EOS-Bench

arXiv2026-04-28 更新2026-04-30 收录

下载链接：

https://github.com/Ethan19YQ/EOS-Bench

下载链接

链接失效反馈

官方服务：

资源简介：

EOS-Bench是由多国研究机构联合开发的地球观测卫星调度综合性基准测试框架，包含1,390个场景和13,900个实例。数据集覆盖从单卫星到千星规模的任务调度，整合了高保真轨道动力学和多样化平台约束条件，支持敏捷与非敏捷卫星的对比研究。其创新性地提出了场景特征描述方案，通过可行机会密度、任务灵活性等指标量化结构难度，并建立多维评估协议考察任务收益、完成率等五项关键指标。该数据集旨在解决卫星调度领域缺乏统一评估标准的问题，为优化算法、启发式方法和强化学习等研究提供标准化测试平台。

EOS-Bench is a comprehensive benchmarking framework for Earth Observation (EO) satellite scheduling, jointly developed by research institutions across multiple countries. It comprises 1,390 scenarios and 13,900 instances. The dataset covers task scheduling scenarios ranging from single-satellite to thousand-satellite scales, integrates high-fidelity orbital dynamics and diverse platform constraints, and supports comparative studies between agile and non-agile satellites. It innovatively proposes a scenario feature description scheme, quantifies structural difficulty using metrics such as feasible opportunity density and task flexibility, and establishes a multi-dimensional evaluation protocol to assess five key indicators including task revenue and completion rate. This dataset aims to address the lack of unified evaluation criteria in the satellite scheduling domain, providing a standardized testbed for research on optimization algorithms, heuristic methods, reinforcement learning and other related topics.

提供机构：

中南大学·交通运输工程学院; 伦敦玛丽女王大学·工程与材料科学学院; 中南大学·自动化学院; 思克莱德大学·机械与航空航天工程系; 埃克塞特大学·计算机科学系; 塞维利亚大学·航空航天工程系; 都灵理工大学·电子与电信系; 塞浦路斯理工大学·土木工程与测绘系; 卡塔尔大学·计算机科学与工程系; 韩国科学技术院·航空航天工程系; 合肥工业大学·管理学院; 西安电子科技大学·协同智能系统教育部重点实验室; 北京航空航天大学·宇航学院; 南京航空航天大学·先进空间技术实验室; 西北工业大学·航天飞行动力学国家重点实验室; 武汉大学·测绘遥感信息工程国家重点实验室; 中国地质大学·计算机学院; 大连海事大学·信息科学技术学院; 阿尔伯塔大学·电气与计算机工程系; 加州理工学院·地质与行星科学系; 圣卡塔琳娜联邦大学·自动化与系统工程

创建时间：

2026-04-28

原始信息汇总

好的，根据您提供的README文件内容，以下是对EOS-Bench数据集详情页的总结：

EOS-Bench 数据集概述

1. 平台简介

EOS-Bench 是一个面向地球观测（EO）卫星调度研究的统一、可扩展的基准测试平台。其核心目标是支持可复现的算法比较、大规模场景生成以及端到端的评估，涵盖了从经典优化方法到基于学习的调度器。

2. 数据集规模与构成

该数据集是EOS-Bench平台的数据配套，总计包含：

11,040个标准实例
2,860个特定实例

数据集构成主要包括：

星座配置文件
城市/目标定义文件
全面的基准测试场景资源（包括标准和特定实例）

3. 核心特性

平台具备以下关键特性：

可扩展场景生成：支持生成从1颗到1000+颗卫星、规划周期为1小时至168小时的EO调度场景。
高保真约束建模：支持敏捷和非敏捷卫星，涵盖可见性、姿态转换时间、每轨道存储/功率、通信/下行链路等约束。
场景特征量化：内置工具，通过一系列指标量化数据集的难度和资源瓶颈。
统一基准接口：所有算法在共享的约束模型和标准化的度量体系下进行评估。
多种调度范式：集成了MIP（精确优化）、启发式算法、元启发式算法（SA/GA/ACO）和强化学习（PPO）等代表性方法。
多目标评估：支持任务利润、任务完成率、及时性、均衡度和运行时间的统一评估。
交互式3D可视化：通过CZML和Cesium实现场景和调度结果的动态展示。

4. 场景特征描述符

为量化数据集的内在结构难度，平台从两个角度提供了全面的特征描述符：

角度	描述符	符号	说明
面向任务	平均可用机会	$Gamma_{mathrm{ao}}$	每个任务平均的可行执行机会数
	机会受限任务比例	$Gamma_{mathrm{oc}}$	具有最多两个可行窗口的高度约束任务的比例
	任务干扰比例	$Gamma_{mathrm{ti}}$	至少有一对机会相互冲突的任务对比例
	平均任务对冲突比例	$Gamma_{mathrm{at}}$	竞争任务中，冲突可用窗口对与可比较可用窗口对的平均比例
	任务弹性比例	$Gamma_{mathrm{te}}$	可行的卫星窗口组合总数与任务总数的比率
面向卫星	观测争用比	$Lambda_{mathrm{oc}}$	争夺卫星容量的任务之间的连续时间重叠程度
	冲突卫星比例	$Lambda_{mathrm{cs}}$	经历至少一次调度冲突的卫星比例
	时间线过载率	$Lambda_{mathrm{to}}$	星座总时间线上被冲突事件占用的比例
	平均冲突任务数	$Lambda_{mathrm{ac}}$	本地冲突期间同时竞争的任务平均数量
	超额需求比	$Lambda_{mathrm{ed}}$	实际持续时间加权超额需求与理论最大超额需求的比率

