🛰️ AstraLogic

Agent-Driven Satellite Communication Simulation Framework

An intelligent bridge between high-fidelity physics simulation and cognitive decision-making agents

Overview

AstraLogic is a one-stop satellite communication simulation & decision platform that seamlessly integrates AFSIM (Advanced Framework for Simulation, Integration, and Modeling) execution with intelligent agent-driven analysis within a single web interface.

Users interact with the system entirely through a web dashboard — submitting simulation requests via an Agent chat interface, which delegates decision-making to OpenClaw (an intelligent agent framework). OpenClaw reasons about orbital mechanics, link budgets, and communication strategies, then orchestrates AFSIM simulations via Skills and MCP servers. Results are automatically parsed and visualized in the dashboard without ever needing to leave the browser.

The architecture consists of:

Frontend — Streamlit dashboard with Agent chat interface for end-to-end simulation control
Backend — FastAPI server coordinating agent decisions and simulation state
Decision Engine — OpenClaw agent with custom Skills for link analysis and frequency optimization
Simulation Bridge — MCP server protocol for headless AFSIM execution and result ingestion
Data Layer — AER parser converting AFSIM binary outputs to structured DataFrames

┌────────────────────────────────────────────────────────────────┐
│                  AstraLogic One-Stop Platform                  │
│                                                                │
│  ┌─────────────────────────────────────────────────────────┐  │
│  │    Streamlit Dashboard with Agent Chat Interface        │  │
│  │    "Plan a LEO-to-ground link with backup path"        │  │
│  └─────────────────────────────────────────────────────────┘  │
│                               ↓                                 │
│  ┌─────────────────────────────────────────────────────────┐  │
│  │  FastAPI Backend ← → OpenClaw Agent Decision Engine    │  │
│  │  (Request routing, state management, result caching)    │  │
│  └─────────────────────────────────────────────────────────┘  │
│        ↓                                           ↑            │
│  ┌─────────────────────────────────────────────────────────┐  │
│  │  OpenClaw Skills & MCP Servers                          │  │
│  │  • LinkBudgetSkill — analyze propagation & margins      │  │
│  │  • FrequencyOptimizerSkill — select frequencies         │  │
│  │  • AFSIMExecutor MCP — launch Warlock/Mystic headless  │  │
│  └─────────────────────────────────────────────────────────┘  │
│        ↓                                                        │
│  ┌─────────────────────────────────────────────────────────┐  │
│  │  AFSIM Simulation (Warlock/Mystic)                      │  │
│  │  Binary AER Output → pymystic Parser → CSV Results      │  │
│  └─────────────────────────────────────────────────────────┘  │
│        ↓                                                        │
│  ┌─────────────────────────────────────────────────────────┐  │
│  │  Dashboard Result Visualization                          │  │
│  │  Orbital plots, link metrics, performance summary        │  │
│  └─────────────────────────────────────────────────────────┘  │
└────────────────────────────────────────────────────────────────┘

Core Architecture

AstraLogic implements an Agent-Driven Simulation Pipeline:

Component	Technology	Purpose
Web Dashboard	Streamlit	User interface with Agent chat box for natural language requests
Backend Coordinator	FastAPI	Routes agent decisions, manages simulation state, caches results
Decision Engine	OpenClaw Agent	Reasons about orbital mechanics, link budgets, and resource optimization
Skill System	Custom Skills	LinkBudgetAnalyzer, FrequencyOptimizer, ManeuverPlanner
Simulation Bridge	MCP (Model Context Protocol)	Headless AFSIM execution, parameter templating, result collection
Data Parser	pymystic + pandas	Binary AER → structured CSV for visualization

