基于大语言模型的星群人智协同管控方法和系统

技术领域

本发明涉及在轨卫星管理领域，尤其涉及基于大语言模型的星群人智协同管控方法。

背景技术

近年来，以星链、一网为代表的大规模星座网络已展开建设并初步形成能力。

当前对于在轨卫星的管理，主要是由地面站发起具体指令来管理的。当卫星用户发起任务需求时，地面工程师根据任务需求手动查看当前卫星平台状态、载荷状态及任务进行状态，通过统计数据或报表的形式向用户反馈任务信息，当用户发起协同任务需求时，需要地面工程师进行任务规划求解，结合领域相关知识和经验人工制定星群协同方案。这种管理方式的优点是技术方案和管理模式都非常成熟，对卫星的掌控能力强。但随着卫星的数量增多、分布广泛，单纯依靠人工，管控工作将变得十分繁重，在浪费极大的物力和人力的同时，管控耗时显著增加，已无法应对未来瞬息万变的太空环境。

超大规模星群与大规模星座相比区别主要体现在，超大规模星群卫星数将在万颗以上，而星座卫星数相对较少仅有百颗，因此星座管控主要体现在任务应用层面，管控方式相对成熟，而超大规模星座由于卫星数目大规模增长，管控信息也将呈指数级增长，包括但不限于卫星状态、姿轨参数、覆盖特性、通信链路、载荷状态、备份轨位、敌方状态、碰撞概率、任务状态、用户归属等海量信息。面对海量数据时决策层需要计算机进行辅助处理，因此急需发展基于对话模式的遥感星群管控技术。

2022年，ChatGPT的问世使大模型在军事领域的潜在应用范围得以广泛扩展，除上述应用外，其还可能被用于自动目标识别及监视、战场环境支持、无人驾驶车辆、无人机系统及自主武器系统控制、海量军事数据管理、态势感知、路径规划等等。Palantir公司正在推出Palantir人工智能平台(AIP)，该平台旨在运行大型语言模型，如GPT-4和私有网络上的替代方案，在其中一个宣传视频中，Palantir演示了军队如何使用AIP来打仗，AIP可以让操作员通过与聊天机器人交互，快速获取敌军的位置、装备、意图等信息，并制定多个攻击计划，包括使用无人机侦察、干扰敌方通信、发射导弹等。AIP还可以为操作员提供实时反馈、解释和建议，以及监控和控制AI代理和其他AI活动的能力。AIP人工智能平台使用大模型为国防和军事领域带来了巨大的变化。

高时效、一体化、智能化的星群人智协同管控是未来的趋势，急需进行自主自研的遥感星群人机协同管控技术研究，其目标是以任务及需求为导向，智能、高效地统筹安排卫星资源和时间，充分发挥复杂卫星系统的能力，综合海量的商业、国防和军方数据，管理各个模型所能访问的数据，提高模型对数据的使用效率，为指挥官提供详细的空间信息和完善的行动选项，以此优化决策流程并缩短决策时间，并辅助指挥官监控整个任务过程。

发明内容

本发明针对现有星群依靠人工管理，亟需高时效、一体化、智能化的星群人智协同管控的问题，提出一种基于大语言模型的星群人智协同管控系统，所述系统包括：

智能解译应答单元、超大规模星群任务规划单元与超大规模星群高效仿真推演单元；

所述智能解译应答单元基于航天专业知识解译识别，通过数据的文本提取、关键要素抽取与事件检测，获取对话输入的文本信息，提取关键词；根据关键词获得信息主题类别、事件类型以及相应的指控内容，根据指控内容获取任务规划集合；

所述超大规模星群任务规划单元用于根据智能解译应答模块获取的任务规划集合对所有遥感卫星进行遍历，对遍历后的星群进行协同任务规划与调度，将调度结果输出至超大规模星群高效仿真推演单元；

所述超大规模星群高效仿真推演单元接收调度结果进行实时仿真。

进一步的，还提供一种优选方式，所述智能解译应答单元包括询问任务模块、指控任务模块和决策任务模块；

所述询问任务模块用于将输入的关键词与超大规模星群高效仿真推演单元中海量数据进行匹配查询，从卫星状态、姿轨参数、覆盖特性、通信链路、载荷状态、敌方状态、碰撞概率、任务状态以及用户归属中获取用户询问信息并进行智能回复；

