卫星集群SOD（SCS）数据集

SCS数据集是一个高保真度的数据集，用于模拟集群卫星形成中的成像场景，支持基于人工智能的卫星集群解决方案。该数据集由Unity生成，模拟了一个真实的太阳系，以模拟天体和低地球轨道卫星的动态。数据集包含三个卫星捕获的图像，每个卫星从稍微不同的位置以相同的视角捕获相同的场景。数据集的创建旨在研究卫星集群对空间目标检测（SOD）的影响，并通过模拟的方式提供了一种评估分布式、人工智能驱动的轨道系统的潜力，以增强空间态势感知并促进长期的空间可持续性。The SCS dataset is a high-fidelity dataset designed for simulating imaging scenarios in clustered satellite formations, supporting AI-powered satellite cluster solutions. It is generated via Unity, simulating a realistic Solar System to model the dynamics of celestial bodies and Low Earth Orbit (LEO) satellites. The dataset contains images captured by three satellites, where each satellite captures the same scene from slightly different positions but with an identical viewpoint. This dataset was developed to investigate the impact of satellite clusters on Space Object Detection (SOD), and provides a simulated framework for evaluating the potential of distributed, AI-driven orbital systems to enhance space situational awareness (SSA) and promote long-term space sustainability.

原始信息汇总

卫星目标检测(SOD)-聚类数据集概述

数据集生成目的

• 模拟多颗邻近卫星从轻微偏移位置但相同视角捕获同一场景的场景
• 研究多视角设置对卫星目标检测的影响
• 固定卫星簇大小为三颗卫星

卫星簇定义

• 中央卫星：Satellite 1
• 次要卫星：Satellite 2和3
• 空间半径分类：
  • close簇：次要卫星均在0.5公里内
  • mid簇：次要卫星均在1公里内
  • far簇：次要卫星均在2公里内

数据集结构

close/ ├── images/ └── labels/ mid/ ├── images/ └── labels/ far/ ├── images/ └── labels/

文件命名规范

• 中央卫星图像：image##.jpg
• 次要卫星图像：image##_s1.jpg和image##_s2.jpg

标注文件

• image##.txt：包含目标对象的边界框标注
• image##_full.txt：包含观测卫星和所有可见目标对象的扩展元数据

元数据描述

观测卫星元数据

• 纬度、经度和高度
• 轨道倾角
• 升交点赤经(RAAN)

目标对象元数据

• 对象ID
• 屏幕位置(图像坐标)
• 边界框标注
• 与观测卫星的距离
• 地理坐标(纬度、经度、高度)
• 轨道参数(轨道倾角、RAAN)

作者

Wenxuan Zhang和Peng Hu

许可证

Creative Commons Attribution 4.0 International (CC BY 4.0)

搜集汇总

数据集介绍

构建方式

卫星集群SOD（SCS）数据集通过Unity物理引擎构建，模拟了低地球轨道（LEO）卫星群的动态环境。在仿真过程中，卫星被随机部署在500至600公里的轨道高度，搭载固定45度视场角的相机，以捕捉周围空间目标的图像。每个卫星集群由三颗卫星组成，其中主卫星位于中心，两颗辅卫星均匀分布在半径为0.5、1或2公里的球形区域内。数据集包含180幅图像，每幅图像均附带卫星坐标、目标距离及轨道参数等元数据，通过系统性视角切换确保场景覆盖的多样性。

特点

该数据集的核心特征体现在其多视角协同观测架构上。通过构建近距离（0.5公里）、中距离（1公里）和远距离（2公里）三类卫星集群，完整覆盖了LEO典型碰撞预警范围。每簇包含三颗卫星对同一场景的同步观测数据，其空间基线设计有效模拟了实际星座的几何构型。特别值得注意的是，数据集通过精确控制辅卫星的球面均匀分布，实现了目标距离与视角差异的量化关联，为研究空间目标检测中的距离-精度关系提供了理想实验平台。

