低空与轨道系统异常情况发现技术研究与应用_在轨异常检测架构-优快云博客

随着低空经济与轨道技术的迅猛发展，异常情况及时发现与智能诊断已成为保障系统安全稳定运行的关键。本文系统研究了低空与轨道系统异常检测的技术体系，涵盖了从轨道动力学异常检测到低空飞行器状态监测的多种核心技术。研究显示，基于预报偏差分析、光度数据特征提取、深度学习模型及空域智能管控等算法模型，能有效应对复杂环境下的异常诊断挑战。通过对合肥轨道全空间感知系统、卡斯柯低空智能管控系统及Terra卫星轨道异常检测等典型案例的分析，验证了这些技术在提升系统安全性、可靠性与运维效率方面的显著成效。未来，随着多模态数据融合、自主协同防护及标准体系构建的持续推进，低空与轨道异常检测技术将向更智能、精准与一体化的方向发展。

1 引言

近年来，低空经济作为战略性新兴产业在全球范围内快速崛起，据中国民用航空局预估，到2025年年底，低空经济规模将达到1.5万亿元人民币，2035年有望达到3.5万亿元-5。与此同时，轨道系统作为现代交通网络的骨干，其运营安全与可靠性直接影响城市与经济区的正常运转。随着两类系统规模扩大与复杂度增加，异常检测技术已成为保障其安全、高效运行的关键支撑。

低空与轨道系统在异常检测领域面临诸多共性挑战。轨道系统中的异常可能源于轨道控制指令错误、空间环境变化或设备自身故障，如低轨(LEO)航天器常因轨道控制、大气环境、碰撞等因素发生轨道突变-1。低空飞行器则面临飞行状态异常、空域冲突及环境干扰等风险，特别是当低空飞行物具有成像小、像素特征少和相对速度变化快等特点时，准确检测变得尤为困难-9。

异常检测技术正从传统人工诊断向智能化、自动化方向演进。在这一领域，多种创新技术方案不断涌现。例如，合肥轨道创新应用"无人机+量子精密测量"系统，融合了低空智能巡检与量子精密测量两大核心技术，实现了轨道安全的全空间智能感知与实时监测-3。卡斯柯基于近40年轨道交通智控技术积累，将大规模高密度交通流组织、动态路径规划、实时资源分配等成熟经验移植至低空场景，研发出低空智能管控系统-5。在轨道异常检测方面，基于预报偏差的分析方法通过SGP4模型长期项对目标的两行轨道要素(TLE)进行预报，利用马氏距离对预报偏差数据进行联合异常检测，已成功应用于Terra卫星等空间目标的机动事件分析-1。

本文旨在系统分析低空与轨道系统异常检测的技术挑战、核心算法、应用案例及发展趋势，为相关领域的研究与实践提供参考。通过梳理技术体系与探讨未来方向，助力低空与轨道系统的安全、高效与智能化运维。

2 低空与轨道异常检测的技术挑战

低空与轨道系统的异常检测面临多方面技术挑战，这些挑战直接影响了检测算法的准确性与可靠性。深入分析这些难点是开发高效异常检测系统的基础。

2.1 感知数据质量与处理效率的平衡

低空与轨道环境的动态性与复杂性对感知数据质量提出了极高要求。在轨道异常检测中，低轨目标因运动速度较快、观测几何条件变化明显，导致历史观测数据应用受限-4。低空飞行器检测中，目标常呈现小成像尺寸、稀少像素特征和快速相对速度变化等特点，传统检测方法易产生漏检与误检-9。

数据质量问题的另一面是处理效率的挑战。高精度算法往往伴随巨额计算开销，难以满足实时性要求。例如，在基于光度数据的低轨空间目标异常检测中，需要结合太阳-目标-测站相对几何关系、空间目标运动特性和光度学关系，进行大量仿真计算，对计算资源提出较高要求-4。

2.2 复杂环境扰动下的异常分离

轨道与低空系统均面临复杂的环境扰动因素。低轨航天器受到大气阻力、地球非球形引力、太阳辐射压力等多种摄动影响，其中大气密度不确定性是轨道预报误差的主要来源之一。在低空环境下，飞行器受到的扰动更为复杂多变，包括气象条件突变、地形效应及电磁干扰等。

