Information-Driven Fault Detection and Identification for Multi-Agent Spacecraft Systems: Collaborative On-Orbit Inspection Mission

📄 arXiv: 2511.08752v1 📥 PDF

作者: Akshita Gupta, Arna Bhardwaj, Yashwanth Kumar Nakka, Changrak Choi, Amir Rahmani

分类: eess.SY, cs.AI, cs.MA, cs.RO

发布日期: 2025-11-11

备注: AIAA Book Chapter (accepted)

💡 一句话要点

提出信息驱动的容错框架，用于多智能体航天器协同在轨检测任务

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 多智能体系统 容错检测与识别 在轨检测 信息驱动 协同任务 航天器 故障诊断

📋 核心要点

  1. 现有方法在多航天器协同检测任务中，缺乏全局任务信息与局部控制决策的有效融合，容错能力不足。
  2. 该论文提出了一种信息驱动的FDI框架，通过统一的代价函数驱动全局任务分配和局部感知决策，实现容错。
  3. 仿真结果表明，该方法在多航天器检测场景中，能够可靠地定位和分类故障，提升了系统的容错能力。

📝 摘要（中文）

本文提出了一种全局到局部、任务感知的容错检测与识别(FDI)框架，用于在近地轨道执行协同检测任务的多航天器系统。检测任务由全局信息驱动的代价函数表示，该函数集成了传感器模型、航天器姿态和任务级信息增益目标。这种公式通过使用相同的代价函数来驱动全局任务分配和局部感知或运动决策，从而将制导、控制和FDI联系起来。通过比较预期和观察到的任务指标来实现故障检测，而高阶代价梯度测量能够识别传感器、执行器和状态估计器中的故障。自适应阈值机制捕获时变的检测几何形状和动态任务条件。代表性的多航天器检测场景的仿真结果证明了在不确定性下故障定位和分类的可靠性，为弹性自主检测架构提供了统一的、信息驱动的基础。

🔬 方法详解

问题定义：多航天器系统在执行协同在轨检测任务时，面临传感器、执行器和状态估计器可能出现的故障，这些故障会影响任务的完成质量甚至导致任务失败。现有方法通常将故障检测、识别与任务规划、控制分离，缺乏全局任务信息的指导，难以实现快速准确的故障诊断和容错控制。

核心思路：该论文的核心思路是将故障检测与识别问题融入到任务规划和控制的统一框架中，利用信息增益作为桥梁，构建一个全局信息驱动的代价函数。通过比较预期和实际的任务指标，并分析代价函数梯度，实现故障的检测和定位。这种方法能够充分利用任务信息，提高故障诊断的准确性和效率。

技术框架：该框架包含以下几个主要模块：1) 全局任务规划：基于信息增益最大化原则，确定每个航天器的任务分配和运动轨迹。2) 局部感知与控制：根据全局任务规划，每个航天器执行局部感知和控制操作，获取观测数据。3) 故障检测：比较预期和实际的任务指标（例如信息增益），判断系统是否存在故障。4) 故障识别：分析代价函数的高阶梯度，定位故障源（传感器、执行器或状态估计器）。5) 自适应阈值：根据任务几何和动态条件，动态调整故障检测的阈值。

关键创新：该论文的关键创新在于将信息增益的概念引入到多航天器系统的故障检测与识别中，构建了一个统一的、信息驱动的框架。与传统的基于残差分析或模型辨识的故障诊断方法相比，该方法能够更好地利用任务信息，提高故障诊断的准确性和鲁棒性。此外，自适应阈值机制能够有效应对时变的任务环境。

关键设计：代价函数的设计是关键。该代价函数综合考虑了传感器模型、航天器姿态和任务级信息增益目标。故障检测阈值采用自适应机制，根据任务几何和动态条件进行调整。代价函数梯度用于故障源定位，需要仔细选择合适的梯度阶数和计算方法。

📊 实验亮点

通过仿真实验验证了该框架在多航天器协同检测场景下的有效性。实验结果表明，该方法能够准确地定位和分类传感器、执行器和状态估计器中的故障，并且具有较强的鲁棒性，能够在不确定性条件下正常工作。具体的性能数据（如故障检测率、误报率等）未在摘要中明确给出，属于未知信息。

🎯 应用场景

该研究成果可应用于各种多智能体系统，尤其是在轨服务、行星探测等航天任务中。通过提高系统的容错能力，可以降低任务风险，延长任务寿命，并为未来的自主空间探索提供技术支撑。此外，该方法也可推广到其他领域，如无人机集群巡检、自动驾驶等。

📄 摘要（原文）

This work presents a global-to-local, task-aware fault detection and identification (FDI) framework for multi-spacecraft systems conducting collaborative inspection missions in low Earth orbit. The inspection task is represented by a global information-driven cost functional that integrates the sensor model, spacecraft poses, and mission-level information-gain objectives. This formulation links guidance, control, and FDI by using the same cost function to drive both global task allocation and local sensing or motion decisions. Fault detection is achieved through comparisons between expected and observed task metrics, while higher-order cost-gradient measures enable the identification of faults among sensors, actuators, and state estimators. An adaptive thresholding mechanism captures the time-varying inspection geometry and dynamic mission conditions. Simulation results for representative multi-spacecraft inspection scenarios demonstrate the reliability of fault localization and classification under uncertainty, providing a unified, information-driven foundation for resilient autonomous inspection architectures.