← 返回 PaperDaily 大模型与智能体

斯坦福提出自适应交会筛选：太空碰撞候选对减28.78%，扫描快27倍

太空越来越挤，几万颗卫星的轨道交会筛选正在变成算力灾难。斯坦福这篇论文不换模型、不堆显卡，只用公开星历历史给每个目标单独估一个不确定度，把固定50公里阈值改成自适应阈值，候选对直接砍掉近三成，扫描速度还快27倍。在算力普遍吃紧的当下，用一次漂亮的"减法"换回大笔计算预算，这种思路值得每个做大规模筛选的人读一读。

龙哥读论文发布于 2026-10-17 01:09:39 阅读 8 查看原文

#AI应用 #预测模型 #人工智能 #涨点神器

原论文信息如下：

论文标题:
Scalable LEO Conjunction Screening using Adaptive Synthetic-Covariance Thresholds 发表日期:
2026年10月发表单位:
斯坦福大学（Stanford University）原文链接:
https://arxiv.org/pdf/2610.11645v1.pdf

太空越来越挤，交会筛选扛不住了

全球空间监视网络正在跟踪的地球轨道物体已超 4 万个，预计到 2030 年在轨卫星数量可能突破 10 万颗。物体越多，危险接近的机会就越多，航天领域称之为交会（conjunction），即两个空间物体在未来某段时间内彼此靠近到需要评估碰撞风险的程度。

研究显示，仅一周内间距小于 5 公里的交会事件超 13 万次。NASA 的合评估风险分析项目（CARA）在 2016 到 2020 年间处理的交会事件数量相对平稳，之后随着新增载荷不断进入 NASA 资产所在的轨道区域而急剧上升。模拟研究显示低轨卫星数量从 10885 颗增至 94581 颗，三个月内交会次数从 8377 次涨到 511177 次。

交会筛选计算量按平方增长。假设编目里有 N 个物体，两两配对就是 N(N-1)/2 个组合，复杂度为 O(N²)。物体一多，哪怕只做最粗的第一道筛选，也可能直接变成算力上的灾难。

斯坦福大学的 Vedant Srinivas 等人提出了一种改进方案：不换模型、不堆显卡，只是将固定 50 公里阈值改为自适应阈值，候选对砍掉近三成，扫描速度快了 27 倍。这种"用减法换算力"的思路值得关注。

固定阈值一刀切的问题出在哪

现有流程先用一串"筛子"（sieve）剔除不可能的组合，剩下的候选再做高精度传播和风险评估。第一道筛子通常是拱点筛（apsis），判断两个物体的轨道高度区间是否存在重叠，不重叠就直接排除。

图1(a)：拱点筛，判断两个物体的轨道高度区间是否存在重叠，不重叠就直接排除

图1(b)：路径筛，进一步判断两条轨道轨迹在几何上能否靠得足够近

图1(c)：相位筛，检查两个物体能否在相近时间出现在轨道上的相关区域，三级筛子逐级收紧候选集

拱点筛性价比最高，剔除掉的组合后面所有阶段的活都省了。它的效率直接决定了整条流水线的算力开销。

工程实践里常见的做法是把每个物体的高度范围统一往外扩一个固定值，最典型的就是 50 公里。扩得越多，筛子越保守，放过去的候选对越多，下游越累；扩得越少，候选对越少，但风险是可能把真正会发生交会的组合也一并扔了。

固定 50 公里的问题在于它默认编目里每个物体的轨道预报误差都一样大。可现实完全不是这么回事。有些目标被持续跟踪多年，轨道参数很稳，七天之后的预报误差很小，给它扩 50 公里纯属浪费，会留下一大堆物理上根本不可能相碰的组合。另一些目标长期没有更新，或者面质比大、受大气阻力影响剧烈，七天之后位置已经飘得没边了，这种情况下 50 公里可能还嫌不够保守，存在漏判风险。

论文用三个式子写清楚了这个问题。先是给每个物体定义它在整个考察窗口内的标称径向包络：

公式1：Ai(τ) 是物体 i 在考察窗口 τ 内的标称径向区间，qi(τ) 表示窗口内能达到的最小近地点高度，Qi(τ) 表示最大远地点高度。这个区间完全不考虑预报误差，就是纯粹由轨道根数决定的物理范围。

