低轨卫星通信系统与AI技术的深度融合受到三方面核心驱动力的推动：效能提升需求、规模化组网复杂性和端到端实时决策。机器学习（ML）、深度学习（DL）、强化学习（RL）等AI技术凭借其强大的数据建模能力、实时决策优势及自适应学习特性，能有效应对低轨卫星网络的高动态拓扑、异构资源分配、海量终端接入等挑战，并支撑未来6G“空天地海”一体化智能通信体系构建。

复杂任务自动化

在面向6G的NTN中，卫星通信网络所涉及任务的复杂性将大大提高。这些任务将涵盖广泛的决策内容，包括资源分配、信道估计、调制编码和卫星管理控制等。如果依然采用集中式地面处理的方案，在实际场景中往往是不可行的，特别是优化大规模LEO卫星组网所涉及的复杂性。此外，任务的执行需要更严谨的精确性和时效性，以确保不间断服务并减少潜在危险。随着AI技术的出现，利用ML和DL等算法，不仅可以执行更精确的操作，还可以按照ML框架实现程序执行链的自动化，甚至实现自我升级，而无需人工干预。

复杂问题求解方案

由于其多层级架构，下一代NTN的设计和部署比地面蜂窝网络要更复杂。例如，卫星网络的集成引入了额外通信指标，需要考虑更多参数才能获得最佳网络性能。然而，这可能导致网络优化方案在计算上难以实现，或者计算效率非常低。NTN网络中的资源管理就是一个很好的例子，因为NTN网络中的资源优化往往会变成非凸优化问题，在这种情况下，基于传统优化方法只能获得次优或启发式解。但是DL技术可以在神经网络的帮助下，不断逼近涉及大量输入变量的复杂函数。复杂的网络环境可以通过神经网络来表征，星地一体化资源管理问题也能用可控的方式来解决。

数据驱动决策

虽然概率模型和确定性模型可用来模拟非线性网络的功能，但这些模型通常使用强假设来获得一般性表达式，导致模拟性能与真实网络相比有很大偏差。相比之下，ML模型是基于真实数据获得的，这意味着在训练过程中会考虑到不同的情况，而无需作出任何假设。对于NTN而言，由于低轨卫星的高移动性和动态传播环境导致的强时变性，计算结果的偏差和延时可能造成更严重后果。另一方面，数据驱动的人工智能技术通过特征学习减少了高维数据的维数，多种DL学习框架能够从复杂系统中的感知数据提取隐含特征，直接输出端到端的解决方案，从而更精确地贴近真实场景。

适应性和学习能力

基于人工智能的解决方案可以适应不断变化的网络条件，并从实践和经验中学习。例如，ML技术可以不断提高性能、优化网络运行并适应不断变化的用户需求；利用RL和DL等技术，NTN有望实现自适应地分配资源、优化网络参数，并通过在线学习主动检测和缓解故障。这种学习能力使NTN可以动态响应不断变化的网络条件，优化资源利用率，提高运营效率，并确保高质量提供服务。

实时控制与决策

NTN中的网络优化和管理决策通常需要实时执行，可承受处理时延在几毫秒到几十毫秒之间。但是计算密集型的传统算法难以用于这些实时决策。在线适应性的解决方案，人工智能技术是一个更有前景的选择。例如，基于深度强化学习的在线方法可用于实时获取资源管理决策，并确保合理利用NTN中的可用通信资源。这在对延迟敏感的决策（如：波束调度、卫星切换、路由规划等）中尤为重要。

信道估计

通过获取信道状态信息（CSI），可以根据当前的信道条件调整传输参数，这对于在具有远传输距离和多信道资源的卫星通信中实现可靠通信至关重要。当前有许多有效的方法，如最大似然估计和最小均方误差估计，可用于传统地面蜂窝网络中有效的信道估计。然而，由于卫星通信收发之间固有的移动特性和较高的计算成本，这些方法并不一定能满足实际网络的需求，尤其是低地轨道卫星。因此，基于ML的信道估计和决策方法正被越来越多的研究机构提出和采用。通过考虑更多维度的信道特征，例如将距离、时延、接收功率、方位角、离去角、带宽和频率等作为输入，并将CSI作为输出标签，把信道估计有可能转化为ML擅长处理的分类或拟合问题。

