AEOS-Bench

AEOS-Bench是一个针对现实星座调度的大规模基准测试套件，包含3907个精细调整的卫星资产和16410个场景。每个场景包括1到50颗卫星和50到300个成像任务。这些场景通过一个高保真模拟平台生成，确保了卫星行为的真实性，例如轨道动力学和资源约束。对于每个场景，都提供了地面真实调度注释。

搜集汇总

数据集介绍

构建方式

在敏捷对地观测卫星星座调度领域，AEOS-Bench通过高保真仿真平台构建了包含3,907个精细调校卫星资产的数据集。采用基于Basilisk引擎的物理仿真系统，精确模拟了卫星轨道动力学、姿态控制等核心物理特性。数据生成流程融合了距离初始化算法与迭代过滤机制，通过人工质量审核确保调度标注的可靠性，最终形成16,410个涵盖1-50颗卫星、50-300个成像任务的多样化场景。

特点

该数据集展现出四大核心特征：规模层面包含16,410个场景，覆盖单星至50星级星座配置；真实性维度通过物理精确的仿真平台生成，并融合公开卫星数据验证；评估体系设计六项关键指标，包括任务完成率、周转时间与能耗等；数据开放性提供完整场景标注与基准真值。特别值得注意的是轨道参数呈现近似随机分布，小规模星座与多任务场景的集中分布反映了实际调度中的典型挑战。

使用方法

研究人员可通过静态卫星矩阵与任务矩阵获取场景基础参数，动态属性则需通过仿真器实时查询。数据集划分为训练集（16,218轨迹）、验证集（128场景）与测试集（64场景），其中测试集特别采用真实卫星特性数据。使用时应遵循两阶动作抽象机制：高层调度输出任务分配向量，底层由平台自动转换为控制指令。评估阶段需综合六项指标，通过约束感知的注意力机制确保调度方案符合物理限制。

背景与挑战

背景概述

敏捷对地观测卫星星座技术作为遥感领域的前沿突破，于2025年由北京航空航天大学团队正式提出AEOS-Bench基准数据集。该数据集聚焦于大规模星座协同调度这一核心科学问题，通过高精度物理仿真平台构建了3,907个卫星资产与16,410个动态场景，每个场景涵盖1-50颗卫星与50-300项成像任务。其创新性在于首次实现了轨道动力学、姿态控制与能源约束等多物理场耦合的精细化建模，为灾害响应、环境监测等国家重大需求提供了标准化评估体系，推动了空间信息智能调度领域的范式变革。

当前挑战

在解决敏捷对地观测星座调度问题时，需攻克多星协同任务分配的NP难优化挑战，包括动态环境中任务随机发布与卫星状态实时演化的不确定性建模，以及传感器视场角、能源预算与时间窗口等多重约束的联合满足。在数据集构建过程中，面临卫星姿态控制参数稳定性保障的技术瓶颈，需通过改进罗德里格参数公式与人工质控流程迭代筛选资产；同时需平衡仿真保真度与计算复杂度，采用基于Basilisk引擎的混合仿真策略生成带标注的万级场景，确保物理规律与调度逻辑的辩证统一。

常用场景

经典使用场景

在敏捷对地观测卫星调度领域，AEOS-Bench作为首个大规模基准测试套件，其经典应用场景聚焦于评估多星协同任务分配算法的综合性能。该数据集通过高保真仿真平台模拟真实轨道动力学与资源约束，为研究者提供了验证调度模型在动态环境下任务完成率与能源效率的标准化实验环境。

解决学术问题

该数据集有效解决了传统调度方法在规模化场景下的适应性不足问题，通过提供16,410个涵盖1-50颗卫星与50-300项任务的多样化场景，为研究约束感知的智能调度算法奠定基础。其标注数据支持对任务分配可行性、时序协调性等核心学术问题的量化分析，显著推进了动态多智能体决策理论在航天领域的应用深度。

衍生相关工作

基于该数据集衍生的经典工作包括AEOS-Former等Transformer架构的调度模型，其约束感知注意力机制开创了物理规则与深度学习融合的新范式。后续研究进一步拓展了多目标优化算法在星座调度中的应用，催生了如结合图神经网络与强化学习的混合方法等创新方向。