接下来给每个物体配一个非负的径向筛选阈值 Ti(τ)，把标称包络往外撑开：

公式2：Ii(τ) 是撑开后的区间。这里的阈值 Ti(τ) 是每个物体各自一份，随物体变、随时间变，不再是全编目统一的那个 50 公里。

公式3：物体 i 和物体 j 能通过拱点筛，当且仅当它们撑开后的区间有交集。由于阈值是各自独立的，两个本来完全不重叠的标称包络，只要间距不超过 Ti(τ)+Tj(τ)，仍然会被保留下来。这也是这套框架保守性的来源。

顺带说一句，拱点筛给出的是交会的必要条件而不是充分条件。两个物体的高度区间重叠，只说明它们有可能出现在同一高度上，并不意味着它们在空间和时间上真的会撞到一起。真正下结论还得靠后面的路径筛、相位筛以及碰撞概率计算。

用公开星历历史"猜"出每个目标的不确定度

要把阈值做成自适应的，前提是知道每个物体到底"飘多少"。理想情况下，这个信息应该由定轨过程直接给出，也就是一个经过标定的协方差矩阵。但公开的 Space-Track 编目对绝大多数物体并不提供这东西，这就形成一个尴尬局面：做筛选需要知道每个目标的不确定度，官方数据里偏偏没有。

本文的思路是从历史数据里反推。Space-Track 会持续发布同一个目标的通用摄动星历（GP，General Perturbations），这是一种公开的、能被 SGP4 模型直接传播的轨道根数集合。既然同一颗卫星在过去一段时间里被反复发布过多次根数，那就可以把这些历史根数全部传播到同一个未来时刻，再看看它们的预报结果彼此差多少。差得多，说明这个目标本来就不好预报；差得少，说明它比较稳。

具体做法是：以最新的一期星历作为参考解，同时向前保留 8 期历史星历。把每一期都用 SGP4 向前推到同一个公共时间段上，在每个采样时刻，用历史星历推出来的惯性系位置减去参考星历推出来的位置，得到一组状态残差。

公式4：δx(t) 是某一历史星历与参考星历在时刻 t 的惯性状态差。rold(t) 来自历史星历的传播结果，rref(t) 来自最新那期参考星历的传播结果。这个差值，度量的是两次公开发布之间的预报分歧。

残差不能直接拿来算方差，因为轨道误差是有方向的。径向误差改变的是轨道半径，横向误差让物体沿着轨道方向前后错位，法向误差则是垂直于轨道面上下偏移。这三种误差的物理行为完全不同，所以本文把每个残差都转到参考轨迹的瞬时 RTN 坐标系里。RTN 是航天动力学里的常用局部坐标系，R 是径向（Radial），T 是横向（Transverse），N 是法向（Normal）。

公式5：R(t) 是时刻 t 的惯性系到 RTN 系的旋转矩阵，δxRTN(t) 是旋转之后的六维状态残差，前三维修位置，后三维修速度。这里特意把速度分量也保留下来，是因为后面做协方差传播时需要位置与速度之间的交叉相关，只保留位置会丢信息。

有了采样残差，就可以按标准样本协方差公式算出一个六乘六的矩阵。本文在参考历元附近以一分钟为间隔均匀取 M 个有限残差样本，覆盖窗口为 0.3 天：

公式6：PRTNi,0 就是初始合成协方差，M 是保留的残差样本数，x̄RTN 是样本均值。这里有个硬性约束：一个中心化的六维样本协方差要满秩，至少需要 7 个样本，所以本文强制要求 M 不小于 7，样本不足的目标直接走回退方案。

需要说明的是，这个矩阵严格来说不等于真正的轨道不确定度。同一个目标的历史星历之间本身就存在时间相关性，而且传播用的是同一个 SGP4 模型，共同的建模偏差在做差时会被抵消掉。所以本文把它称为"合成协方差"，意思是它度量的是公开轨道解之间的分歧程度，而不是经过标定的绝对误差。这个措辞相当克制，也相当诚实。

