卫星预测新突破！OrbitNet用位置-速度耦合，碾压大模型，零样本横扫6大星座
Velocity-coupled Representation Refinement for Satellite Orbit Prediction
📖 AI 总结
本文提出了一种名为 OrbitNet 的卫星轨道预测方法，针对现有模型过度依赖位置序列时间依赖、忽视位置与速度内在耦合的问题。该方法将传统位置序列预测提升为位置-速度耦合表示学习范式，通过跨变量交互增强位置表征，并引入轨道分段建模，将历史轨迹划分为多个时段进行分段级时间学习，以捕捉局部运动变化和长期演化模式。实验表明，OrbitNet 在 Starlink 数据集上的域内评估以及六个未见卫星星座的零样本评估中，均优于大型时间序列基础模型和代表性通用预测方法。该研究强调了卫星感知的表示学习在轨迹时间序列预测中的潜力，为空间态势感知和碰撞预警提供了更精准的技术支撑。
🔑 关键词速览
| OrbitNet | 本文提出的速度感知表示学习方法，用于精确的卫星轨道预测。 |
| velocity-coupled representation refinement | 一种通过位置和速度之间的跨变量交互来增强位置表示的策略。 |
| orbital segment modeling | 将历史轨迹划分为时间片段并进行段级时间学习，以捕捉局部运动变化和长期演化模式。 |
| zero-shot evaluation | 在未见过的卫星星座上进行评估，测试模型的泛化能力。 |
| time-series foundation models | 大型预训练时间序列模型，通常具有强大的通用预测能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