本文提出了一种基于轨道的光谱聚类辅助的聚集联邦自知识蒸馏方法（OSC-FSKD），旨在解决低地球轨道卫星在数据处理中的数据传输限制和非独立同分布数据问题。研究表明，该方法在不同数据集上的观测准确性显著优于现有的联邦学习方法，展示了在物联网应用中处理卫星数据的新潜力。

本文介绍了一种基于联邦学习（FL）的新算法，专注于低地球轨道卫星的应用。研究表明，该算法在数据传输、训练时间和模型准确性方面表现优异，有效解决卫星成像和数据管理中的挑战。通过优化通信调度和个性化学习，显著提高了收敛速度和能效，展示了FL在空间人工智能领域的潜力。

本文探讨了利用3D高斯粒子扩散方法和深度学习技术进行低地球轨道卫星的定位与控制。研究提出的GS-SLAM算法结合高斯表示和实时渲染，提高了地图构建的效率与准确性。此外，开发了三维重建框架，利用小型望远镜捕获视频数据，验证了其在重建空间目标方面的优势。结合LiDAR和相机数据，提出了一种新颖的3D制图系统，展示了其在视觉定位任务中的有效性。