Workflow: End-to-End Simulation

User: "Plan a backup link for Sat-A when it loses contact with GS-1"
        ↓ (natural language → parsed request)
OpenClaw Agent receives context:
  • Current orbital state (from last simulation)
  • Available frequency bands
  • Ground station locations
  • Link margin thresholds
        ↓ (reasoning loop)
OpenClaw invokes Skills:
  1. LinkBudgetSkill.analyze() → SNR for candidate frequencies
  2. FrequencyOptimizer.select_channels() → optimal band selection
  3. ManeuverPlanner.compute_handover() → timing & power levels
        ↓ (decision ready)
AFSIMExecutor.run() via MCP:
  • Template WSL with agent-selected parameters
  • Launch Warlock/Mystic headless
  • Stream binary AER output
  • Parse results in real-time
        ↓ (results ready)
Dashboard auto-updates with:
  • Orbital trajectory plots
  • Link margin time-series
  • Success/failure metrics
  • Agent reasoning summary

Key Features

✅ Active Development

🤖 Agent Chat Interface — Natural language simulation requests directly in the dashboard
🧠 OpenClaw Decision Engine — Intelligent agent for link planning, frequency optimization, and maneuver scheduling
🎯 Skill-based Architecture — Extensible Skills for link-budget analysis, frequency selection, orbital mechanics
🔌 MCP Server Integration — Headless AFSIM execution orchestrated via Model Context Protocol
🔍 Real-time AER Parser — Binary simulation output ingestion with live CSV export
📊 Dashboard Visualization — Plotly-based orbital plots, link metrics, and performance dashboards
⚡ FastAPI Backend — REST API for state queries, result caching, and agent coordination
🔄 Automated Workflows — Complete simulation from request to result without leaving the browser

📅 Future Enhancements

Advanced link-budget calculations (rain fade, fading margins)
Multi-scenario comparison & optimization loop
AFSIM direct launch button for advanced users
Expanded orbital mechanics solvers (perturbations, collision avoidance)

Quick Start

Prerequisites

Python ≥ 3.8
AFSIM Warlock or Mystic installation (local or remote)
OpenClaw configuration (provided in setup)

Installation

git clone https://github.com/abydym/AstraLogic.git
cd AstraLogic
pip install -r requirements.txt

Running the Platform

# Terminal 1: Start the backend API
python backend.py
# API available at http://localhost:8000/docs

# Terminal 2: Launch the dashboard
streamlit run app.py
# Dashboard opens at http://localhost:8501

Using the Agent Chat Interface

Once the dashboard is live, use the Agent Chat Box to request simulations:

Example 1: Simple link analysis

User: "Analyze the communication link between Sat-A and Ground Station-1 
       when Sat-A passes over the ground station at 14:30 UTC."

OpenClaw will:
  1. Retrieve orbital ephemerides
  2. Compute elevation angle and slant range
  3. Run LinkBudgetSkill to determine SNR margins
  4. Launch AFSIM simulation via MCP
  5. Display results in dashboard

Example 2: Frequency optimization

User: "Find the best frequency band for Sat-B to GS-2 link 
       with at least 6 dB margin and no interference."

OpenClaw will:
  1. Analyze available frequency allocations
  2. Check interference environment
  3. Invoke FrequencyOptimizerSkill
  4. Simulate multiple candidates in parallel
  5. Recommend optimal band with reasoning

Custom Simulation (Advanced)

For direct control, you can also invoke simulations programmatically:

from aermsg2dataframe import parse_aer_messages
import pymystic
import pandas as pd

# Read existing AFSIM output
with pymystic.Reader('scenarios/demo_output.aer') as reader:
    messages = list(reader)

# Parse to DataFrames
df_entity, df_orbital = parse_aer_messages(messages)

# Analyze
print(f"Simulation duration: {df_entity['simTime'].max()} seconds")
print(f"Tracked platforms: {sorted(df_entity['platformIndex'].unique())}")