接下来是把初始协方差推演到未来七天。本文没有去拟合一条简单的"误差随时间增长"的曲线，而是把完整六维协方差做数值传播。理由很简单：位置与速度误差是耦合的，只有整体传播，径向不确定度才能跟着真实轨道动力学一起演化。

公式7：Φi(t) 是状态转移矩阵（STM，State Transition Matrix），它把初始时刻的误差线性映射到未来时刻。Ai(t) 是数值力模型的雅可比矩阵，本文采用的是六阶六次球谐重力场加上大气阻力，目的是覆盖低轨轨迹在筛选窗口内的主要摄动项，初始条件为单位阵。

公式8：这就是协方差随时间的传播式。Pi(t) 是时刻 t 的传播后协方差。求解用的是 astrojax 这个航天动力学库，状态和 STM 的传播在 GPU 上批量完成，积分步长 60 秒，四阶龙格-库塔。

说到大气阻力，这里有个挺巧的处理。同一轨道高度上不同物体的面质比差异极大，但公开星历里并不给出每个物体的有效迎风面积。本文的解决办法是：先假设参考面积为 1 平方米做一天传播，测出半长轴衰减了多少，再拿星历里公开的平均运动变化率反推出该目标真实的半长轴衰减率，两者一比就得到等效迎风面积。

公式9：Aeff 是标定出的等效阻力面积，Aref 是参考面积，取 1 平方米。(da/dt)target 是从目标平均运动变化率反推的半长轴衰减率，(da/dt)ref 是参考传播测出来的衰减率。取 max(0,·) 是为了避免出现负面积这种物理上无意义的解。

协方差传完之后，在每一个传播步上把它转进瞬时 RTN 系，取左上角那一个元素开根号，就得到该时刻的径向位置标准差：

公式10：[PRTNi(t)]11 是 RTN 协方差矩阵的左上角元素，代表径向位置方差，开根号就得到径向标准差 σR,i(t)。之所以只关心径向，是因为拱点筛比的本来就是高度方向的范围。

由于瞬时径向不确定度会随轨道相位起伏，本文在每个考察时刻的上下 0.05 天（正负 72 分钟）窗口内取局部最大值，得到一个约 144 分钟的径向不确定度包络。这个跨度基本覆盖了一个低轨轨道周期，可以降低采样相位带来的敏感度。最终的自适应阈值就是包络乘上系数 k：

公式11：Ti(t) 就是物体 i 在时刻 t 的自适应拱点阈值，k 取 2，对应两倍标准差。这个系数决定了整套方法在保守与激进之间的位置，也是全文少有的靠经验拍定的参数。

这个阈值有两个特点值得划重点。第一，它随物体变化，轨道预报越准的目标阈值越小，可以把更多无望的组合提前扔掉；第二，它随时间变化，预报窗口拉得越长，阈值就撑得越宽。更关键的是，它不设 50 公里的上限，当推演出的不确定性确实很大时，阈值会超过 50 公里，反而比原来的固定做法更保守。对于那些历史星历不够、凑不出协方差的目标，本文退回使用固定 50 公里阈值，保证编目里每个物体都有确定的筛选门限。

用多少期历史星历比较合适，论文附录专门做了敏感性分析。结论是 8 期这个配置在阈值稳定性和数据可得性之间取得了比较好的折中。

图5(a)：跟踪良好的载荷，七天自适应阈值对历史星历期数的敏感性，虚线为选定的配置

图5(b)：中等跟踪质量目标，同样配置下阈值的收敛表现

图5(c)：碎片目标，星历期数不足时阈值波动明显，这也是需要设置回退阈值的原因之一

传播完的协方差到底长什么样，论文挑了三个有代表性的目标画了出来：

图6(a)：NORAD 编号 12978 的跟踪良好载荷，三条曲线分别为径向、横向、法向位置标准差随七天预报窗口的变化

图6(b)：NORAD 编号 17271 的中等目标，误差增长速度介于两端之间

图6(c)：NORAD 编号 54487 的碎片目标，位置不确定度在七天内显著放大，这也是它需要更宽阈值的直接证据

自适应阈值加二分搜索，快27倍还不丢目标

阈值有了，下一个问题是：三万多物体、五亿多对组合，怎么高效判断哪些高度区间存在重叠。最直接的做法是两两比一遍，但那是 O(N²)，等于把刚刚省下来的计算又原样还回去了。

