A Self-Supervised Framework for Space Object Behaviour Characterisation

doi:10.1111/exsy.70382

2026-09-30

Ian Groves *

Andrew Campbell

James Fernandes

Diego Ramírez Rodríguez

Paul Murray

Massimiliano Vasile

Victoria Nockles

DOI：10.1111/exsy.70382

原文链接

查看原文

摘要

En 中文

基础模型，利用在大规模神经网络上进行预训练（基于未标记数据）并在特定任务上进行微调，正日益被应用于专业化领域。近期实例包括用于气候领域的ClimaX和用于卫星地球观测的Clay，但用于空间物体行为分析（SOBA）的基础模型尚未开发。随着轨道物体数量增长，用于表征空间物体行为的自动化方法对于空间安全至关重要。本文提出了一种用于SOBA的自监督框架，代表了开发空间物体行为分析基础模型的第一步。该框架的骨干是一个Perceiver-变分自编码器（VAE）架构，通过自监督重建和掩码重建在约22.7万条来自MMT-9观测站的轻量曲线数据上进行了预训练。VAE能够实现异常检测、空间物体运动预测和生成合成轻量曲线。我们使用两种独立的轻量曲线模拟器（分别使用CASSANDRA和GRIAL）对模型进行了微调，以进行异常检测和运动预测，并采用了箱翼、哨兵-3、SMOS和星链平台的CAD模型。我们的预训练模型实现了0.0012的重建均方误差，通过重建难度识别潜在的异常轻量曲线。微调后，模型在异常检测上达到85%的准确率（0.92 ROC AUC），在运动模式预测（如太阳指向、旋转和翻滚）上达到82%的准确率（0.95 ROC AUC）。对真实数据中高置信度异常预测的分析揭示了包括特征物体轮廓和卫星反光在内的独特模式。运动预测模型成功区分了各种运动行为，如太阳指向、旋转和翻滚。本研究展示了自监督学习如何同时实现异常检测、运动预测和合成数据生成，这些能力源于预训练中学习到的丰富表征。更广泛地说，我们的工作通过自动化监测和模拟能力支持空间安全与可持续性。

Keyword:

attitude prediction

generative AI

light curve anomaly detection

self-supervised learning

space object Behavioural analysis

space situational awareness (SSA)