# Compute inter-satellite distance
sat1 = df_entity[df_entity['platformIndex'] == 1]
sat2 = df_entity[df_entity['platformIndex'] == 2]
if len(sat1) > 0 and len(sat2) > 0:
    distances = ((sat1[['x','y','z']].reset_index(drop=True) - 
                  sat2[['x','y','z']].reset_index(drop=True))**2).sum(axis=1)**0.5 / 1000
    print(f"Min distance: {distances.min():.1f} km, Max: {distances.max():.1f} km")

Project Structure

AstraLogic/
├── app.py                      # 🎨 Streamlit dashboard (main UI)
├── backend.py                  # ⚡ FastAPI server
├── aer_read.py                 # 📡 AER binary parser (pymystic wrapper)
├── aermsg2dataframe.py         # 📊 Message → DataFrame converter
├── openclaw_agent.py           # 🤖 LLM agent (planned)
├── afsim_mcp_server.py         # 🔌 MCP server bridge (planned)
├── pymystic.py                 # 📦 Local pymystic library
│
├── core/                       # Core utility modules
│   ├── __init__.py
│   └── afsim_bridge.py         # AFSIM integration helpers
│
├── scenarios/                  # AFSIM scenario files
│   ├── demo_2sat_1gs.txt       # 2 satellites + 1 ground station
│   ├── demo_output.aer         # Sample AFSIM output (binary)
│   ├── demo_output.csv         # Converted CSV (for reference)
│   └── demo_output.evt         # Event log
│
├── output/                     # Generated data files
│   ├── entity.csv              # Parsed platform states
│   └── orbital.csv             # Parsed orbital elements
│
├── docs/                       # Documentation
├── brand-design-md-main/       # Design system assets
├── README.md                   # This file
├── DESIGN.md                   # Architecture & design notes
├── requirements.txt            # Dependencies
├── LICENSE                     # MIT License
└── .env.example                # Environment template (unused for now)

Roadmap

Milestone	Status	Target	Description
✅ AER Parser	Complete	v0.1	AFSIM binary deserialization (pymystic)
✅ Dashboard Core	Complete	v0.1	Streamlit UI with orbital visualization
✅ FastAPI Backend	Complete	v0.1	REST API for state management
🔨 Agent Chat Interface	In Progress	v0.2	OpenClaw integration with natural language processing
🔨 LinkBudgetSkill	In Progress	v0.2	Eb/N₀, EIRP, interference analysis
🔨 MCP Server Bridge	In Progress	v0.2	Headless AFSIM execution & result streaming
📅 FrequencyOptimizerSkill	Planned	v0.3	Automated frequency band selection
📅 Multi-scenario Optimization	Planned	v0.3	Parallel simulation & comparative analysis
📅 Advanced Orbital Mechanics	Planned	v0.4	Perturbations, collision avoidance, station-keeping
📅 Result Export & Reporting	Planned	v0.4	PDF reports, data archiving, batch export

Contributing

Pull requests are welcome. For major changes, please open an issue first to discuss what you would like to change. Please make sure to update tests as appropriate.

License

This project is licensed under the MIT License — see the LICENSE file for details.

概述

AstraLogic 是一个一站式卫星通信仿真决策平台，在单一网页界面中实现了 AFSIM（高级仿真、集成与建模框架）与智能决策引擎的无缝融合。

用户完全通过网页仪表盘进行交互——在 Agent 对话框中提交仿真需求，由 OpenClaw 智能体负责决策。OpenClaw 可以推理轨道力学、链路预算和通信策略，通过 Skills 和 MCP 服务器协调 AFSIM 的无头执行。仿真完成后，结果自动解析并在仪表盘中可视化展示，用户无需离开浏览器。

系统架构包括：

前端界面 — Streamlit 仪表盘，集成 Agent 对话框用于端到端仿真控制
后端协调 — FastAPI 服务器，负责路由 Agent 决策和管理仿真状态
决策引擎 — OpenClaw 智能体，推理轨道和通信优化
技能系统 — 自定义 Skills 用于链路分析和频率优化
仿真网桥 — MCP 协议支持无头 AFSIM 执行和结果导入
数据层 — AER 解析器将 AFSIM 二进制输出转换为结构化 DataFrame