本文先把每个物体撑开后的区间上下界写出来。标称包络的两侧还要额外加 5 公里的数值填充，这个填充量在固定方案和自适应方案里完全一致，目的是和以往研究中常用的 5 公里交会检测门限保持一致。

公式12：ℓi(t) 和 hi(t) 分别是物体 i 在时刻 t 撑开后区间的下界和上界。qi 与 Qi 来自标称包络，δapsis 是固定的 5 公里数值填充，Ti(t) 是刚才算出的自适应阈值。注意同一个标称包络在所有考察时刻都复用，变的只有阈值那一项。

有了上下界，就可以把区间按下界排序，然后对每个区间做一次二分查找，找出第一个下界超过当前区间上界的位置。这道扫描是整个方法里工程味最重的一环：

算法1：二分搜索式高度扫描

输入：撑开后的区间集合 {[ℓ_i(t), h_i(t)]}，i = 1...N
输出：候选对集合 C

1. 将所有区间按下界 ℓ_i(t) 升序排序，保留物体标识
2. 初始化候选集 C 为空
3. 对 i = 1 到 N-1：
4.     j_max ← UPPERBOUND({ℓ_j(t)}, h_i(t)) - 1
5.     对 j = i+1 到 j_max：
6.         C ← C ∪ {(id_i, id_j)}
7. 返回 C

这里的 UPPERBOUND 返回的是排序后第一个下界超过 hi(t) 的位置。既然区间按下界排好了序，那么一旦某个区间的下界超出了当前区间的上界，它后面所有的区间都不可能再和当前区间重叠了。而在截断点之前被遍历到的每一个区间，重叠条件都已经自动满足，不需要再逐个判交。

这个扫描把区间判交的复杂度从 O(N²) 降到了 O(N log N)，而且论文专门验证过，它返回的候选集与逐对穷举公式3完全一致，不引入任何额外的漏判。换句话说，加速是纯粹的工程收益，没有拿精度去换。

结果有多硬核，边界在哪里

实验设置：编目用的是 Space-Track 在 2026 年 5 月 30 日的一份 GP 快照，外加每个目标此前 28 天内最多 8 条历史星历，按 NORAD 编号和历元去重后得到 33791 个有效物体。其中 25284 个能构造出可用的七天合成协方差，剩下 8507 个因为历史数据不足走 50 公里回退。考察时刻取 0、1、2、3、5、7 天。计算环境是一台 64 核 AMD EPYC 9554 工作站，512 GB 内存，两张 NVIDIA L40 GPU。全编目的协方差和 STM 传播用单张 L40 完成，批量大小 1500 个物体，而运行时标定实验则是纯 CPU 单线程跑的，目的就是把筛选算法本身的复杂度收益单独隔离出来。

候选集削减效果：33791 个物体两两配对，最多有 570898945 个组合。固定阈值筛完剩下约 2.29 亿对，占全部的 40.05%；而自适应阈值筛完只剩约 1.63 亿对，占比 28.52%。

表1：七天全对全筛选结果。三行分别是完全不筛的穷举、固定 50 公里阈值、自适应阈值。自适应方案保留 162819449 对候选，相比固定阈值再降 28.78%，相比穷举整体下降 71.48%

这个数字意味着什么？下游那些最贵的环节，比如高精度传播、最近接近时刻（TCA，Time of Closest Approach）精修、碰撞概率计算，需要处理的输入直接少了一大块。而第一道筛子省下来的每一对组合，省的是全流程的成本。

削减幅度从哪来？本质上是不同物体的自适应阈值差异。以跟踪质量好、预报很稳的 Centispace 载荷和 SL-14 火箭上面级为例，它们在整个七天窗口里的自适应阈值都明显低于 50 公里基线，于是大量物理上不可能相碰的组合被提前剔除。