通信抗干扰

由于卫星在通信网络中的可预测性和周期可见性，容易受到各种各样的干扰威胁，因此需要抗干扰方法来保证传输的准确性和有效性。传统卫星通信抗干扰技术是以宽带高速跳频为主，多种抗干扰技术相结合的盲抗，可保障最坏情况下最低限度的通信能力。诸多AI技术为构建智能化抗干扰认知环路提供了新的思路，正推动通信抗干扰向智能化观测、定位、决策和行动（OODA）环路方向发展，具体来说，是形成以智能干扰认知为感官、以智能抗干扰决策为大脑、以智能抗干扰波形重构为执行、以智能抗干扰效能评估为反馈的智能抗干扰环路。已有研究通过部署基于AI的认知引擎，在卫星通信的频谱范围内进行频谱知识采集，并协同利用强化学习进行决策来避免有意干扰和无意干扰。该研究构建了端到端的闭环实验，在“国际空间站”（ISS）上的美国国家航空航天局（NASA）空间通信与导航试验台上进行了验证。

传输资源优化

传输资源优化也是卫星通信中AI技术应用的重点。卫星上载荷功率和运行频谱都是宝贵的传输资源。为了更好地利用资源，需要通过提出更高效的功率和频谱资源分配方案来管理。由于目标函数的非线性及信干噪比（SINR）的复杂约束，这类优化问题通常是非线性和非凸的。此外，载波分配指标变量会导致混合整数求解问题，使用传统的低复杂度凸优化方法难以确定最优解。因此，已有研究探索了基于多种强化学习框架的传输资源分配方法。通常将场景信息以高纬度向量抽象表示，并利用神经网络缩小特征空间，最终输出当前时刻的分配结果，来保证长期收益最大化。

智能超表面

智能超表面（RIS）可有效提高现有地面网络的通信质量与覆盖能力，也具备提升低轨卫星通信性能的潜力。目前，卫星通信系统中使用智能超表面主要涉及两个方向：一个是将智能超表面布置于卫星上替代传统相控阵，以更轻的质量、更小的体积实现大规模天线阵列；另一个是将智能超表面布置在地面，实现非视距场景下的覆盖补盲与视距场景下的信号增强等功能。AI技术首先可以解决RIS波束成形优化问题。相比于传统方法，基于AI的方法避免使用交替优化与迭代计算数值解的过程。已有方法通过RIS波束成形与实际环境交互，采用最优值激励的方式逐步训练最优网络，实现对RIS联合波束成形的最优反射系数的预测，可以更好地应对低轨卫星通信的时变信道。同时，由于RIS多单元和多用户特性，使得信道估计开销急剧提高，也有研究通过引入深度学习算法提高信道估计速度与准确性。

频谱共享

面向6G的NTN环境中的卫星预计将使用相同的S频段和Ka频段。这将提高集成网络的整体频谱效率，并为用户提供更好的通信质量。然而，由于卫星和地面网络使用相同的频段，信号之间使用的频谱将产生相互干扰，即造成共信道干扰。在传统的频谱共享方法中，通常使用频率复用、定向天线、自适应频谱共享、频谱分析、功率控制等方法来减轻同信道干扰的影响。然而，传统的频率复用虽然可有效降低干扰水平，但却要以消耗更多频谱为代价。基于AI的频谱感知方法被提出并应用到频谱共享问题，该方法可有效捕捉卫星系统频谱占用的空间和时间相关性，最小化波束间干扰的带宽同时降低计算复杂度。

网络路由

网络路由问题通常都转化为最短路径问题，并通过Dijkstra算法进行解决。网络节点可视为图中的节点，而边则代表不同节点之间的联系。边的权重可根据延迟、抖动、吞吐量、丢包等目标网络性能指标来定义。然而，实际的低高轨卫星和地面集成网络的拓扑结构非常复杂且动态变化，这是由于网络架构分层以及信道和流量条件不确定导致的。简单的Djikstra算法无法直接满足网络路由的性能要求。有研究提出使用模糊逻辑来评估路由任务要求，通过改进的卷积神经网络作为输出，以监督方式解决路由问题。也有研究采用了强化学习架构，基于场景中任意时刻的拓扑情况和流量需求，实时决策并获得反馈，不断优化路由选择结果。