┌────────────────────────────────────────────────────────────────┐
│                  AstraLogic 一站式仿真平台                     │
│                                                                │
│  ┌─────────────────────────────────────────────────────────┐  │
│  │    Streamlit 仪表盘（含 Agent 对话框）                 │  │
│  │    "规划卫星A在失去地面站信号时的备用链路"            │  │
│  └─────────────────────────────────────────────────────────┘  │
│                               ↓                                 │
│  ┌─────────────────────────────────────────────────────────┐  │
│  │  FastAPI 后端 ← → OpenClaw Agent 决策引擎             │  │
│  │  （请求路由、状态管理、结果缓存）                     │  │
│  └─────────────────────────────────────────────────────────┘  │
│        ↓                                           ↑            │
│  ┌─────────────────────────────────────────────────────────┐  │
│  │  OpenClaw Skills 与 MCP 服务器                         │  │
│  │  • LinkBudgetSkill — 分析传播与链路余量               │  │
│  │  • FrequencyOptimizerSkill — 频率选择                 │  │
│  │  • AFSIMExecutor MCP — 无头启动 Warlock/Mystic       │  │
│  └─────────────────────────────────────────────────────────┘  │
│        ↓                                                        │
│  ┌─────────────────────────────────────────────────────────┐  │
│  │  AFSIM 仿真（Warlock/Mystic）                         │  │
│  │  二进制 AER 输出 → pymystic 解析 → CSV 结果           │  │
│  └─────────────────────────────────────────────────────────┘  │
│        ↓                                                        │
│  ┌─────────────────────────────────────────────────────────┐  │
│  │  仪表盘结果展示                                        │  │
│  │  轨道图、链路指标、性能总结                           │  │
│  └─────────────────────────────────────────────────────────┘  │
└────────────────────────────────────────────────────────────────┘

核心架构

AstraLogic 实现了智能体驱动的仿真管道：

组件	技术栈	职责
网页仪表盘	Streamlit	用户界面与 Agent 对话框，用于自然语言仿真请求
后端协调	FastAPI	路由 Agent 决策、管理仿真状态、缓存结果
决策引擎	OpenClaw Agent	推理轨道力学、链路预算和资源优化
技能系统	自定义 Skills	LinkBudgetAnalyzer、FrequencyOptimizer、ManeuverPlanner
仿真网桥	MCP 协议	无头 AFSIM 执行、参数模板、结果收集
数据解析	pymystic + pandas	二进制 AER → 结构化 CSV 用于可视化

工作流：端到端仿真

用户：「规划备用链路，当卫星A与地面站失联时」
        ↓ （自然语言 → 解析请求）
OpenClaw Agent 接收上下文：
  • 当前轨道状态（来自上次仿真）
  • 可用频段
  • 地面站位置
  • 链路余量阈值
        ↓ （推理循环）
OpenClaw 调用 Skills：
  1. LinkBudgetSkill.analyze() → 候选频率的信噪比
  2. FrequencyOptimizer.select_channels() → 最优频段选择
  3. ManeuverPlanner.compute_handover() → 时序与功率参数
        ↓ （决策就绪）
通过 MCP 执行 AFSIMExecutor：
  • 用 Agent 选定的参数模板化 WSL
  • 无头启动 Warlock/Mystic
  • 实时流式处理二进制 AER 输出
  • 在线解析结果
        ↓ （结果就绪）
仪表盘自动更新：
  • 轨道轨迹图
  • 链路余量时间序列
  • 成功/失败指标
  • Agent 推理摘要