这些环境扰动增加了异常分离的难度，在基于ADS-B的低空飞行器异常数据检测中，地形结构、气象条件等多种因素会导致ADS-B设备获取的位置信息存在异常-6。有效区分真实异常与环境扰动引起的假异常，需要算法具备强大的特征提取能力和环境适应性。

2.3 检测算法的泛化能力与准确性

异常检测算法在不同场景下的泛化能力是实际应用中的关键挑战。轨道异常检测方法需要适应不同类型的航天器和工作状态，而低空检测算法则需应对多样化的飞行器与快速变化的背景环境。

深度学习等先进技术虽提升了检测准确性，但仍面临诸多挑战。例如，在低空飞行物目标检测中，改进的YOLOv7算法通过引入SimAM注意力机制、CvNX模块和SIoU-Loss等创新，在自有数据集上平均精度(AP)达到了97.1%，但算法的普适性仍需更多实际场景验证-9。

2.4 实时响应与安全保障要求

低空与轨道系统对异常检测的实时性与可靠性有着严苛要求。空间碎片监测需要实现远距离危险空间碎片的实时监测、识别、碰撞预警和精确定轨-8。低空管控系统则需应对高密度飞行流，确保空域安全。

这些要求对异常检测系统提出了极高标准。卡斯柯的低空智能管控系统通过数字化空域建模、动态计划流控、安全包络等关键技术，构建覆盖"计划-调度-监视-运维"的全流程管控体系，以移动闭塞理念实现飞行器动态距离安全保护-5。这种系统需要将检测、决策与控制紧密结合，形成闭环安全管理。

表1：低空与轨道异常检测的主要技术挑战对比

挑战维度	轨道异常检测	低空异常检测
感知数据	观测几何变化明显，历史数据应用受限	目标成像小，特征少，相对速度快
环境扰动	大气密度不确定性，多种摄动影响	气象，地形，电磁干扰
算法性能	高精度轨道预报与异常识别	复杂背景下目标准确识别与跟踪
实时要求	碰撞预警，机动检测	空域冲突实时检测与解脱
安全保障	避免灾难性碰撞，保障任务执行	确保空中交通秩序与地面安全

3 轨道异常检测的核心算法与模型

轨道异常检测是保障航天器安全运行的关键技术，随着空间目标数量不断增加和空间环境日益复杂，基于动力学模型、光度特征和天基观测的检测算法得到了广泛应用与发展。

3.1 基于预报偏差的轨道动力学异常检测

针对低轨航天器轨道突变问题，基于预报偏差的检测方法提供了一种有效解决方案。该方法选择LEO轨道的半长轴和倾角作为特征轨道参数，利用SGP4模型长期项对目标的两行轨道要素(TLE)进行预报，得到特征轨道参数的预报值-1。

预报偏差序列通过以下过程获得：首先对特征轨道参数的编目数据和预报数据进行平滑处理，然后计算两者差值。这一过程可表示为：

δ(t)=S(C(t))−S(P(t))δ(t)=S(C(t))−S(P(t))

其中，C(t)C(t)表示编目数据，P(t)P(t)表示预报数据，S(⋅)S(⋅)表示平滑处理函数，δ(t)δ(t)即为预报偏差序列。

异常检测基于马氏距离对预报偏差数据的两个分量进行联合分析。马氏距离计算公式为：

DM(δ)=(δ−μ)TΣ−1(δ−μ)DM(δ)=(δ−μ)TΣ−1(δ−μ)

其中，μμ为偏差序列的均值，ΣΣ为协方差矩阵。通过设定阈值，当马氏距离超过阈值时判定为异常-1。

该方法对Terra卫星2010年的机动事件分析结果同NASA发布的其机动历史相吻合，证明了其能有效检测轨道异常的次数、时间和类型-1。

3.2 基于光度数据的低轨目标工作状态异常检测

针对低轨目标因运动速度快、观测几何条件变化明显而导致的历史观测数据应用受限问题，研究者提出了基于动态时间规整(DTW)距离的空间目标异常检测方法-4。

该方法结合太阳-目标-测站相对几何关系、空间目标运动特性和光度学关系，实现了对低轨空间目标运行状态及指向状态的快速诊断。其技术流程主要包括：

光度特征提取：从观测数据中提取目标的亮度序列及其变化特征；
DTW距离计算：通过动态时间规整算法衡量当前观测序列与历史正常序列的相似性；
状态判别：基于DTW距离设定阈值，实现工作状态异常的诊断。

