文章核心观点 - 人工智能技术，特别是基于Transformer架构的AEOS-Former模型，正成为解决大规模卫星星座任务规划这一高维、动态、强约束难题的关键，能够显著提升任务完成率并优化资源消耗 [4][16][18][19] 卫星星座的产业价值与规划挑战 - 卫星星座是由多颗卫星组成的协同网络，具备全球覆盖、快速响应和高频观测能力，已成为数字经济时代的关键基础设施，支撑遥感、通信、导航、气象预测等行业 [4] - 星座规划面临四大核心挑战：任务量大（例如美国SkySat星座13颗卫星日均需处理超百项任务）[8]、单次观测时间窗口紧张（常不足5分钟）[9]、突发任务响应能力有限（例如“女娲星座”紧急观测任务完成率常不足60%）[10]、以及卫星物理约束条件复杂 [11] 北航团队的技术突破：基准数据集与调度模型 - 团队构建了首个大规模真实星座调度基准数据集 AEOS-Bench，包含超过16,000个任务场景，覆盖1至50颗卫星、50至300项成像任务，并确保场景的物理真实性与评估全面性（涵盖6类指标）[13][14] - 团队提出了基于Transformer的内嵌约束调度模型 AEOS-Former，该模型能显式建模卫星的物理约束（如视场、电池状态），并实现卫星与任务的高效匹配 [16] AI模型性能评估与结果 - 在AEOS-Bench基准测试中，AEOS-Former模型在多项关键指标上均优于随机模型、优化模型及强化学习等基线模型 [18][19] - 具体性能数据：在“Seen”数据划分中，AEOS-Former的任务完成率（CR）达30.47%，综合得分（CST）为5.00，功耗（PC）为71.27 Wh，均优于基线模型；在“Unseen”数据划分中，其任务完成率达35.42%，综合得分为4.43，功耗为68.99 Wh，同样表现最佳 [19] - 研究表明，任务完成率与资源消耗之间存在权衡关系，卫星数量增加能提升联合观测能力，但边际效益会随资源消耗增加而趋于稳定 [20] 研究意义与未来展望 - 该研究为卫星星座的自动化、智能化规划提供了高效解决方案，并发表于顶级会议NeurIPS 2025 [5][22] - 这项技术印证了“空天具身智能”的巨大潜力，有望让太空设施具备感知、决策与协同的自主能力，拓宽人类探索与利用太空的边界 [22][23]