所述指控任务模块用于将输入的关键词进行分解，获得标准指令形式，并作为指控输入给超大规模星群高效仿真推演模块，通过驱动超大规模星群高效仿真推演单元中姿轨控模块、火箭模块、推力器模块、天线模块、相机模块、空间环境模块、测控覆盖模块、导航模块、传感器模块以及路由计算模块进行实时仿真；

所述智能解译模块将输入的关键词分解为任务规划集合，包括观测资源集合、观测目标集合以及约束集合。

进一步的，还提供一种优选方式，所述超大规模星群高效仿真推演单元中海量数据包括：卫星状态、姿轨参数、覆盖特性、通信链路、载荷状态、敌方状态、碰撞概率、任务状态以及用户归属。

进一步的，还提供一种优选方式，所述标准指令包括：执行时间、指令ID、指令执行组件名称、任务名称、指令名称和指令内容。

进一步的，还提供一种优选方式，所述执行时间为UTC时刻，格式为：年-月-日-小时-分钟-秒。

进一步的，还提供一种优选方式，所述超大规模星群任务规划单元的任务规划流程具体为：

对所有遥感卫星进行遍历；

根据遍历结果对遥感卫星任务时间内的轨道进行预报，并计算遥感卫星姿态与相机指向获取可观测区域；

遍历所有目标集合，计算遥感卫星对目标的可见性；

根据遥感卫星对目标的可见性针对用户输入的约束条件进行判断，筛选出可用的观测卫星列表；

利用任务规划方法筛选出观测列表中可选观测方案，通过智能解译应答单元将方案以文本形式反馈；

根据反馈结果进行决策选择与确认，在确认决策后将策略以指控形式反馈给仿真系统进行实时仿真。

进一步的，还提供一种优选方式，所述利用任务规划方法筛选出观测列表中可选观测方案，包括：

将星群的观测任务分为连续观测任务与非连续观测任务，其中，非连续观测任务仅需选取一颗最优观测卫星执行任务，连续观测任务需要对观测序列进行优化排序。

基于同一发明构思，本发明还提出一种基于大语言模型的星群人智协同管控方法，所述方法是基于上述任一项所述的系统实现的，所述方法包括：

当用户需求以文本形式进行对话输入时，智能解译应答单元将对话历史、航天领域知识以及预设关键要素进行关键要素提取，根据关键要素将用户需求进行分类；

分类后进行关键词提取，根据关键词获得信息主题类别、事件类型以及相应的指控内容，根据指控内容获取任务规划集合；

超大规模星群任务规划单元根据智能解译应答模块获取的任务规划集合对所有遥感卫星进行遍历，对遍历后的星群进行协同任务规划与调度，将调度结果输出至超大规模星群高效仿真推演单元；

超大规模星群高效仿真推演单元接收调度结果进行实时仿真。

基于同一发明构思，本发明还提出一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据上述所述的基于大语言模型的星群人智协同管控方法。

一种计算机可读存储介质，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行上述任一项基于大语言模型的星群人智协同管控方法。

本发明的有益之处在于：

本发明解决了亟需高时效、一体化、智能化的星群人智协同管控的问题。

本发明所提出的一种基于大语言模型的星群人智协同管控系统，通过智能解译应答单元，系统能够利用大语言模型的文本分析能力，快速准确地解读和应答对话输入，从而实现高效的星群管理。超大规模星群任务规划单元通过遍历所有遥感卫星，并利用智能解译应答单元获取的任务规划集合，实现对星群的协同任务规划与调度，使整个系统具备一体化的管理能力。超大规模星群高效仿真推演单元能够接收任务规划单元的调度结果，并进行实时的星群仿真推演，从而使系统能够在虚拟环境中评估和优化任务规划，提高星群管控的效能。智能解译应答单元基于航天专业知识进行解译识别，通过数据的文本提取、关键要素抽取与事件检测，使系统能够更精准地理解和处理与星群管理相关的信息。系统能够通过不断地解析对话输入并提取关键信息，实现对实时变化的情境做出快速响应，使星群管理具备更强的灵活性。