主要特性

✅ 实际开发中

🤖 Agent 对话框 — 在仪表盘中用自然语言提交仿真需求
🧠 OpenClaw 决策引擎 — 智能体用于链路规划、频率优化和机动调度
🎯 基于 Skill 的架构 — 可扩展的 Skills 用于链路分析、频率选择、轨道力学
🔌 MCP 服务器集成 — 通过 Model Context Protocol 协调无头 AFSIM 执行
🔍 实时 AER 解析器 — 二进制仿真输出摄取与实时 CSV 导出
📊 仪表盘可视化 — 基于 Plotly 的轨道图、链路指标和性能仪表盘
⚡ FastAPI 后端 — REST API 用于状态查询、结果缓存和 Agent 协调
🔄 自动化工作流 — 从请求到结果的完整仿真，无需离开浏览器

📅 后续扩展

高级链路预算计算（雨衰、衰减余量）
多场景对比与优化循环
AFSIM 直接启动按钮（供高级用户使用）
扩展轨道力学求解器（扰动项、碰撞规避）

快速开始

环境要求

Python ≥ 3.8
AFSIM Warlock 或 Mystic 安装（本地或远程）
OpenClaw 配置（安装包中提供）

安装

git clone https://github.com/abydym/AstraLogic.git
cd AstraLogic
pip install -r requirements.txt

启动平台

# 终端 1：启动后端 API
python backend.py
# API 文档：http://localhost:8000/docs

# 终端 2：启动仪表盘
streamlit run app.py
# 仪表盘：http://localhost:8501

使用 Agent 对话框

仪表盘启动后，使用 Agent 对话框提交仿真请求：

示例 1：简单链路分析

用户：「分析卫星A与地面站-1 在UTC 14:30 通过地面站上空时的通信链路」

OpenClaw 将：
  1. 检索轨道星历
  2. 计算仰角和斜距
  3. 运行 LinkBudgetSkill 确定信噪比余量
  4. 通过 MCP 启动 AFSIM 仿真
  5. 在仪表盘中展示结果

示例 2：频率优化

用户：「为卫星B到地面站-2 的链路找到最优频段，至少6 dB余量且无干扰」

OpenClaw 将：
  1. 分析可用频段分配
  2. 检查干扰环境
  3. 调用 FrequencyOptimizerSkill
  4. 并行仿真多个候选频段
  5. 推荐最优频段并说明理由

自定义仿真（高级用户）

若需要直接控制，也可以编程方式调用仿真：

from aermsg2dataframe import parse_aer_messages
import pymystic
import pandas as pd

# 读取现有 AFSIM 输出
with pymystic.Reader('scenarios/demo_output.aer') as reader:
    messages = list(reader)

# 解析为 DataFrame
df_entity, df_orbital = parse_aer_messages(messages)

# 分析
print(f"仿真时长：{df_entity['simTime'].max()} 秒")
print(f"追踪平台：{sorted(df_entity['platformIndex'].unique())}")

# 计算星间距离
sat1 = df_entity[df_entity['platformIndex'] == 1]
sat2 = df_entity[df_entity['platformIndex'] == 2]
if len(sat1) > 0 and len(sat2) > 0:
    distances = ((sat1[['x','y','z']].reset_index(drop=True) - 
                  sat2[['x','y','z']].reset_index(drop=True))**2).sum(axis=1)**0.5 / 1000
    print(f"最小距离：{distances.min():.1f} km，最大距离：{distances.max():.1f} km")

