ГРАФОВЫЙ МЕТОД ОБУЧЕНИЯ ДЛЯ СОВМЕСТНОГО ПЛАНИРОВАНИЯ МИССИЙ АКТИВНОГО УДАЛЕНИЯ КОСМИЧЕСКОГО МУСОРА

Возрастающая засорённость низкой околоземной орбиты (НОО) создаёт существенные риски для безопасной космической деятельности и эффективности действующих миссий. Координация многоаппаратного активного удаления мусора осложняется пространственно-временной неопределённостью траекторий и окон захвата, затрудняющей построение физически реализуемых и оптимальных графов задач, и комбинаторной сложностью совместного назначения задач и маршрутизации при росте числа обломков. Для преодоления этих ограничений предлагается STAR-Граф - пространственно-временная структура назначения на основе графа достижимости с учётом неопределённости. Сначала строится динамический граф достижимости, где парная выполнимость между целями извлекается через контрастное самообучение на орбитальном распространении и временных окнах. Затем применяется дифференцируемая глубокая мягкая кластеризация для формирования планируемых групп задач с учётом временной доступности и пространственной близости. Наконец, планировщик на основе адаптивного поиска по большой окрестности (АПБО), управляемый кластерами совместно оптимизирует назначение и маршруты, повышая вероятность успешного выполнения и снижая суммарные манёвренные затраты (AV). Эксперименты на реальных и моделируемых орбитальных сценариях показывают преимущество STAR-Граф над базовыми эвристическими и оптимизационными методами по топливной эффективности, полноте выполнения и устойчивости. The increasing debris density of low-Earth orbit (LEO) poses significant risks to the safety of space activities and the effectiveness of existing missions. Coordination of multi-vehicle active debris removal is complicated by the spat.otemporal uncerta.nty of trajector.es and capture w.ndows, wh.ch h.nders the construct.on of physically feasible and optimal task graphs, and the combinatorial complexity of joint task assignment and routing as the number of debris increases. To overcome these limitations, we propose STAR-Graph - a spatiotemporal assignment framework based on a reachability graph that accounts for uncertainty. First, a dynamic reachability graph is constructed, where pairwise feasibility between targets is extracted through contrastive self-learning on orbital propagation and time windows. Then, differentiable deep soft clustering is applied to form schedulable task groups based on temporal reachability and spatial proximity. Finally, a cluster-driven adaptive wide-neighborhood search (ALNS)-based planner jointly optimizes assignments and routes, increasing the probability of successful execution and reducing the total maneuvering cost (Л V). Experiments on real and simulated orbital scenarios demonstrate the superiority of STAAR-Graph over basic heuristic and optimization methods in terms of fuel efficiency, completeness, and robustness.