本发明所提出的一种基于大语言模型的星群人智协同管控系统中，智能解译应答单元通过大语言模型，利用航天专业知识解译对话输入的文本信息，提取关键词，分析信息主题类别和事件类型，获取相应的指控内容，并最终得到任务规划集合。超大规模星群任务规划单元根据智能解译应答单元提供的任务规划集合，对所有遥感卫星进行遍历，实现星群的协同任务规划与调度，将调度结果输出给超大规模星群高效仿真推演单元。超大规模星群高效仿真推演单元接收任务规划单元的调度结果，通过实时仿真推演，评估星群的性能和效能，为系统提供反馈信息，支持决策的优化与调整。该系统的目的在于解决现有星群人工管理的问题，通过引入大语言模型，使得星群管理变得更高效、一体化、智能化。通过系统的协同规划、实时仿真推演和智能解译，旨在提高星群的整体管理水平，确保星群在复杂的环境中能够有效、灵活地执行任务。系统的设计目标是通过自动化、智能化的方式，使星群管理更加适应现代化的需求，提高卫星任务的规划、协同和执行的效率。

本发明应用于星群人工智能协同管控领域。

附图说明

图1为实施方式一所述的基于大语言模型的星群人智协同管控方法流程图；

图2为实施方式二所述的智能解译应答单元控制指令生成与反馈流程图；

图3为实施方式六所述的超大规模星群任务规划单元的任务规划流程图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。

实施方式一、参见图1说明本实施方式。本实施方式所述的基于大语言模型的星群人智协同管控系统，所述系统包括：

智能解译应答单元、超大规模星群任务规划单元与超大规模星群高效仿真推演单元；

所述智能解译应答单元基于航天专业知识解译识别，通过数据的文本提取、关键要素抽取与事件检测，获取对话输入的文本信息，提取关键词；根据关键词获得信息主题类别、事件类型以及相应的指控内容，根据指控内容获取任务规划集合；

所述超大规模星群任务规划单元用于根据智能解译应答模块获取的任务规划集合对所有遥感卫星进行遍历，对遍历后的星群进行协同任务规划与调度，将调度结果输出至超大规模星群高效仿真推演单元；

所述超大规模星群高效仿真推演单元接收调度结果进行实时仿真。

本实施方式中通过智能解译应答单元，系统能够利用大语言模型的文本分析能力，快速准确地解读和应答对话输入，从而实现高效的星群管理。超大规模星群任务规划单元通过遍历所有遥感卫星，并利用智能解译应答单元获取的任务规划集合，实现对星群的协同任务规划与调度，使整个系统具备一体化的管理能力。超大规模星群高效仿真推演单元能够接收任务规划单元的调度结果，并进行实时的星群仿真推演，从而使系统能够在虚拟环境中评估和优化任务规划，提高星群管控的效能。智能解译应答单元基于航天专业知识进行解译识别，通过数据的文本提取、关键要素抽取与事件检测，使系统能够更精准地理解和处理与星群管理相关的信息。系统能够通过不断地解析对话输入并提取关键信息，实现对实时变化的情境做出快速响应，使星群管理具备更强的灵活性。

本实施方式中智能解译应答单元通过大语言模型，利用航天专业知识解译对话输入的文本信息，提取关键词，分析信息主题类别和事件类型，获取相应的指控内容，并最终得到任务规划集合。超大规模星群任务规划单元根据智能解译应答单元提供的任务规划集合，对所有遥感卫星进行遍历，实现星群的协同任务规划与调度，将调度结果输出给超大规模星群高效仿真推演单元。超大规模星群高效仿真推演单元接收任务规划单元的调度结果，通过实时仿真推演，评估星群的性能和效能，为系统提供反馈信息，支持决策的优化与调整。该系统的目的在于解决现有星群人工管理的问题，通过引入大语言模型，使得星群管理变得更高效、一体化、智能化。通过系统的协同规划、实时仿真推演和智能解译，旨在提高星群的整体管理水平，确保星群在复杂的环境中能够有效、灵活地执行任务。系统的设计目标是通过自动化、智能化的方式，使星群管理更加适应现代化的需求，提高卫星任务的规划、协同和执行的效率。

实施方式二、参见图2说明本实施方式。本实施方式是对实施方式一所述的基于大语言模型的星群人智协同管控系统的进一步限定，所述智能解译应答单元包括询问任务模块、指控任务模块和决策任务模块；