利用该方法对风云、GPS、天宫在7种不同工作状态下的光度测量数据进行的仿真计算表明，目标状态异常检测正确率达到了90%以上，验证了所提方法的有效性-4。

3.3 天基光学观测技术中的异常检测

针对低轨危险空间碎片探测的挑战，天基光学观测技术提供了新的解决方案。由于空间碎片信号微弱、运动速度快、光学特性存在时变和不确定性，对其探测与识别面临严重挑战-8。

天基光学观测系统基于不同类型的探测器，如电荷耦合器件(CCD)、雪崩光电二极管(APD)、位置读出光子计数探测器等，构建了针对空间碎片的监测能力。关键算法包括：

微弱信号检测：通过多帧叠加与特征增强，提升信噪比；
轨迹关联与预测：基于轨道动力学的不确定性传播模型，实现碎片的轨迹预测；
碰撞风险评估：结合精密定轨算法，计算碎片与航天器的碰撞概率。

这些算法为空间碎片的远程探测与识别、碰撞预警提供了技术支持，是实施碎片规避和碎片清除任务的基础-8。

4 低空异常检测的关键技术

低空异常检测技术是保障低空飞行安全与效率的核心，随着低空经济的快速发展，基于状态监控、空域管控和视觉检测的技术方案不断创新，为低空飞行提供了全方位保障。

4.1 飞行器自身异常状态检测

低空飞行器自身状态的异常检测是预防事故的第一道防线。针对ADS-B（广播式自动相关监视）设备在复杂环境中易受干扰的问题，一种基于深度学习与高斯差分法的ADS-B异常数据检测模型被提出-6。

该模型的技术流程包括：

数据预处理：将ADS-B位置数据转换到以起飞点为原点的坐标系中，利用运动学原理去除ADS-B位置数据中的离群点；
特征增强：利用高斯差分法获取位置数据的细节信息；
序列建模：利用长短期记忆单元构成的seq2seq模型对位置数据进行重构；
异常识别：基于重构误差检测异常数据。

实验结果表明，该模型相较于传统的异常检测模型具有更高的准确率，相较于RNN神经网络，检测的平均准确率提高了近2.7%，同时运行时间显著减少-6。

4.2 空域管控系统中的异常检测

面对低空飞行器数量的快速增长，空域管控系统中的异常检测成为保障低空安全的关键。卡斯柯基于近40年轨道交通智控技术积累，将大规模高密度交通流组织、动态路径规划、实时资源分配等成熟经验移植至低空场景，研发出低空智能管控系统-5。

该系统通过多项技术创新实现异常检测与防范：

数字化空域建模：构建虚拟空域环境，实时映射物理空域状态；
动态计划流控：根据空域负载与异常情况，动态调整飞行计划；
安全包络技术：以移动闭塞理念为飞行器立体化形成类似安全罩的包络，通过速差分层管理，让不同速度的飞行器有序运行在不同的飞行层-5。

该系统构建了覆盖"计划-调度-监视-运维"的全流程管控体系，已在上海市静安区市北高新园区、福建南安交付投运，成功打造了可复制的区域级智能管控平台标杆-5。

4.3 低空飞行物的视觉检测技术

针对低空飞行物目标检测中的难点，如成像小、像素特征少和相对速度变化快等，一种基于改进YOLOv7算法的低空飞行物目标检测方法被提出-9。

该算法通过多项创新提升检测性能：

注意力机制引入：在Head网络引入SimAM注意力机制，同时考虑空间和通道维度信息，且不添加额外参数；
主干网络优化：结合ConvNeXt网络，提出CvNX模块，降低网络计算量，保留目标特征；
损失函数改进：用SIoU-Loss代替原有的CIoU-Loss，提高算法收敛速度；
后处理增强：在图像后处理阶段使用SIoU-NMS，减少遮挡导致的目标漏检。

实验结果表明，改进的YOLOv7算法平均精度(AP)达到97.1%，相比原YOLOv7算法，平均精度均值(mAP)提高了1.7%，且误检、漏检率低，能满足复杂背景下检测低空飞行物目标的要求-9。