图2(a)：Centispace 载荷的自适应阈值演化，实线为轨道窗口内的中位数，阴影为局部极小极大包络，虚线是固定 50 公里基线。可以看到该目标全程阈值都远低于基线

图2(b)：SL-14 火箭上面级，同样是阈值稳定、低于基线的典型低不确定度目标

反过来，Fregat 碎片这类目标的径向不确定性随时间显著增长，阈值很快超过 50 公里，筛选反而变得更保守。这正是论文想要的两面性：不确定度小的时候收紧，不确定度大的时候放宽。

这里要特别强调一句：本文的阈值不是只往小了调。统计下来有 4.87% 的物体拿到的候选对数量比固定阈值方案更多，因为对它们来说 50 公里确实不够保守。这个细节在安全相关的系统里很关键——如果一套自适应机制只能放松不能收紧，它本质上就是在偷偷降低安全裕度。

削减幅度能不能随编目规模一直保持，是这套方法能不能长远用的关键。实验显示，在所有测试过的编目规模下，自适应筛保留下来的候选对数量始终低于固定 50 公里方案，两者也都低于完全不筛的 N(N-1)/2。也就是说，卫星越多，这套方法相对固定阈值的优势并不会消失。

图3(a)：候选对数量随编目规模的变化。自适应筛在各规模下都低于固定阈值方案，两者都低于不筛的基线

图3(b)：CPU 筛选时间随编目规模的变化。图中的 O(N²) 和 O(N log N) 曲线是理论标度参考线，不是拟合模型；轨道传播和协方差生成不计入这段计时

召回方面，本文用了两个独立传播的参考集来验证：一组用 SGP4 传播，包含 98 对最小采样三维间距小于 5 公里的组合；另一组用数值传播，包含 1768 对。固定 50 公里筛和自适应筛在两个参考集上都是 100% 召回。这组对照相当有说服力——候选集砍掉将近三成，物理上真正会发生近距离接近的组合一个都没丢。

一对多筛选的视角也有意思。以单个物体去查询整个编目时，候选数缩减的中位数是 26.00%，95 分位是 59.63%；查询延迟中位数 50.46 微秒，95 分位 81.92 微秒，采样 1000 次查询统计得到。也就是说，这套方法不只是批量跑得快，单次查询也是微秒级响应。

高度扫描本身的复杂度收益也被单独隔离测量过。在最大测试规模下，二分搜索扫描比逐对穷举快 27 倍，而且两者返回的候选集完全相同。这个倍数是纯算法层面的，与协方差估计、阈值计算都无关。

接下来得说说这篇论文的边界，这部分论文自己也交代得比较清楚。

第一，合成协方差不是标定协方差。它度量的是公开星历之间的分歧程度，而不是经过标定的绝对轨道不确定度。所以这个阈值更像是"相对保守程度的分配器"，而不是严格意义上的概率门限。论文附录拿 NASA CARA 的 PCTESTCASECDMS 数据集做了交叉对照，用 97 个低轨目标案例比较传播后的合成径向方差与 CARA 报告方差，整体落在同量级但也存在倍数级差异，这也是作者反复使用"covariance-like"这种谨慎措辞的原因。

附录中用来衡量两者差距的对称倍数指标是这样一个定义：

公式13：fR 是合成径向方差与 CARA 报告径向方差之间的对称倍数，取两个比值中的较大者。当两者完全一致时 fR 等于 1，数值越大说明偏差越大。这个指标的好处是无论谁大谁小，倍数都是对称的。

表2：传播后的合成协方差与 CARA 报告协方差对角项的一致性统计，用来判断这套估计到底有多接近官方标定值

图4(a)：逐案例对比，展示 97 个低轨目标在最近接近时刻的合成径向方差与 CARA 报告方差，图中标出了完全一致、两倍差异和十倍差异的参考区域

图4(b)：一致性分布，用对称倍数汇总合成估计与报告值之间的差距。可以看到多数目标落在同量级，但尾部偏差并不小

第二，实验全部在低轨环境下完成。外推到大椭圆轨道或者深空轨道需要重新验证，因为那里的大气阻力几乎不存在，误差增长的主导项完全不同。

第三，窗口和采样都是设定值。七天预报窗口、30 分钟采样间隔、60 秒积分步长都是从工程角度拍定的，换窗口长度阈值分布会跟着变，需要重新调系数。

第四，8507 个目标直接落回固定阈值。这个比例不算小，接近编目的四分之一。历史星历不足的目标占不到自适应方案的好处，这也说明方法的覆盖能力受限于公开数据的完整性。