所述询问任务模块用于将输入的关键词与超大规模星群高效仿真推演单元中海量数据进行匹配查询，从卫星状态、姿轨参数、覆盖特性、通信链路、载荷状态、敌方状态、碰撞概率、任务状态以及用户归属中获取用户询问信息并进行智能回复；

所述指控任务模块用于将输入的关键词进行分解，获得标准指令形式，并作为指控输入给超大规模星群高效仿真推演模块，通过驱动超大规模星群高效仿真推演单元中姿轨控模块、火箭模块、推力器模块、天线模块、相机模块、空间环境模块、测控覆盖模块、导航模块、传感器模块以及路由计算模块进行实时仿真；

所述智能解译模块将输入的关键词分解为任务规划集合，包括观测资源集合、观测目标集合以及约束集合。

本实施方式中询问任务模块通过匹配查询海量数据，从多个方面获取用户关键词相关信息，能够实现对用户询问的智能回复，提高了系统与用户之间的交互效率。指控任务模块将用户输入的关键词转化为标准指令形式，并通过驱动超大规模星群高效仿真推演单元进行实时仿真。这有助于在虚拟环境中模拟星群的实际行为，为用户提供更直观、实时的信息支持。通过指控任务模块的分解和转化，实现对超大规模星群高效仿真推演单元中多个模块(如姿轨控模块、火箭模块、推力器模块等)的实时仿真驱动，使得系统的功能更为综合和全面。智能解译模块将用户输入关键词分解为任务规划集合，包括观测资源集合、观测目标集合以及约束集合，有助于系统更全面地理解和规划星群任务。

本实施方式进一步细化系统的功能，使系统能够更精确地回应用户的询问、执行用户的指控，并通过实时仿真支持决策任务。通过将用户输入的关键词映射到具体的星群数据和任务规划集合，系统更加全面地理解用户需求，提高了星群管控系统的智能性、实时性和多模块综合支持。整体目标是提高系统的管理效能，使得星群管理更加智能、灵活和适应性强。

实施方式三、本实施方式是对实施方式二所述的基于大语言模型的星群人智协同管控系统的进一步限定，所述超大规模星群高效仿真推演单元中海量数据包括：卫星状态、姿轨参数、覆盖特性、通信链路、载荷状态、敌方状态、碰撞概率、任务状态以及用户归属。

本实施方式中通过整合卫星状态、姿轨参数、覆盖特性、通信链路、载荷状态、敌方状态、碰撞概率、任务状态以及用户归属等多方面的海量数据，系统能够更全面、综合地理解星群的运行环境和各项关键指标，从而提高决策的准确性和全局优化能力。通过使用超大规模星群高效仿真推演单元，系统可以实时模拟星群的运行情况，包括各项状态的变化、任务执行的效果等。这有助于及时发现潜在问题、优化任务规划，并提供实时的决策支持。各种数据的综合利用为系统提供了充分的智能决策依据。系统可以基于实时数据和历史数据进行分析，做出更具智能性、适应性的决策，提高星群协同管控的效能。

本实施方式的核心是将来自多个方面的数据整合到超大规模星群高效仿真推演单元中。这包括卫星的状态、姿轨参数、通信链路等多个维度的数据。通过数据整合，系统形成了对星群运行环境全面而细致的认知。超大规模星群高效仿真推演单元负责实时模拟星群的各项状态。这一过程涉及对海量数据的实时计算和更新，以反映星群在不同条件下的动态演变。基于整合后的数据，系统可以利用大语言模型进行智能决策。系统可以学习历史数据、分析实时数据，并作出符合整体目标的智能决策。

实施方式四、本实施方式是对实施方式二所述的基于大语言模型的星群人智协同管控系统的进一步限定，所述标准指令包括：执行时间、指令ID、指令执行组件名称、任务名称、指令名称和指令内容。

使用标准指令格式包括执行时间、指令ID、指令执行组件名称、任务名称、指令名称和指令内容等信息，有助于提高系统的可扩展性和互操作性。所有指令都按照相同的规范进行定义，简化了系统的管理和维护。含有执行时间等信息的标准指令使得任务执行时间得以明确定义，提高了任务控制的精确性。这有助于系统按照既定计划和要求执行任务，减少误差和不确定性。每个指令都有唯一的指令ID，通过这个标识，可以方便地追踪和监控指令的执行情况。这对于系统的运行状态监控和故障排查非常重要。