5 典型案例分析

低空与轨道异常检测技术已在多个实际场景中得到应用验证，形成了具有代表性的典型案例。这些案例展示了先进算法与创新系统在提升安全性与运维效率方面的显著成效。

5.1 合肥轨道全空间智能感知巡检系统

合肥轨道在4号线上线运行了全空间智能感知巡检系统，该系统融合了低空智能巡检与量子精密测量两大核心技术，为国内首创-3 -7。

该系统由两大子系统构成：

低空智能巡检系统：利用无人机和智能AI技术实现分析和预警，自动识别大型施工机械、车辆以及违规操作等风险点，提升轨道保护区安全管理效率。相对于传统人工巡检方式，无人机具有"跑得快、站得高、看得远"的先天优势，结合人工智能算法，能够提升2至4倍的巡检效率，且具有机动性强、自动化水平高和投入成本低的特点-7。
量子精密测量系统：创新应用轨道安全光纤智能预警系统，将量子精密测量技术应用到分布式光纤传感领域，把隧道内的一根普通光纤变成具有听声辨位能力的光纤，实现了监测实时性和区域全覆盖性-7。

两个系统的深度融合，充分发挥了光纤预警系统24小时不间断监测与低空巡检系统随时出发、观测清晰的优势，取长补短，互为依托，从而可以更好地应对轨道安全突发事件，使得轨道交通系统的巡检模式真正迈向了"耳聪目明"-7。

5.2 卡斯柯低空智能管控与巡检系统

卡斯柯作为轨道交通智控领域领军企业，将轨道交通的成熟经验移植至低空场景，研发了低空智能管控系统与无人机AI巡检系统两大核心技术解决方案-5。

低空智能管控系统通过多项关键技术实现异常检测与防范：

移动闭塞理念：为飞行器立体化形成类似安全罩的包络，通过速差分层管理，让不同速度的飞行器有序运行在不同的飞行层；
全流程管控：构建覆盖"计划-调度-监视-运维"的全流程管控体系；
先行先试：系统在2024年8月南京浦口的融合示范飞行中率先验证，目前已在上海市静安区市北高新园区、福建南安交付投运-5。

无人机AI巡检系统则集成数字孪生、人工智能和新一代信息通信技术，可通过全时全域的高精度自动化巡检、智能数据分析及数字化管理，自动识别设备故障、环境异常等隐患，识别准确率超90%，大大提高了巡检效率和质量-5。

该系统已应用于滑县铁路专用线、无锡地铁保护区等项目，推动轨道交通运维模式从"故障修"向"状态修"升级，而其应用场景正迅速扩展至河道巡检、防洪排涝、工程检测、玻璃幕墙维护等城市治理领域-5。

5.3 Terra卫星轨道异常检测分析

针对Terra卫星的轨道异常检测案例展示了基于预报偏差与马氏距离的方法在实际空间目标监视中的有效性-1。

研究团队选择Terra卫星轨道的半长轴和倾角作为特征轨道参数，利用SGP4模型长期项对目标的两行轨道要素(TLE)进行预报得到特征轨道参数的预报值，通过对特征轨道参数的编目数据和预报数据进行平滑后求差得到预报偏差序列，最后基于马氏距离对预报偏差数据的两个分量进行联合异常检测-1。

分析结果显示，该方法对Terra卫星2010年的机动事件检测结果与NASA发布的其机动历史相吻合，表明该方法可以有效地检测航天器轨道异常的次数、时间和类型-1。这一案例验证了基于动力学模型的异常检测方法在空间态势感知中的实用价值，为空间目标监视与异常诊断提供了可靠技术途径。

表2：低空与轨道异常检测典型应用系统对比

系统名称	技术特点	应用场景	检测性能	创新点
合肥轨道全空间感知系统	低空智能巡检+量子精密测量	轨道4号线全线安全巡检	巡检效率提升2-4倍	国内首创技术融合模式
卡斯柯低空智能管控系统	数字化空域建模+移动闭塞理念	区域级低空管控	全流程空域安全管理	轨道交通技术迁移应用
卡斯柯无人机AI巡检系统	数字孪生+人工智能	轨道设施与城市治理	识别准确率超90%	多场景智能诊断
Terra卫星异常检测系统	预报偏差+马氏距离	空间目标轨道异常检测	与NASA数据吻合	动力学模型与统计检测结合

