG Z， ZHANG N， JIAO Y， et al. Global trajectory optimization of multispacecraft successive rendezvous using multitree search［J］. Journal of Guidance， control， and Dynamics， 2024， 47（3）： 503-517.
[14]	LI H， BAOYI H. Optimization of multiple debris removal missions using an evolving elitist club algorithm［J］. IEEE Transactions On Aerospace and Electronic Systems， 2019， 56（1）： 773-784.
[15]	XU H， LIU L J， GUO Y N， et al. Mission planning for repeated multi-spacecraft non-contact debris removal［J］. Chinese Journal of Aeronautics， 2025， 38（10）： 103464.
[16]	杨保臻，钱霙婧. 基于目标分配策略的空间碎片清除方案设计［J］. 空间控制技术与应用， 2023， 49（3）： 36-45.
	Yang B Z， QIAN Y J. Design of space debris clearance scheme based on target allocation strategy［J］. Aerospace Control and Application， 2023， 49（3）： 36-45 （in Chinese）.
[17]	徐杭，梁维奎，刘鲁江，等. 面向 GEO 目标的快速在线在轨服务任务规划［J］. 宇航学报， 2022， 43（11）： 1454-1465.
	XU H， LIANG W K， LIU L J. Fast on-board on-orbit service mission planning for GEO targets［J］. Journal of Astronautics， 2022， 43（11）： 1454-1465 （in Chinese）.
[18]	MONTENBRUCK O， GILL E. Satellite Orbits： Models， Methods and Applications［M］. Berlin： Springer， 2000： 77-105.
[19]	李恒伟，罗启章，顾轶，等. 基于滚动时域策略的中继卫星多目标动态调度优化方法［J］. 航空学报， 2024， 45（16）： 329706.
	LI H W， LUO Q Z， GU Y， et al. Multi-objective dynamic scheduling optimization method for relay satellites based on rolling horizon strategy［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（16）： 329706 （in Chinese）.
[20]	牟帅，卜慧蛟，张进，等. 面向突发任务的空间站任务重规划方法［J］. 航空学报， 2017， 38（7）： 320793.
	MU S， BU H J， ZHANG J， et al. Re-planning method for space station pop-up missions［J］. Acta Aeronautica et Astronautica Sinica， 2017， 38（7）： 320793 （in Chinese）.
[21]	Curtis H D. Orbital mechanics for engineering students［M］. Oxford： Butterworth Heinemann， 2013： 247-258.
[22]	刘勇， JAUBERT J，吴海燕，等. 一种面向动态需求的多优先级天文观测卫星任务重规划方法［J］. 空间科学学报， 2020， 40（3）： 401-407.
	LIU Y， JAUBERT J， WU H Y， et al. Research on multi-priority astronomical observing satellite task replanning method for dynamic requirement［J］. Chinese Journal of Space Science， 2020， 40（3）： 401-407 （in Chinese）.
[23]	杨和星，赵清杰，王鑫，等. 多节点探测器附着任务分层约束图模型及重规划算法［J］. 控制与决策， 2025， 40（2）： 626-634.
	YANG H X， ZHAO Q J， WANG X， et al. Layered constraint graph model and re-planning algorithm for landing of probe with multiple nodes［J］. Control and Decision， 2025， 40（2）： 626-634 （in Chinese）.
[24]	周文惠，齐瑞云，姜斌，等. 面向突发故障的分布式多无人机任务重规划方法［J］. 控制与决策， 2023， 38（5）： 1373-1385.
	ZHOU W H， QI R Y， JIANG B， et al. Mission replanning method of distributed multiple unmanned aerial vehicles for pop-up faults［J］. Control and Decision， 2023， 38（5）： 1373-1385 （in Chinese）.
[25]	XU H， SONG B， GUO Y N， et al. An optimization framework with improved auction-based initialization for highly constrained on-orbit servicing mission planning［J］. Applied Soft Computing， 2023， 149， Part A： 110983.
[26]	罗棕，杜春，陈浩，等. 基于Transformer层次预测的多星应急观测任务规划方法［J］. 航空学报， 2021， 42（4）： 524721.
	LUO Z， DU C， CHEN H， et al. Multi-satellite scheduling approach for emergency scenarios based on hierarchical forecasting with Transformer network［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524721 （in Chinese）.
[27]	KOOL W， HOOF H V， WELLING M. Attention， learn to solve routing problems［C］∥International Conference on Learning Representations. New Orleans： ICLR， 2019.
[28]	CELESTRAK. IRIDIUM 33 Debris［EB/OL］. （2025-08-14）［2025-08-31］. .