使用方法

使用SCS数据集时，建议采用基于距离的视角选择策略（Vd）优化检测性能。用户可加载预训练的GELAN-t或GELAN-ViT-SE模型，分别对V(1)-V(3)固定视角和Vd动态选择视角进行推理测试。评估指标推荐采用mAP50和mAP50:95，重点关注远距离集群中模型表现的提升效果。数据集的元数据支持三维空间关系分析，包括卫星间相对距离、目标地理分布等，可用于多传感器融合算法的开发验证。

背景与挑战

背景概述

卫星集群SOD（SCS）数据集由加拿大滑铁卢大学和曼尼托巴大学的研究团队于2025年创建，旨在解决低地球轨道（LEO）卫星密度增加带来的空间可持续性问题。该数据集通过模拟多卫星协同成像场景，支持基于深度学习的空间物体检测（SOD）研究，为实时碰撞风险监测提供了关键数据基础。其创新性在于首次提出卫星集群协作框架，通过分布式执行AI模型优化检测性能，同时满足星载设备的尺寸、重量和功耗（SWaP）限制。该研究推动了空间态势感知技术的发展，并为未来大规模星座管理提供了新范式。

当前挑战

SCS数据集面临的核心挑战体现在两方面：领域问题层面，LEO空间物体检测需克服小目标（仅占数像素）、复杂背景噪声及动态轨道环境带来的识别困难；构建过程层面，需平衡多卫星视角的空间多样性需求与严格的数据同步要求，同时解决星间通信带宽限制下的实时协作难题。此外，模拟数据与真实太空环境的域差异、不同距离集群的检测性能优化，以及轻量化模型部署的精度-效率权衡，均为亟待突破的技术瓶颈。

常用场景

经典使用场景

卫星集群SOD（SCS）数据集在空间可持续性研究中扮演着关键角色，特别是在低地球轨道（LEO）卫星密集部署的背景下。该数据集通过模拟多卫星协同成像场景，为深度学习模型提供了高保真的训练和测试环境。其经典使用场景包括评估卫星集群在空间物体检测（SOD）任务中的性能，尤其是在不同距离和视角条件下的检测精度与效率。数据集的设计充分考虑了卫星集群的几何分布和动态特性，为研究分布式空间感知系统提供了重要支撑。

衍生相关工作

SCS数据集催生了一系列创新性研究工作。基于该数据集，研究者提出了距离感知的视角选择策略，优化了卫星集群的检测性能。在算法层面，衍生出GELAN-ViT-SE等混合架构，平衡了检测精度与计算效率。数据集还促进了多智能体协同学习在空间领域的应用探索，如分布式推理框架和跨卫星知识共享机制。相关成果发表在SpaceOps等顶级会议，并推动了IEEE WiSEE等国际会议对AI赋能空间可持续性的专题讨论。

数据集最近研究

最新研究方向

随着低地球轨道（LEO）卫星密度的急剧增加，空间可持续性面临严峻挑战，卫星集群SOD（SCS）数据集应运而生，成为解决空间物体检测（SOD）问题的关键工具。该数据集通过模拟多卫星协同成像场景，支持基于深度学习的空间物体检测研究，特别是在卫星集群协作检测方面展现出巨大潜力。前沿研究方向主要集中在优化多卫星视角选择策略、提升小物体检测精度以及降低计算资源消耗。热点事件如2022-2023年间近25,000次避碰操作的激增，凸显了实时空间态势感知的迫切需求。该数据集通过引入距离感知的视角选择策略，显著提升了检测性能，同时保持了较低的尺寸、重量和功耗（SWaP）需求，为分布式AI在轨系统的应用提供了重要支撑，对推动空间可持续性和碰撞风险监测具有深远意义。

相关研究论文

• AI-Driven Collaborative Satellite Object Detection for Space Sustainability

  滑铁卢大学数学学院, 曼尼托巴大学电气与计算机工程系 · 2025年