本实施方式中的为系统设计一个统一的、标准的指令格式。这个格式涵盖了执行时间、指令ID、指令执行组件名称、任务名称、指令名称和指令内容等关键信息。这样的标准化有助于提高系统的可读性、可维护性，同时确保指令的一致性。在标准指令中明确定义执行时间，系统可以根据这个信息精确地控制任务的启动和执行时机。这是通过时间戳或其他时间表示方式来实现的，确保系统按照既定计划执行任务。每个指令都有唯一的指令ID，确保了每个指令在系统中的唯一性。这个唯一标识符使得系统能够对指令进行准确追踪、监控和管理。

实施方式五、本实施方式是对实施方式四所述的基于大语言模型的星群人智协同管控系统的进一步限定，所述执行时间为UTC时刻，格式为：年-月-日-小时-分钟-秒。

本实施方式中使用UTC时刻作为执行时间的标准，确保了全球各地使用相同的时间基准。这对于星群人智协同管控系统而言是非常重要的，因为星群可能涉及到不同的时区，统一时间格式有助于协同操作。明确规定了UTC时刻格式，避免了不同时区可能导致的混淆和误解。这样可以确保在星群管控系统中使用的时间是一致且清晰的，减少了潜在的错误。UTC是世界标准时间，不受时区影响。这使得星群人智协同管控系统更容易与其他系统集成，因为其他系统也可以采用相同的UTC时刻标准。

通过使用UTC时刻，系统可以实现全球协同操作，无论星群中的组件位于何处，都能够基于相同的时间标准进行协同工作。这对于星群的协同性和整体运作的一致性非常重要。明确定义了执行时间的格式，避免了由于时区差异或时间格式不一致而可能导致的误差。这有助于提高系统的精确性和可靠性。采用UTC时刻标准和规定的时间格式，有助于系统与其他外部系统进行集成，降低了集成过程中可能出现的时间处理问题，提高了系统的可插拔性和互操作性。

实施方式六、本实施方式是对实施方式一所述的基于大语言模型的星群人智协同管控系统的进一步限定，所述超大规模星群任务规划单元的任务规划流程具体为：

对所有遥感卫星进行遍历；

根据遍历结果对遥感卫星任务时间内的轨道进行预报，并计算遥感卫星姿态与相机指向获取可观测区域；

遍历所有目标集合，计算遥感卫星对目标的可见性；

根据遥感卫星对目标的可见性针对用户输入的约束条件进行判断，筛选出可用的观测卫星列表；

利用任务规划方法筛选出观测列表中可选观测方案，通过智能解译应答单元将方案以文本形式反馈；

根据反馈结果进行决策选择与确认，在确认决策后将策略以指控形式反馈给仿真系统进行实时仿真。

本实施方式中通过遍历所有遥感卫星和目标集合，系统综合利用了大量的遥感数据和目标信息。这确保了任务规划的基础数据是全面的，有助于更精确地规划卫星任务。通过对遥感卫星轨道的预报和计算姿态与相机指向，系统可以提供实时的可观测区域信息。这有助于及时发现并利用突发事件，提高了任务规划的实时性和准确性。遵循用户输入的约束条件，系统在任务规划中考虑了用户的需求，如时间窗口、观测方向等。这确保了生成的观测卫星列表和方案是符合用户期望的。