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

工况	最优分配变量
1	［2］
2	［4，2］
3	［4，2，3］
4	［4，2，3，1］
5	［2，4，3，2，2］
6	［2，4，1，2，2，3］
7	［2，4，1，2，2，5，3］
8	［2，4，1，2，2，3，3，5］

飞行器类型	序号	半长轴/m	偏心率/10^-7	倾角/（°）	升交点赤经/（°）	近地点辐角/（°）	平近点角/（°）
服务航天器	S1	42 164 504.60	403	0.004 1	201.624 5	121.270 4	92.603 2
	S2	42 164 759.70	2 734	0.004 8	140.346 1	47.661 2	57.822 0
	S3	42 164 677.29	513	0.004 9	139.852 1	306.838 4	347.533 2
	S4	42 164 923.42	306	0.005 4	159.229 8	280.105 5	136.900 8
	S5	42 164 871.56	1 967	0.006 1	282.432 6	226.136 7	263.012 2
	S50	42 164 442.09	819	0.014 5	164.092 7	102.531 1	196.970 3
待服务目标	T1	42 164 753.54	1 749	0.014 6	105.618 4	73.307 9	59.399 1
	T2	42 164 509.37	4 797	0.014 6	239.547 6	339.617 4	90.592 8
	T3	42 165 084.06	5 614	0.014 7	114.647 2	23.984 8	303.417 6
	T4	42 164 964.07	194	0.015 0	220.691 5	195.670 7	128.391 7
	T5	42 164 435.36	559	0.015 1	53.577 3	196.877 8	328.482 0
	T150	42 164 758.58	1 169	0.081 8	89.945 0	127.807 3	91.903 4

算法	分配预案X₀	适应度函数值/（m·s^-1）
枚举法	［2，1，3，4，2，3，3，3，1］	7 628.41
遗传算法	［2，1，3，2，4，3，3，3，4］	7 609.65

算法	分配结果X₀	适应度函数值/（m·s^-1）	轨迹规划次数
枚举法（枚举预案）	［-1，1，3，4，2，-1，3，-1，-1，3］	5 583.95	62 228
遗传法（枚举预案）	［-1，1，3，4，2，-1，3，-1，-1，3］	5 583.95	7 169
本文算法（枚举预案）	［-1，1，3，4，2，-1，3，-1，-1，3］	5 583.95	44
枚举法（遗传预案）	［-1，1，3，2，-1，-1，3，-1，4，3］	5 424.54	62 624
遗传算法（遗传预案）	［-1，1，3，2，-1，-1，3，-1，4，3］	5 424.54	6 700
本文算法（遗传预案）	［-1，1，3，2，-1，-1，3，-1，4，3］	5 424.54	44

算法	最优值/（m·s^-1）	最差值/（m·s^-1）	平均值/（m·s^-1）	标准差/（m·s^-1）	平均轨迹规划次数
GA	51 197.00	46 256.63	49 755.36	1 221.11	306 780
DE	23 177.14	18 174.20	20 687.76	993.69	155 866
IGA1	82 845.07	79 683.91	80 527.80	494.17	308 939
IGA2	85 459.40	84 606.41	84 980.95	198.48	309 011
BPNOA	85 459.40	84 666.93	85 044.12	193.35	310 374

面向大规模在轨服务任务的快速重规划方法

Fast replanning method for large-scale on-orbit servicing missions

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 19

参考文献 28

相关文章 10

编辑推荐

Metrics

本文评价

[1]	梁振华, 唐岷, 郑侃, 廖文和. 基于相对位姿信息的在轨服务卫星推进故障诊断方法[J]. 航空学报, 2025, 46(7): 230867-230867.
[2]	熊振宇, 崔亚奇, 董凯, 李孟洋, 熊伟. 基于属性引导的多源遥感舰船目标可解释融合关联网络[J]. 航空学报, 2023, 44(22): 627476-627476.
[3]	张迁, 杨垣鑫, 唐硕, 岳向航, 许志. 火星固体上升器最优推力条件及制导方法[J]. 航空学报, 2023, 44(17): 328155-328155.
[4]	刘宏, 刘冬雨, 蒋再男. 空间机械臂技术综述及展望[J]. 航空学报, 2021, 42(1): 524164-524164.
[5]	符弘岚, 张皓, 高扬. 基于可靠性分析的立方星网络维护架构优化[J]. 航空学报, 2020, 41(7): 323696-323696.
[6]	刘冰雁, 叶雄兵, 周赤非, 刘必鎏. 基于改进DQN的复合模式在轨服务资源分配[J]. 航空学报, 2020, 41(5): 323630-323630.
[7]	饶殷睿, 韩潮, 殷建丰, 陈欢. 航天器悬停构型设计与控制方法[J]. 航空学报, 2015, 36(7): 2361-2371.
[8]	陈炳龙, 耿云海. 对失控航天器在轨服务的自适应滑模控制器设计[J]. 航空学报, 2015, 36(5): 1639-1649.
[9]	卢伟, 耿云海, 陈雪芹, 王峰. 在轨服务航天器对目标的相对位置和姿态耦合控制[J]. 航空学报, 2011, 32(5): 857-865.
[10]	张海波;孙健国. 可行SLP法在发动机在线优化中的应用[J]. 航空学报, 2010, 31(4): 663-670.