6 趋势展望

低空与轨道异常检测技术正处于快速发展阶段，面对日益复杂的应用环境与不断提升的性能要求，该领域呈现出多个明显的发展趋势与研究方向。

6.1 智能融合检测技术的演进

未来异常检测技术将更加注重多算法融合与智能学习能力的提升。在轨道异常检测领域，结合协方差理论的非关联轨道动态关联算法-2、基于遗传算法的航天器纯星光导航方法-2等新兴技术，将与传统动力学模型检测方法形成互补。

在低空检测领域，深度学习框架的优化将继续推进。如基于改进YOLOv7的低空飞行物目标检测算法所示，通过引入注意力机制、优化主干网络和改进损失函数等创新，检测精度将持续提升-9。同时，轻量化模型设计将成为重点，以满足边缘计算设备的实时性要求。

6.2 多模态数据融合与协同感知

多模态数据融合将成为提升异常检测准确性的关键途径。合肥轨道全空间智能感知巡检系统展示了低空智能巡检与量子精密测量两大核心技术深度融合的价值-3。类似地，未来系统将更加注重多种传感数据的协同利用，包括光学、红外、雷达、量子等不同模态的感知数据。

卡斯柯的无人机AI巡检系统已集成数字孪生、人工智能和新一代信息通信技术，通过全时全域的高精度自动化巡检、智能数据分析及数字化管理，实现多源数据的综合分析与诊断-5。这种虚实融合的技术架构将成为未来异常检测系统的重要特征。

6.3 自主协同与安全防护技术

随着低空飞行器数量的快速增长，自主协同与安全防护技术将成为研发重点。卡斯柯的低空智能管控系统采用的移动闭塞理念，通过为飞行器立体化形成类似安全罩的包络，实现了飞行器的动态距离安全保护-5。

未来，异常检测系统将更加注重自主决策与协同响应能力的提升。包括：

分布式异常检测：飞行器之间共享异常信息，形成协同诊断网络；
自适应安全策略：根据异常级别动态调整安全防护措施；
预测性维护：基于异常数据趋势分析，提前预测潜在故障。

6.4 标准规范与系统兼容性构建

随着低空与轨道异常检测技术的快速发展，标准规范与系统兼容性成为规模化应用的关键。中国民用航空局对低空经济发展规模的预估表明，行业即将进入规范化发展阶段-5。

未来技术发展将更加注重：

接口标准化：确保不同系统间的数据互通与功能互操作；
测试评估体系：建立统一的性能评估基准与认证流程；
安全法规框架：制定适应技术特点的安全标准与监管规范。

这些发展趋势共同勾勒出低空与轨道异常检测技术的未来蓝图——更加智能、融合、自主和标准化，为构建安全、高效、智能的低空与轨道系统提供技术支撑。

7 结论

低空与轨道异常检测技术作为保障系统安全稳定运行的关键，已形成较为完善的技术体系与应用生态。本文系统分析了该领域面临的技术挑战、核心算法、典型案例与发展趋势，得出以下结论：

在技术挑战方面，低空与轨道异常检测共同面临感知数据质量、环境扰动、算法泛化能力及实时响应要求等多重挑战，需要综合考虑系统特性、环境因素与性能要求的平衡。

在核心算法方面，从轨道动力学异常检测到低空飞行器状态监测，多种算法模型各具特色。基于预报偏差与马氏距离的方法在轨道异常检测中表现出色；基于动态时间规整距离的光度数据分析为低轨目标工作状态诊断提供了新思路；而改进的YOLOv7算法则在低空飞行物视觉检测中达到97.1%的平均精度-9。

在典型案例方面，合肥轨道的"无人机+量子精密测量"系统、卡斯柯的低空智能管控系统以及Terra卫星的轨道异常检测分析等案例，展示了先进技术在提升系统安全性、可靠性与运维效率方面的显著成效。这些实践为相关技术的推广应用提供了宝贵经验。

在未来发展方面，智能融合检测、多模态数据融合、自主协同安全防护及标准规范构建将成为主要趋势，推动低空与轨道异常检测技术向更智能、精准与一体化的方向发展。

随着技术的不断进步与应用场景的持续拓展，低空与轨道异常检测技术将在保障系统安全、提升运营效率、降低运维成本等方面发挥更加重要的作用，为低空经济与轨道系统的健康发展奠定坚实基础。