航天器意图识别（Spacecraft Intention Recognition）
本文作者：天疆说
定义
航天器意图识别（Spacecraft Intention Recognition）是指通过观测目标航天器的轨道运动行为、搭载设备类型、环境光照和电磁条件等多源信息，推断该航天器所要达成的目的或执行的任务的技术。它是空间态势感知（SSA）和空间安全预警的重要研究方向，旨在为操作航天器提供威胁评估和决策支持。
传统的空间威胁评估主要依赖最小距离等几何指标，无法区分目标的真实意图。航天器意图识别将威胁评估从"是否接近"提升到"为什么接近"的层面。
意图分类框架
Jing等（2025年）在空间站运行安全场景下，提出了一个航天器意图分类框架，将意图分为3大类、23种子类型。需要说明的是，这是目前学术界提出的一种分类方案，并非广泛共识的标准分类。
运动意图（Motion Intentions）
描述目标航天器相对于操作航天器的轨道运动模式：
| 意图 | 英文 | 描述 |
|---|---|---|
| 悬停 | Hovering | 目标保持恒定相对距离，相对速度为零 |
| 飞越 | Flyby | 相对距离先减小后增大，但不为零 |
| 绕飞 | Flyaround | 相对距离不为零，在窄范围内波动 |
| 交会 | Rendezvous | 相对距离和相对速度均为零 |
| 碰撞 | Collision | 相对距离为零，相对速度非零 |
| 撤离 | Retreat | 原本碰撞的目标经轨道机动远离 |
| 随机 | Randomness | 意图不明确或随时间变化 |
操作意图（Operation Intentions）
描述目标航天器可能执行的具体操作行为：
| 意图 | 英文 | 描述 |
|---|---|---|
| 对接 | Docking | 通过机械臂或对接机构实现结构连接 |
| 加注 | Refueling | 为操作航天器注入燃料 |
| 维修 | Repair | 更换或添加设备部件 |
| 抓取 | Grabbing | 通过机械臂或飞爪附着于操作航天器 |
| 拍照 | Photograph | 通过相机近距离拍摄操作航天器 |
| 通信 | Communication | 发射电磁信号与操作航天器通信 |
任务意图（Task Intentions）
综合运动意图和操作意图，描述目标的整体任务目的：
| 意图 | 英文 | 描述 |
|---|---|---|
| 探测 | Detection | 非合作目标，悬停+绕飞，拍照+信息收集 |
| 监视 | Surveillance | 合作目标，类似探测但目标为合作性质 |
| 干扰 | Interference | 非合作目标，悬停+交会+绕飞，抓取+电磁干扰 |
| 协商 | Negotiation | 悬停+绕飞，通信 |
| 观测 | Observation | 类似探测但无操作意图 |
| 协助 | Assistance | 合作目标，交会+维修 |
| 威慑 | Deterrence | 非合作目标，反复执行多种运动意图 |
| 支援 | Support | 合作目标，悬停+绕飞，无操作意图 |
| 实验 | Experiment | 合作目标，搭载实验设备 |
| 攻击 | Attack | 非合作目标，碰撞，无操作意图 |
基于LLM的识别方法
Jing等（2025年）提出了一种基于大语言模型（LLM）的航天器意图识别方法，核心思路是将多源传感器信息转化为文本输入，利用LLM的逻辑推理能力进行意图判断。
方法框架
- 意图词汇构建：定义3大类23种意图词汇，形成航天器意图语料库
- 提示元素设计：将场景信息提炼为4类7种提示元素（操作航天器信息、目标信息、环境条件、轨道运动特征）
- 提示模板设计：基于提示工程原则构建标准化输入模板
- 测试样本生成：通过计算机仿真生成50,688个标称样本和8,448个扰动样本
- 模型微调：使用P-tuning V2和LoRA对ChatGLM2-6B和ChatGLM3-6B进行微调
提示策略
测试了3种提示条件：
- 基础提示（Basic Prompt）：仅包含问题和已知信息
- 指令提示（Instruction Prompt）：在基础提示上添加所有可能的答案选项，指令引导LLM从中选择
- 思维链提示（CoT Prompt）：要求LLM输出推理过程，包含指令、推理步骤和示例
实验结果
| 模型 | 提示类型 | 准确率 |
|---|---|---|
| ChatGLM2-6B 基础模型 | 基础/指令/CoT | 较低（<50%） |
| ChatGLM2-6B + P-tuning V2 | CoT | 99.81% |
| ChatGLM3-6B 基础模型 | CoT | 优于ChatGLM2-6B |
| ChatGLM3-6B + LoRA | 指令 | 99.90% |
微调后的模型在准确率上相比基础模型提升了58.66%–83.94%，但鲁棒性有所下降。
应用场景
- 空间站安全预警：识别接近空间站的非合作目标的意图，为规避决策提供依据
- 空间态势感知：在编目大量在轨物体的基础上，进一步判断其行为目的
- 在轨服务规划：理解合作/非合作目标的状态，辅助服务任务设计
- 空间攻防对抗：在军事场景下评估潜在威胁目标的意图
相关概念
参考文献
- Jing H, Sun Q, Dang Z, Wang H. Intention Recognition of Space Noncooperative Targets Using Large Language Models. Space Sci. Technol. 2025;5:0271.
- Sun Q, Dang Z. Deep neural network for non-cooperative space target intention recognition. Aerosp Sci Technol. 2023;142:108681.
- Yang Z, Shi P, Zhou T, Li W-L. Intention recognition method of space non-cooperative target based on fuzzy reasoning. J Beijing Univ Aeronaut Astronaut. 2024.
- Qi P, et al. A method and system for intent analysis of non cooperative target spacecraft. Patent 202310735989.X, 2023.