【量子位 2025年12月14日讯】当卫星星座规模从十颗级跃升至百颗级，人类手动调度的效率已难以为继。12月13日，北京航空航天大学刘偲教授团队在NeurIPS 2025会议上发布重磅成果——全球首个大规模真实卫星星座调度基准AEOS-Bench，以及内嵌物理约束的Transformer模型AEOS-Former。这套“基准+模型”组合，首次实现AI对50颗卫星、300项任务的高效协同调度，将突发任务响应时间从“小时级”压缩至“分钟级”，为“空天具身智能”落地太空领域提供关键技术支撑。
行业痛点：卫星星座越大，调度难题越“指数级爆发”
如今，卫星星座已成为数字经济的核心基础设施——美国SkySat星座支撑全球遥感观测，我国“千帆”“女娲”星座服务灾害救援与通信保障。但随着卫星数量增多、任务复杂度提升，调度规划逐渐陷入“人力无法应对”的困境：
-
时间窗口比黄金还珍贵，误差1秒即失败卫星绕地飞行速度超7.8公里/秒，地面任意区域的可观测时间常不足5分钟。以“女娲星座”为例，某次森林火灾应急观测中，因人工调度延误2分钟，卫星错过最佳观测窗口，导致火势蔓延范围评估偏差达30%。
-
任务量与约束条件双重爆炸美国SkySat星座从13颗扩至21颗后，日均任务量从100项增至230项，而每颗卫星还需满足“视场角不重叠”“电池功耗不超限”“姿态调整时间充足”等十多项物理约束。传统人工调度依赖经验分配任务，常出现“卫星闲置”与“任务堆积”并存的矛盾，我国部分星座突发任务完成率不足60%。
-
泛化能力差，换个场景就“失灵”此前行业常用的调度算法多针对特定星座规模（如10颗以内）设计，一旦卫星数量或任务类型变化，算法需重新调试。例如为20颗卫星设计的调度模型，直接应用于50颗卫星场景时，任务完成率会骤降50%以上，无法适应星座规模化发展需求。
破局关键：AEOS-Bench基准，给AI搭建“真实太空考场”
要让AI学会调度卫星，首先得有“足够逼真的练习题”。北航团队基于Basilisk航天仿真引擎，构建了覆盖真实物理特性的AEOS-Bench基准数据集，填补了行业“缺乏大规模真实场景数据”的空白：
-
16k+场景覆盖全规模，从1颗到50颗卫星都能练AEOS-Bench包含16000余个任务场景，每个场景对应1-50颗卫星、50-300项成像任务，时间跨度细化到3600个时间步长（每步对应10秒）。无论是单星执行简单观测，还是50颗卫星协同完成“地震救援+海上搜救+气象监测”多任务，都能在数据集中找到对应训练场景。
-
物理特性1:1还原，避免AI“纸上谈兵”团队通过仿真引擎精准复现卫星的轨道动力学（如地球引力对轨道的影响）、姿态控制（如调整相机角度的耗时）、电池功耗（如观测时耗电速度是待机时的3倍）等特性。更关键的是，数据集中还融入了从开源平台爬取的真实卫星轨道数据（如NASA公开的卫星位置信息），确保AI训练出的策略能直接对接真实场景。
-
6项指标综合评分，不止看“完成率”更看“性价比”不同于传统数据集仅关注“任务完成率”，AEOS-Bench设置了任务完成率（CR）、优先任务完成率（PCR）、周转时间（TAT）、功耗（PC）等6类指标，通过综合得分（CS）评估调度效果。例如某方案虽完成率达30%，但功耗是其他方案的2倍，其综合得分会更低，避免AI为追求完成率而“浪费资源”。
核心模型：AEOS-Former，让Transformer懂“航天物理”
有了数据集，还需能处理复杂约束的AI模型。北航团队创新性地将Transformer架构与航天工程知识融合，打造出AEOS-Former模型，解决了“AI不懂物理规则”的核心难题：
-
内嵌约束模块，给AI装“航天知识库”模型专门设计了“约束建模模块”，将卫星的物理限制（如“相机视场角0.5度”“电池容量8Wh”）转化为数学规则，生成“约束驱动的注意力掩码”。在调度时，AI会自动排除“卫星视场角无法覆盖目标区域”“电池电量不够完成观测”等不可行方案，避免生成不符合物理规律的决策。例如当某卫星电池仅剩30%时，模型会优先分配短耗时任务，而非让其执行需20分钟的长时间观测。
-
编码器-解码器精准匹配，卫星与任务“双向选择”编码器负责嵌入卫星的静态参数（如轨道高度、相机分辨率）与动态状态（如实时电池电量、当前姿态）；解码器则结合约束模块信息，预测每颗卫星执行每项任务的可行性概率。通过这种“双向匹配”，AI能在10秒内完成50颗卫星与300项任务的最优分配，比传统优化算法快20倍以上。
-
泛化能力拉满，换场景不用“从零学起”测试数据显示，在“未见过的新场景”（如训练时用20颗卫星，测试时用50颗卫星）中，AEOS-Former的综合得分（CS=4.43）仍优于所有基线模型（最优基线模型CS=5.21）；在真实卫星数据测试中，其功耗（40.91Wh）仅为传统模型（149.20Wh）的1/3，任务周转时间缩短15%，充分证明了模型的实用性。
行业影响：空天具身智能落地提速，灾害救援响应快一倍
这套“基准+模型”组合的发布，不仅为卫星星座调度提供了新方案，更推动“空天具身智能”从概念走向应用：
-
灾害救援响应时间缩至分钟级此前“女娲星座”处理突发地震救援任务，从收到需求到调度卫星就位需1-2小时；而基于AEOS-Former的调度系统，能在5分钟内完成卫星协同规划，让救援团队更快获取灾区影像，为生命搜救争取关键时间。
-
降低星座运营成本，减少“资源浪费”据团队测算，用AEOS-Former调度的卫星星座，电池功耗平均降低45%，卫星闲置时间减少30%。以50颗卫星的星座为例，每年可节省电费、维护费等运营成本超200万元。
-
为未来“万星星座”打基础随着“星链”“千帆”等星座向“万颗卫星”规模发展，人工调度已无可能。AEOS-Bench与AEOS-Former的组合，为后续更大规模星座的AI调度提供了可复用的技术框架——只需在基准中增加万星场景数据，对模型进行微调，就能快速适配新需求。
目前，团队已在GitHub开源了AEOS-Bench数据集与AEOS-Former模型代码（项目主页：https://buaa-colalab.github.io/AEOSBench/），并计划与航天企业合作开展实地测试。正如刘偲教授在NeurIPS报告中所说：“当AI能像人类专家一样理解太空物理规则，空天具身智能将真正实现‘调度卫星如臂使指’，让太空资源更好地服务地球。”