本实施方式采用任务规划方法智能地筛选出可选观测方案，并通过大语言模型进行解释和反馈，使得系统更具智能化和用户友好性，减轻了用户的认知负担。将用户确认的决策以指控形式反馈给仿真系统，实现实时仿真。这有助于验证规划的可行性和效果，提高了系统的实用性和可靠性。遍历所有遥感卫星，获取轨道、姿态和相机指向等数据，为任务规划提供基础信息。通过计算遥感卫星与目标的可见性，确定哪些目标可以被观测，从而筛选出可用的观测卫星列表。根据用户输入的约束条件，对可见性列表进行筛选，生成符合用户要求的观测卫星列表。使用任务规划方法对观测列表进行进一步筛选，生成可选的观测方案，确保最优的任务规划结果。通过大语言模型对生成的方案进行智能解释，以文本形式反馈给用户，提供直观、易懂的信息。用户确认决策后，将策略以指控形式反馈给仿真系统，进行实时仿真验证，确保规划的可行性。通过综合利用大量信息、考虑约束条件，系统的目的是生成最优的星群任务规划，以实现高效利用卫星资源。通过智能解释和用户决策确认步骤，系统旨在提供用户友好的界面和交互方式，使用户能够理解和参与任务规划过程。通过实时仿真反馈，系统确保规划的实时性，并通过验证保证规划的可靠性，以满足实际应用的需求。通过大语言模型的智能解释，系统为用户提供详细、易理解的任务规划信息，以支持用户在决策过程中的智能化选择。

实施方式七、本实施方式是对实施方式六所述的基于大语言模型的星群人智协同管控系统的进一步限定，所述利用任务规划方法筛选出观测列表中可选观测方案，包括：

将星群的观测任务分为连续观测任务与非连续观测任务，其中，非连续观测任务仅需选取一颗最优观测卫星执行任务，连续观测任务需要对观测序列进行优化排序。

本实施方式通过将观测任务分为连续和非连续观测，系统能够更有效地优化卫星资源。对于非连续观测任务，选择一颗最优观测卫星，减少了资源的分散使用；对于连续观测任务，优化排序可以最大程度地提高观测效率，确保任务间的无缝衔接。不同类型的观测任务可能需要不同的处理方式。分别处理连续和非连续观测任务，系统能够更好地适应不同任务的特性，提高了灵活性。针对非连续观测任务，系统可以根据最优观测卫星的性能和位置特点进行灵活的任务分配，以满足任务需求。对于连续观测任务，系统则可以通过优化排序实现更加智能的任务调度。连续观测任务的优化排序有助于提高观测的效率，确保在时间序列中充分利用卫星资源，减少空闲时间，最大程度地满足观测需求。

将观测任务分为连续和非连续观测，根据不同类型的任务特性采用不同的任务规划策略。针对非连续观测任务，系统通过任务规划方法选择一颗最优观测卫星，考虑卫星性能、位置、任务需求等因素。对于连续观测任务，系统通过优化排序算法对观测序列进行排列，以最大程度地提高观测效率，确保任务间的平滑过渡。针对非连续观测任务，系统制定灵活的任务分配策略，确保最优观测卫星能够有效执行任务。对于连续观测任务，系统采用智能化的任务调度策略，实现高效的观测序列。通过差异化处理连续和非连续观测任务，系统的目的是更有效地利用星群中的卫星资源，提高整体观测效能。划分任务类型和采用不同的任务规划策略，系统旨在提高对不同任务类型的适应性和灵活性，确保系统在各种情境下都能表现出色。通过优化排序和智能任务调度，系统致力于提高连续观测任务的效率，确保在有限时间内完成更多的观测任务。

实施方式八、本实施方式所述的基于大语言模型的星群人智协同管控方法，所述方法是基于实施方式一至实施方式七任一项所述的系统实现的，所述方法包括：

当用户需求以文本形式进行对话输入时，智能解译应答单元将对话历史、航天领域知识以及预设关键要素进行关键要素提取，根据关键要素将用户需求进行分类；

分类后进行关键词提取，根据关键词获得信息主题类别、事件类型以及相应的指控内容，根据指控内容获取任务规划集合；

超大规模星群任务规划单元根据智能解译应答模块获取的任务规划集合对所有遥感卫星进行遍历，对遍历后的星群进行协同任务规划与调度，将调度结果输出至超大规模星群高效仿真推演单元；

超大规模星群高效仿真推演单元接收调度结果进行实时仿真。

实施方式九、本实施方式所述的一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据实施方式八所述的基于大语言模型的星群人智协同管控方法。

实施方式十、本实施方式所述的一种计算机可读存储介质，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行实施方式八所述的基于大语言模型的星群人智协同管控方法。

