Page 341 - 《软件学报》2026年第1期

338 软件学报 2026 年第 37 卷第 1 期

研究者提出了多种多星协同调度策略. 例如, Kim 等人 [75] 设计了基于遗传算法的星座级任务分配模型, 目标
是最小化系统响应时间. Cui 等人 [76] 针对分布式卫星任务调度分配问题, 提出了基于任务优先级的动态调度模型,
通过混合遗传搜索算法优化任务等待时间与收益. Cesta 等人 [77] 提出了面向目标的任务执行及状态更新算法, 解决
分布式多智能体的任务调度问题. Grey 等人 [78] 设计了支持复杂的卫星任务分配与协商的智能化任务分配架构. 王
海蛟 [79] 基于马尔可夫链与多智能体强化学习, 提出了在线调度模型, 在低通信成本的在线调度模型, 实现了多星
任务协同. 此外, 得益于高中低卫星系统的互补特性, 星座级协同也为卫星任务分配与调度提供了新思路. 低轨卫
星在业务速率和时延等方法具有优势. 而高中低轨系统则在覆盖、速率等方面优势互补, 可进一步提升系统的多
样化服务能力.
此外, 各国在卫星在轨任务规划系统方面取得了显著成果. 例如, NASA 开发的任务规划调度系统已应用于
“深空一号”探测器上. 此外, NASA 构建了一套可持续的任务重新规划系统, 采用迭代修复技术, 实现了任务的实
时更新与任务调整, 已成功应用于在对地观测 (earth observing-1, EO-1) 卫星以及高光谱红外成像 (hyperspectral
[80]
infrared imager, HyspIRI) 卫星. 在“毅力号” 探测器的 Mars 2020 探测计划中, NASA 实现了任务调度和分配的可
视化与解释分析 [81] .
4 未来研究展望

卫星边缘计算作为应对卫星数据爆炸式增长并提升响应速度的重要技术手段, 正在推动卫星服务能力的变革.
然而, 当前领域仍存在诸多技术瓶颈与开放性研究问题. 如表 7 所示, 未来的主要研究方向与挑战主要包括智能处理
算法、计算可靠性、多源数据在轨融合、卫星边缘云安全防护等, 并且分析了各个研究方向的现状和未来的目标.

表 7 未来研究方向的当前现状和目标

研究方向 当前现状 短期目标 中长期目标
提升在轨智能处理算法的鲁棒 研发具备强泛化能力的星载深度
目标场景与模型训练场景存在较大差异,
性和精度; 开发去噪与图像增强 学习模型; 开发遥感大模型并优化
智能处理算法 算法适应性较弱; 小目标检测精度较低, 技术; 优化小目标检测算法, 提 训练策略, 提升复杂场景下的适
易产生误报
高实时处理能力 应性
COTS硬件在太空环境中受能源、散热和 通过硬件设计与软件容错机制 设计自适应动态管理机制, 实现计
计算可靠性 辐射影响, 计算能力易受限; 计算效率受 结合, 提升COTS器件抗辐射能 算资源的智能调度与优化, 提高长
热管理影响 力; 建立多维环境影响模型 期运行可靠性
现有方法难以充分挖掘多种传感器数据的 研发基于多模态的多源数据融
多源数据在轨 互补信息; 数据融合计算成本高, 星载环 合算法, 提升信息提取精度; 优 设计轻量级、低功耗的在轨融合
融合 计算方案; 推进智能化决策支持
境下难以部署 化数据回传策略, 减少带宽占用
研究基于SDN/NFV的动态安全防
传统云安全机制难以适用于卫星环境; 通 采用多层次安全防护措施, 以提
卫星安全防护 护平台, 实现微隔离技术与自动化
信链路易受干扰, 数据窃取与攻击风险高 升系统安全性
安全策略, 提高系统安全性

4.1 智能处理算法
当前智能处理算法在目标场景与模型训练场景存在较大差异, 适应性较弱, 尤其在受传感器噪声、大气干扰
以及低质量遥感图像时, 处理能力受到限制. 此外, 现有检测识别算法在小目标检测识别方面仍有较大的提升空
间. 例如, 在遥感图像中小目标检测 (如车辆或建筑) 中, 检测精度较低, 且在相似目标场景下产生误报. 为此, 未来
研究应重点关注提升在轨智能处理算法的鲁棒性和精度. 具体而言, 需要开发具备强泛化能力和鲁棒性的机器学
习和深度学习算法, 以适应复杂的星载环境. 在此基础上, 可引入去噪与图像增强技术, 以优化低质量图像的处理
效果. 此外, 针对小目标检测问题, 应研发多尺度特征提取与增强模型, 以提升识别精度和实时处理能力. 同时, 在
计算资源有限的星载环境中, 需优化算法的计算效率, 例如, 开发适用于星载环境的遥感大模型, 并结合高效的训
练与微调策略, 实现更快速、更精确的智能数据处理.
4.2 计算可靠性
高性能 COTS 硬件的引入显著提升了卫星平台的计算能力, 但同时也受限于复杂的太空环境. 特别是在能源