项目结构

AstraLogic/
├── app.py                      # 🎨 Streamlit 仪表盘（主界面）
├── backend.py                  # ⚡ FastAPI 服务器
├── aer_read.py                 # 📡 AER 二进制解析器（pymystic 封装）
├── aermsg2dataframe.py         # 📊 消息 → DataFrame 转换器
├── openclaw_agent.py           # 🤖 LLM 智能体（筹划中）
├── afsim_mcp_server.py         # 🔌 MCP 服务器网桥（筹划中）
├── pymystic.py                 # 📦 本地 pymystic 库
│
├── core/                       # 核心实用模块
│   ├── __init__.py
│   └── afsim_bridge.py         # AFSIM 集成助手
│
├── scenarios/                  # AFSIM 场景文件
│   ├── demo_2sat_1gs.txt       # 2 颗卫星 + 1 个地面站
│   ├── demo_output.aer         # 示例 AFSIM 输出（二进制）
│   ├── demo_output.csv         # 转换后的 CSV（参考）
│   └── demo_output.evt         # 事件日志
│
├── output/                     # 生成的数据文件
│   ├── entity.csv              # 解析后的平台状态
│   └── orbital.csv             # 解析后的轨道要素
│
├── docs/                       # 文档
├── brand-design-md-main/       # 设计系统资源
├── README.md                   # 本文件
├── DESIGN.md                   # 架构与设计笔记
├── requirements.txt            # 依赖清单
├── LICENSE                     # MIT 许可证
└── .env.example                # 环境变量模板（暂未使用）

路线图

里程碑	状态	目标版本	描述
✅ AER 解析器	已完成	v0.1	AFSIM 二进制反序列化（pymystic）
✅ 仪表盘核心	已完成	v0.1	Streamlit UI 与轨道可视化
✅ FastAPI 后端	已完成	v0.1	状态管理 REST API
🔨 Agent 对话框	进行中	v0.2	OpenClaw 集成与自然语言处理
🔨 LinkBudgetSkill	进行中	v0.2	Eb/N₀、EIRP、干扰分析
🔨 MCP 服务器网桥	进行中	v0.2	无头 AFSIM 执行与结果流式处理
📅 FrequencyOptimizerSkill	筹划中	v0.3	自动频段选择
📅 多场景优化	筹划中	v0.3	并行仿真与对比分析
📅 高级轨道力学	筹划中	v0.4	扰动项、碰撞规避、台站保持
📅 结果导出与报告	筹划中	v0.4	PDF 报告、数据存档、批量导出

贡献指南

欢迎提交 Pull Request。对于重大变更，请先提交 Issue 进行讨论。请确保同步更新相关测试。

许可证

本项目采用 MIT 许可证，详见 LICENSE 文件。

Name		Name	Last commit message	Last commit date
.github/agents		.github/agents
aer-rela		aer-rela
afsim-projectskill		afsim-projectskill
core		core
output		output
scenarios		scenarios
.gitignore		.gitignore
AstraLogic.md		AstraLogic.md
LICENSE		LICENSE
README.md		README.md
app.py		app.py
apphistory.py		apphistory.py
appnew.py		appnew.py
backend.py		backend.py
conversation_manager.py		conversation_manager.py
openclaw_status.py		openclaw_status.py
pymystic.py		pymystic.py

Navigation Menu

Repository files navigation

🛰️ AstraLogic

Overview

Core Architecture

Workflow: End-to-End Simulation

Key Features

✅ Active Development

📅 Future Enhancements

Quick Start

Prerequisites

Installation

Running the Platform

Using the Agent Chat Interface

Custom Simulation (Advanced)

Project Structure

Roadmap

Contributing

License

概述

核心架构

工作流：端到端仿真

主要特性

✅ 实际开发中

📅 后续扩展

快速开始

环境要求

安装

启动平台

使用 Agent 对话框

自定义仿真（高级用户）

项目结构

路线图

贡献指南

许可证

About

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

🛰️ AstraLogic

Overview

Core Architecture

Workflow: End-to-End Simulation

Key Features

✅ Active Development

📅 Future Enhancements

Quick Start

Prerequisites

Installation

Running the Platform

Using the Agent Chat Interface

Custom Simulation (Advanced)

Project Structure

Roadmap

Contributing

License

概述

核心架构

工作流：端到端仿真

主要特性

✅ 实际开发中

📅 后续扩展

快速开始

环境要求

安装

启动平台

使用 Agent 对话框

自定义仿真（高级用户）

项目结构

路线图

贡献指南

许可证

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages