e2m2e — Earth to Moon, Moon to Earth

e2m2e 是面向地月空间任务规划的算法工具集基础设施。在“LLM+Agent”式自主任务规划系统中，大模型负责理解任务意图、分解与编排子任务，e2m2e 负责提供精确可靠的轨道计算工具：建立地月空间的动力学模型，生成周期轨道族，设计轨道之间的转移路径，并把结果画出来检查。

安装

uv（推荐）

uv 是本项目推荐的包管理器，速度快、依赖解析可靠。

uv pip install e2m2e

在自己的项目中使用：

uv init my-project && cd my-project
uv add e2m2e

从源码开发（需要 Rust 工具链，用于构建积分器内核）：

git clone https://github.com/cislunarspace/e2m2e.git
cd e2m2e
uv sync
make setup   # 拉取 CSPICE 编译包 + SPICE 内核（cspice-v1 / kernels-v1 release，首次必跑）
make dev     # maturin develop 构建并安装 Rust 扩展（spice 默认开启）

开发入口统一走 Makefile：它自动从 scripts/download_cspice.py 解析并 export CSPICE_DIR，让 spice（默认 feature）的构建跳过国内不可达的 NAIF 源码下载。常用目标：make dev / make test / make check / make setup（make help 列全部）。裸 cargo / maturin 命令需自行 export CSPICE_DIR=$(python3 scripts/download_cspice.py --print-cspice-dir)。

conda

e2m2e 没有 conda-forge 包，conda 用来创建和管理 Python 环境，环境内仍用 pip 安装：

conda create -n e2m2e python=3.12
conda activate e2m2e
pip install e2m2e

pip

pip install e2m2e

可选依赖（Hamiltonian 正规化流水线）：

pip install e2m2e[normal-form]

SPICE 内核

星历动力学需要 NASA SPICE 内核文件，放置在 kernels/ 目录或 $SPICE_KERNEL_DIR 指定的路径。

国内用户推荐从项目的 GitHub Release 下载：kernels-v1 中打包了全部必需内核（行星星历、地球自转、月球姿态、闰秒与行星常数），下载后放入 kernels/ 目录即可——make setup 已自动完成此步（见 scripts/download_kernels.py）。官方来源（网络可达时）：NASA NAIF。

快速开始

任务级一行接口：设计一条地月 L2 Halo 轨道。内部走完整链路：CR3BP 初猜 → 星历 N 体多重打靶修正 → 高精度长期预报。

本示例走星历动力学，运行前请先完成上方「SPICE 内核」一节——仓库根目录 kernels/ 已含全部必需内核，或设置 $SPICE_KERNEL_DIR 指向自备内核目录。

from e2m2e.api import Facade

facade = Facade()  # 默认从仓库 kernels/（或 $SPICE_KERNEL_DIR）加载 SPICE 内核

# 设计一条地月 L2 近直线 Halo 轨道
result = facade.design_orbit(
    orbit_type="Halo",
    collinear_point=2,  # 共线平动点：1 = L1（地月之间），2 = L2（月球背地侧，默认）
    amplitude=30000.0,  # 面外振幅（km，取值 ±73000，正北负南）
    phase=0.0,  # 初始相位（周期份额 0~1）
    epoch=[2024, 1, 1, 0, 0, 0.0],  # 起始历元 UTC：[年,月,日,时,分,秒]
    duration=365.25 * 86400.0,  # 维持时间（秒，约 1 年）
    output_step=3600.0,  # 星历输出间隔（秒）
)

print("轨道类型        :", result.orbit_type)
print("起始历元 (UTC)  :", result.epoch_utc)
print("维持时间 (天)   :", result.duration_day)
print("CR3BP Jacobi 常数:", f"{result.cr3bp_jacobi:.6f}")
print("星历修正收敛    :", result.correction_converged)
print("星历修正迭代数  :", result.correction_iterations)
print("初始状态 (J2000) :", [f"{v:.6f}" for v in result.initial_state])  # 位置 km + 速度 km/s
print("力模型配置      :", result.force_config)

Facade.design_orbit 是任务级一档接口（ADR 0014）：把 CR3BP 初猜、星历修正、长期预报串成一条调用。同属 Facade 的能力还有轨道保持 control_orbit，以及 DRO/NRHO/Lissajous/L4/L5 等其他轨道类型（改 orbit_type 与对应形状参数即可）。

可运行示例见 examples/ 目录：main_design.py（轨道设计）、main_control.py（轨道保持）、main_transfer.py（转移轨道）、main_propagate.py（轨道预报），均支持 --save 存图为 PNG。更多示例（星历动力学、多重打靶、转移设计、可视化）见在线文档。需要 DFH 格式标称星历文件时，可用 e2m2e.algorithm.design.design_orbit（其返回结果含 ephemeris 与 write_ephemeris）。

使命与进度

航天任务规划正从“人在回路”走向自主规划。传统模式依赖地面人员逐级分解任务、调配资源，决策链条冗长，单次在轨服务任务的地面支持普遍在十余个小时。李胤慷等在《基于“LLM+Agent”的在轨服务自主任务规划技术》（上海航天，2026）中提出了新架构：大模型负责语义理解、任务分解与编排，专业算法工具负责精确计算，两者通过 MCP 协议协同，分钟级生成全流程任务规划方案。

这套架构能否落地，关键在算法工具集。大模型是概率生成模型，自身做不了精确轨道计算，它输出的方案是否可信，取决于所调用工具的精度与可靠性。没有标准化、经过验证、可被调用的算法工具集，自主规划就是空中楼阁。

这里有一个容易产生的误解需要说清。用户把任务需求和相关信息输入大模型，大模型调用工具求解问题，最终呈现的结果并非大模型自身生成，而是工具计算得出的。大模型做的只是把工具的输出整理成便于人阅读和理解的形式。看起来像是模型直接根据输入生成了答案，实际上这些结果既不是大模型算出来的，也不是它推理出来的，而是工具的运算输出。因此，工具集的质量决定了整个系统的质量，这正是 e2m2e 要守住的地方。

地月空间是这套范式最重要的应用场景之一，空间站、导航与通信星座、月面往返都从这里起步。e2m2e 的使命是建设地月空间方向的算法工具集基础设施，把轨道建模、轨道生成、转移设计等算法做成精确、标准化、可被上层规划系统调用的开源工具库。上图中算法封装层与接口协议层的能力，正是 e2m2e 已经建成和正在补齐的部分。

已经建成：

• 两套动力学模型：简化三体模型（CR3BP，用于快速设计）和高精度星历模型（基于 SPICE，用于精确外推），以及两者之间的转换；另有含太阳摄动的双圆四体模型（BCR4BP），太阳位置解析给出，无需星历
• 周期轨道族生成：DRO、Halo、Lyapunov、Lissajous、共振轨道（RO）、DPO、Axial、三角平动点 SPO/LPO、Horseshoe 马蹄等，配微分修正、多重打靶、延拓等数值算法
• 高精度力模型：点质量与第三体引力、球谐重力场（含固体潮、ECOM 9 系数光压）、大气阻力、太阳光压、连续推力，传播精度已与 GMAT、DFH 对齐到亚百米级
• 转移轨道设计：Lambert 求解与 porkchop 扫描，多脉冲转移优化与 Lawden 主矢量检验，霍曼直接转移（HMN），月球引力辅助间接转移（LGA），低能间接转移（WSB 太阳引力辅助弹道捕获），低推力转移（Q-law 初猜 + 打靶/配点），网格搜索 + 非线性规划的两步法
• 事件检测：轨道传播中检测截面穿越等事件，支持 terminal/direction 语义，走 Rust solve_ivp_events 快速路径
• 不变流形与低能量转移：流形计算、庞加莱截面拼接、低能转移流水线
• 坐标系转换（J2000/ITRF 等，与 GMAT 兼容）和 2D/3D 可视化

正在进行和计划中的：

• Hamiltonian 正规化流水线的进一步完善（把平动点附近轨道化简为少数表征参数）
• 面向上层规划系统的服务化封装。下一步把 e2m2e 封装为 MCP 服务器，接入下图所示的异构模型交互框架，让大模型可以像调用 Lambert、C-W 工具一样调用地月轨道算法

能力与实现状态

详细的能力清单与 API 文档见在线文档；逐版本变更见 CHANGELOG.md。

文档

在线文档：https://cislunarspace.github.io/e2m2e/

本地构建：

uv sync --group docs
uv run sphinx-build -b html docs docs/_build/html

测试与代码规范

make test     # = cargo test --workspace + pytest（spice 默认，需先 make setup 拉内核）
make check    # cargo fmt/clippy + ruff
# 或单独：uv run pytest tests/、uv run ruff check .

测试按 7 个功能类标记组织（theory/integrator/force/data/orchestration/interface/aux，详见 docs/adr/0021-test-suite-functional-categories.md）。

贡献

1. Fork 本仓库
2. 创建功能分支 (git checkout -b feature/amazing-feature)
3. 提交更改 (git commit -m 'Add amazing feature')
4. 推送到分支 (git push origin feature/amazing-feature)
5. 开启 Pull Request

引用

@software{e2m2e,
  title = {e2m2e: Earth to Moon, Moon to Earth Transfer Orbit Design Library},
  author = {ouyangjiahong},
  email = {ouyangjiahong22@nudt.edu.cn},
  url = {https://github.com/cislunarspace/e2m2e},
  version = {5.6.5},
  year = {2026},
}

使命叙述依据的文献：

李胤慷, 王浩, 袁容昊, 等. 基于“LLM+Agent”的在轨服务自主任务规划技术[J]. 上海航天（中英文）, 2026, 43(1): 169-179. DOI: 10.19328/j.cnki.2096-8655.2026.01.016.

License

Apache 2.0