实施方式十一、本实施方式是对实施方式一所述的基于大语言模型的星群人智协同管控系统提供一具体实施例，同时也用于解释实施方式二至实施方式七，具体的：

大规模星群管控过程一般发起人为星群指挥官，通过综合判断星群卫星状态、姿轨参数等信息，对太空形势研判后发起指挥指令进行管控操作。随着星群向规模超大化、载荷多样化、任务复杂化发展，管控信息呈指数型增长呈现出多样化、高时效、大数据量等特点。传统需求信息解译识别仍然面临多层级人工分析分解，存在因人员理解水平不足而产生的理解偏差、任务下达时间长等问题，给后续需求确定、协同规划及资源布局带来诸多困难。利用基于大语言模型的遥感星群人智协同管控系统可以避免烦琐的特征选择过程，自动抽象特征，学习相应的参数，并捕获复杂特征，快速、准确、智能理解和识别下达的应急任务需求。

基于大语言模型的遥感星群人智协同管控系统分为三个单元分别为智能解译应答单元、超大规模星群任务规划单元与超大规模星群高效仿真推演单元；

智能解译应答单元将自然语言描述的管控任务解译成机器可理解的任务指令。为了快速、准确、智能地理解和识别下达的应急任务需求，智能解译应答单元基于航天专业知识解译识别，通过数据的文本提取、关键要素抽取与事件检测，有效地获取对话输入的文本信息，提取关键词，获得信息主题类别、事件类型以及相应的指控内容，进而生成满足星群推演、智能规划系统可自动识别的标准化指控信息。

表1指令结构

当用户需求以文本形式进行对话输入时，智能解译应答单元基于训练好的检索模型，包括对话历史、航天领域知识以及预设关键要素进行关键要素提取，并依据关键要素将用户输入事件进行分类，将用户需求分解为询问任务、指控任务、决策任务三种任务类型，并在此基础上分别进行关键词提取。针对询问任务，智能解译应答单元将用户输入关键词与超大规模星群高效仿真推演单元中海量数据进行匹配查询，从卫星状态、姿轨参数、覆盖特性、通信链路、载荷状态、敌方状态、碰撞概率、任务状态以及用户归属中获取用户询问信息并进行智能回复；针对指控任务，智能解译应答单元将用户输入关键词进行分解获得如表1所示标准指令形式，并作为指控输入给超大规模星群高效仿真推演单元，以驱动姿轨控模块、火箭模块、推力器模块、天线模块、相机模块、空间环境模块、测控覆盖模块、导航模块、传感器模块以及路由计算模块的实时介入仿真；针对决策任务，智能解译应答单元将用户输入按关键词分解为任务规划集合，包括观测资源集合、观测目标集合以及约束集合，以支持超大规模星群任务规划单元求解。

基于对话提取的观测任务规划集合(观测资源集合、观测目标集合、约束集合)，利用超大规模星群任务规划单元进行星群协同任务规划与调度，为指挥官提供完善的决策选项，以此优化决策流程并缩短决策时间，并辅助指挥官监控整个任务过程。

卫星对任务进行观测的前提是卫星在规定时间内对观测任务具有可见时间窗口，任务规划方法是从卫星对目标的所有可见时间窗口中选出最佳的时间窗口，因此进行智能决策规划首先要对在管卫星对目标的可见性进行循环计算。利用智能解译应答单元解析后的任务规划集合(观测资源集合、观测目标集合、约束集合)作为输入，首先对所有遥感卫星进行遍历，对其任务时间内的轨道进行预报，并计算其姿态与相机指向进而确定可观测区域，然后遍历所有目标集合，计算卫星对目标的可见性，在此基础上针对用户输入的约束进行判断，筛选出可用的观测卫星列表。将星群的观测任务分为连续观测任务与非连续观测任务，其区别在于非连续观测任务仅需选取一颗最优观测卫星执行任务，而连续观测任务需要对观测序列进行优化排序，在利用任务规划方法分别确定可选观测方案后，利用基于智能解译应答单元将方案以文本形式反馈给用户，用户根据反馈决策列表进行决策选择与确认，在用户确认决策后将策略以指控形式(如表1)反馈给超大规模星群高效仿真推演单元进行实时仿真，便于用户观察任务结果。

以上结合附图对本发明提供的技术方案进行进一步详细地描述，是为了突出优点和有益之处，并不用于作为对本发明的限制，任何基于本发明的精神原则范围内的，对本发明的修改、实施方式的组合、改进和等同替换等，均应当包含在本发明的保护范围之内。