第五，也是最需要读者留心的一点：整个链路省下来的是候选对数量，但真正的计算瓶颈可能已经转移到协方差传播和 STM 积分那一侧去了。论文自己也说明，27 倍这个数字是排除轨道传播和协方差生成、只用预计算好的拱点区间测出来的。所以真实生产环境里的端到端加速比，绝对不是论文里这个 27 倍。这一点一定要拎

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？斯坦福用公开星历历史为每颗卫星单独估计轨道预测不确定度，把固定50公里交会筛选阈值换成逐目标自适应阈值。3.4万目标目录上候选对减少28.78%，二分搜索扫描快27倍，参考集近距离接近全部召回。

这篇工作最值得看的点是什么？自适应筛选在7天预测窗口下将5.709亿可能目标对缩减至1.628亿候选对，相比固定50 km阈值减少28.78%，相比暴力全对筛选减少71.48%；两套独立传播参考集中的所有近距接近事件均被100%召回；二分搜索高度扫描返回与穷举评估完全相同的候选集，在最大测试星表规模下加速27倍；单目标对星表查询中位候选缩减26.00%，95分位缩减59.63%。

这篇工作的边界或风险在哪里？优点在于首次将公开星历历史中的预测分歧转化为目标专属的自适应近地点阈值，替代了传统固定阈值的保守假设；阈值随目标不确定度和预测时间动态变化，对低不确定度目标收紧筛选、对高不确定度目标放宽筛选，实现了筛选保守度的按需分配；二分搜索高度扫描将区间重叠检测从O(N²)降至O(N log N)，使异质自适应阈值在星表规模下可行；在33791个目标的真实星表上验证了候选对缩减和100%近距接近召回。缺点在于合成协方差基于同源公开星历和相同SGP4模型构造，残差中存在共模误差和时间相关性，并非标定后的概率协方差；k=2和n_recent=8为经验参数，缺乏理论最优性保证；验证仅限LEO和7天预测窗口；

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

用公开星历历史构造目标专属合成协方差并数值传播，将传播后的径向不确定度转化为随时间变化的自适应近地点阈值，配合二分搜索高度扫描实现星表规模的高效筛选。

实验合理度：★★★★☆

候选对保留数量、候选对缩减比例、近距接近召回率、二分搜索与穷举评估的候选集一致性、CPU筛选时间、单目标查询延迟、合成协方差与CARA协方差的对称一致因子。

学术研究价值：★★★★☆

用公开星历历史构造目标专属合成协方差并数值传播，将传播后的径向不确定度转化为随时间变化的自适应近地点阈值，配合二分搜索高度扫描实现星表规模的高效筛选；更关键的是问题定义是否可复用到同类任务。

稳定性：★★★☆☆

现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。

适应性以及泛化能力：★★★☆☆

现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。

硬件需求及成本：★★★☆☆

全星表协方差与状态转移矩阵传播使用单块NVIDIA L40 GPU，固定批大小1500个目标，float32精度；二分搜索高度扫描在N=33777时CPU单线程耗时0.00916秒，穷举二次区间评估耗时0.247秒，加速27倍；

复现难度：★★★☆☆

现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。

产品化成熟度：★★★☆☆

论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。

可能的问题：现有材料尚未充分覆盖分布外泛化、部署成本、长期稳定性和失败案例。

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

读者留言

可直接以游客身份留言，也可注册读者账号。所有留言均需管理员审核后公开。

0 条已公开

还没有公开留言，欢迎留下你的看法。

游客可以直接留言；注册后可使用固定昵称和账号身份。登录免费注册