拓扑规划

LEO通信卫星作为互联的网络节点在高速运动过程中，整个天基网络具有高度动态的拓扑结构。拓扑规划主要涉及星间链路和星地链路的优化配置，以确保网络性能稳定和高效，同时最大限度地利用有限的通信资源。多种AI技术在低轨星座拓扑规划中取得了显著成果。例如，北京理工大学研究团队利用DRL技术优化LEO星座中的拓扑设计，通过将网络拓扑问题建模为马尔可夫决策过程，成功降低了网络延迟与跳数，验证了该方法在复杂动态网络中的有效性。南京理工大学研究团队针对星地一体化网络的高度动态拓扑结构，提出了基于深度Q学习的拓扑重建策略，以应对卫星节点的移动性和脆弱性。

波束资源管理

目前，大多数通信卫星通常采用相控阵天线，可以实现波束形状和方向的灵活调配。LEO通信卫星对覆盖区域的可见弧段时间短，不同区域的用户终端分布和业务需求也各不相同。如何设计合理的波束调度策略，实现星上资源和业务需求之间的高效匹配，成为亟待解决的难题。AI技术中的深度强化学习算法在解决低轨卫星波束资源调度问题上应用最为广泛。例如，清华大学团队提出了一种基于深度强化学习的波束资源分配策略。该方案可灵活地调整时间、空间和频率三个自由度，能够实现实时的波束图案和带宽分配，以匹配非均匀和时变的流量请求，当流量需求增加时，该策略模型也具有良好的泛化能力。

安全性策略

随着LEO通信卫星部署的稳步增长，卫星通信的安全保障将不仅仅是卫星与地面站之间的数据链路，卫星之间的数据传输也需要额外关注。卫星通信的安全性传统上是通过基于密码学的应用层技术来提供的。但由于LEO卫星的载荷能力有限，计算密集型的加解密方案在实际场景中面临多方面挑战。AI技术在从复杂数据中提取特征方面展现出了广阔的前景，相应的ML模型同样也适用安全策略的制定和删除。例如，CNN或自动编码器被用于提取合法卫星物理层认证所需的信道特征，或者利用支持向量机将接收信号功率和多普勒频移用于通信的指纹识别，从而提高接入验证的准确性。

尽管AI技术为低轨卫星通信系统带来了显著的效能提升，其规模化应用仍面临多重技术壁垒与系统级挑战。在AI相关标准制定、星上轻量化AI模型的计算精度与实时性平衡、地面验证能力不足等方面构成了智能化落地的核心瓶颈。这要求未来研究必须在传统范式的基础上，优化星地一体智能化体系，为6G星地融合网络的落地奠定基础。

推动卫星通信AI相关标准的快速演进

随着AI技术的发展与应用，卫星通信协议与标准需适应智能化需求进行升级。相关单位需积极参与国际标准化组织的工作，推动制定或修订支持AI功能的NTN通信协议，如增强数据交换格式、优化控制指令集等，以促进不同系统间的互操作性与兼容性。同时，关注AI技术在协议安全、数据隐私保护方面的应用，确保系统管理和数据传输过程的安全合规。

加速分布式学习模型的适应性发展

在星地一体化网络的背景下，分布式学习模型在适应性和拓展性方面展现出较大优势。这些模型涉及在多个计算节点上分配机器学习算法的训练和推理过程，从而加快计算速度并提高效率。各种分布式方法，如数据并行、模型并行、集合学习和联合学习，为解决NTN在扩展网络环境中面临的各种挑战提供了前景广阔的解决方案。通过利用这些分布式方法，NTN系统可以有效利用并行计算和协作学习的力量，克服硬件性能限制，实现良好效果。

构建智能化卫星通信系统的验证平台

技术创新需通过实践验证其可行性，应逐步建立智能化卫星通信系统的地面测试平台，模拟真实环境下的通信场景，对AI算法的性能、系统的稳定性与可靠性进行全面评估。同时，鼓励在特定区域或行业进行试点部署，收集反馈数据，不断优化算法与系统。通过分阶段、分层次的测试验证与部署策略，逐步推进智能化卫星通信系统的规模化应用，引领卫星通信行业向智能化、高效化方向迈进。