5. 完整实验结果

该存储库包含了用于评估的 2,500个实验实例（1,370个敏捷 + 1,130个非敏捷）的完整数值结果，保存在 Scenario_Level_Results.xlsx 工作簿中，记录了五种核心指标的性能：

TP：任务利润
TCR：任务完成率
TM：及时性指标
BD：均衡度
RT：运行时间

6. 项目结构

项目主要包含以下目录：

algorithms/：调度算法及工厂
core/：静态领域模型和场景生成
schedulers/：约束模型、引擎、加载器、评估指标、RL环境
utils/：基于Orekit的可见性计算
draw/：CZML和Cesium可视化工具
input/：星座定义和目标文件
output/：生成的场景、调度结果、模型和日志
Characterisation/：场景冲突与复杂度特征分析

搜集汇总

数据集介绍

构建方式

EOS-Bench的构建基于一个多维度的情景空间，该空间由卫星平台类型、规划时间跨度、星座构型、任务负载及目标分布等参数定义。通过集成高保真轨道动力学与多样化的平台约束，框架生成了1,390个情景和13,900个基准实例。这些实例涵盖从小规模精确验证案例到包含1,000颗卫星和10,000个请求的大规模协调任务。此外，为了量化情景的结构性难度，框架引入了情景特征描述方案，通过聚合实例层面的描述符来评估可行机会密度、任务灵活性、成对冲突及卫星侧拥塞等关键属性。

特点

EOS-Bench的核心特点在于其统一性和可扩展性。该框架支持敏捷与非敏捷两种卫星平台，并在共同建模架构下处理两者。基准库包含标准情景和特定情景：标准情景系统地变化平台类型、规划时间、星座规模和任务负载，提供广泛的比较基础；特定情景则通过有控制的敏感性分析，研究资源容量、机动性和星座构型等单一因素的影响。此外，框架还引入了情景特征描述方案，通过任务导向和卫星导向的描述符揭示问题固有结构，以及多维度的评估协议，从任务收益、完成率、负载均衡、时效性和运行时间五个方面综合评价求解器性能。

使用方法

使用EOS-Bench时，用户首先选择或定义一个具体的情景参数组合，进而生成相应实例。所有求解器通过标准化接口与框架交互，接收包含规划时间、卫星参数、任务属性及预计算访问窗口的输入，并输出具体的调度计划。框架通过多维度评估协议对返回的计划进行统一评测，支持精确优化、启发式、元启发式和深度强化学习等多种算法。用户可通过框架提供的可视化引擎对调度计划进行时空展示，并结合情景特征描述符深入理解算法在不同结构性难度下的行为差异。

背景与挑战

背景概述

随着对地观测任务从单星平台向大规模星座演进，星地资源调度问题（EOSSP）因其NP-hard的复杂组合优化特性，已成为航天运筹领域持续二十余年的核心挑战。在此背景下，来自中南大学、伦敦玛丽女王大学等全球多所顶尖机构的研究人员，于2026年共同推出了EOS-Bench基准框架。该框架旨在解决领域内长期缺乏统一开源评测标准的关键瓶颈，通过集成高保真轨道动力学与多样化平台约束，系统性地生成了涵盖1,390个场景及13,900个测试实例的大规模基准库。其研究范围从单星精确验证的小规模案例，延伸至包含1,000颗卫星与10,000个请求的大规模协同任务，为各类调度算法的公平、可重复评估提供了坚实的实验基础，显著推动了该领域的标准化进程。

当前挑战

EOS-Bench面临的核心挑战首先源自EOSSP领域问题本身的复杂性：调度需在可见性、平台机动性、星上资源等多重约束下，完成成像任务的选取、分配与排序，且敏捷卫星的引入使得姿态转换时间与观测时机紧密耦合，加剧了问题难度。其次，构建过程中面临两大挑战：一是如何生成覆盖从单星到千星星座、从数十分钟到一周规划跨度的海量、多样且具代表性的基准实例，以检验算法在不同规模与工况下的表现；二是需要设计一套超越传统规模指标（如卫星数与任务数）的场景刻画方案，通过量化可行机会密度、任务弹性、冲突强度及卫星侧拥塞等结构性特征，以解释名义规模相近但难度迥异的场景差异，确保基准评估的深度与可解释性。

常用场景

经典使用场景

在地球观测卫星调度领域，EOS-Bench被广泛用作统一的基准测试平台，用于系统性地评估和比较各类调度算法在多种复杂场景下的性能。其经典使用场景包括对精确混合整数规划、构造式启发式、元启发式以及深度强化学习等不同求解范式在任务收益、完成率、负载均衡、时效性和运行时间五个维度上的全面评测，从而揭示算法在不同卫星规模、任务密度和规划周期下的行为差异与适用边界。

衍生相关工作

EOS-Bench的发布催生了多项具有里程碑意义的衍生工作。基于其提供的标准化场景与评估体系，研究者相继提出了针对敏捷卫星调度的改进型自适应大邻域搜索算法、结合深度Q学习与集成启发式的混合求解框架，以及用于大规模星座任务规划的分层强化学习方法。此外，该基准还推动了多目标优化、量子启发式算法及可解释调度决策等前沿方向的发展，显著加速了卫星调度领域从理论模型到实际部署的转化进程。

数据集最近研究