考虑螺旋桨滑流的涡桨运输机失速速度的适航验证

涡桨运输机使用螺旋桨作为能量输出，滑流是螺旋桨飞机的重要特征，在适航验证时需考虑。失速速度是反映飞机气动特性的重要参数，在开展失速速度的验证时考虑滑流的影响尤为重要。分析了螺旋桨滑流对飞机气动特性的影响，根据涡桨运输机失速速度的适航规章条款CCAR25.103的相关要求，提出了涡桨运输机考虑滑流影响的失速速度的适航验证思路及具体的验证方法。以一型涡桨运输机滑流影响的风洞试验为例，给出了该型飞机在发动机慢车状态下，巡航构型时考虑滑流影响的纵向气动特性试验结果，试验结果进一步证明了在进行失速速度验证时考虑滑流影响的重要性，为失速试飞提供了依据。文中给出的验证方法为涡桨运输机的失速速度以及飞行性能和飞行品质相关的其它适航条款的验证提供了参考。     

导航卫星时频系统发展综述

全球各大卫星导航系统近年来发展迅速,性能持续提升,其中卫星时频系统的高性能、稳定可靠和保持星间时频同步是系统实现高精度测量的基础.介绍了目前应用于各卫星导航系统的铷钟、氢钟、铯钟等星载原子钟和时频生成与保持技术的特点、发展概况及在轨应用情况.面向精度提升和自主运行能力提升的需求,分析了可能应用于下一代导航卫星的星载原子钟技术、星上时频生成与保持单元性能提升方法以及星间高精度激光时频同步技术,以支撑未来时频基准的天基化和我国综合PNT体系的建设.     

大涡模拟技术在航空湍流研究中的应用

航空湍流是威胁飞行安全的重要因素，它的形成机制复杂，一直是航空气象研究中的重点难点问题之一。近年来，随着大涡模拟（large eddy simulation,LES）技术的发展，LES已经成为研究航空湍流问题的重要方法。本文围绕在飞机起降阶段的飞机尾涡和低空湍流以及巡航阶段的对流湍流、山地波湍流和晴空湍流这五类航空湍流对飞机颠簸造成的影响，综述了LES技术在相关方向的研究进展，并对LES技术应用中亟需解决的问题及未来的重点研究方向进行了总结与展望。整体来看，航空湍流的LES模拟研究已经取得较大进展，高分辨率的LES可以更加明确航空湍流的来源和生命周期，显著提升了对航空湍流的机制认知和诊断预警能力。但在机制方面，对各种复杂湍流过程的相互影响机制仍然不够清楚；在数值模式技术方面，LES模拟与模式初始状态、边界条件和模式参数化方案的敏感性问题仍然有待解决。未来，LES与中尺度区域模式变网格嵌套技术、动态网格技术、集合预报与概率预报技术的发展，以及与深度学习等方法的结合都将进一步有效提升LES在航空湍流模拟方面的计算效率和预报能力。     

基于点云深度学习的对称结构空间目标相对位姿测量

针对对称结构空间目标相对位姿解算过程中点云误匹配带来的误差问题，提出一种基于点云深度学习的对称结构空间目标相对位姿测量方法。首先设计空间目标点云特征提取网络及关键点回归网络，将位姿测量问题转换为空间目标点云关键点回归问题，通过两个并行的回归网络分别输出空间目标平移向量和具有固定标签的目标点云三维边界框角点；其次利用具有连续稳定标签的角点求解目标姿态，可有效解决目标的对称结构导致的点云误配准问题；最后通过仿真数据集的实验表明，该方法相比于传统的点云配准方法有更高的准确率，能够精确求解具有对称结构的空间目标相对位姿。     

GNSS拒止下面向目标监视的多无人机定位与控制方法

针对GNSS拒止环境下缺乏全局位置信息的静止目标持续监视问题，提出了一种仅基于方位角测量的多无人机分布式定位与控制方法。首先，设计一个无人机和目标之间的相对位置估计器，用来确定目标在每架无人机局部坐标系中的位置；其次，基于所估计的相对位置设计一个分布式控制算法，使无人机能够以规定的半径、圆周速度和无人机间的角度间隔围绕目标飞行，对目标持续进行全方位监视；最后，通过收敛性和稳定性分析理论证明了所提方法能够确保多无人系统收敛到期望的运动。通过仿真验证了所提方法能够实现GNSS拒止环境下多无人机对目标的持续监视。     

基于特征叠加网络的SAR海上舰船运动状态感知方法

针对合成孔径雷达(SAR)图像中的舰船检测与分类问题，常规的图像处理技术或者机器学习方式难以准确检测出海上舰船的类别以及当前舰船运行状态。因海上舰船目标具有相对于SAR图像尺寸较小、方位难以测算以及容易与其他目标混淆的特点，针对上述问题设计了端到端的海上舰船分类与状态感知模型，加入特征金字塔以达到拥有对于微小目标提取其深度特征，同时又保留其相对位置的目的;使用残差结构以解决特征融合网络层数增加导致的梯度消失问题;最后加入舰船状态感知模块，使其最终可以得到海上舰船目标相对于图像的角度值。使用公开SAR卫星图像进行了多次实验，最终体现出提出的端到端的模型具有较高的识别率以及良好的舰船状态估计能力。     

一种提高捷联惯性/里程计组合导航系统定位精度的后处理方法

测绘用捷联惯性/里程计组合导航系统多采用离线后处理技术.此类系统利用里程计位移微分获得的速度作为观测量,采用速度匹配,并通过待测路径中预置的Mark点校正航位推算的位置信息.本文建立了基于速度匹配的16维Kalman滤波模型,对全程采样数据进行正反向导航和滤波处理,以估计惯性器件和里程计的误差;在补偿相关误差后,再次进行正向导航和滤波解算,以获得更精确的姿态矩阵.随后,根据相邻两个Mark点之间的姿态信息进行航位推算,并更新里程计刻度系数、里程计与惯导间的姿态误差矩阵;若此Mark点间的位置误差过大,则重新进行航位推算以减小位置误差.结果表明,与传统正向滤波相比,采用该方法后系统的最大位置误差由1.72m降低到0.08m,定位精度提高了95％以上.     

基于记忆融合模式的多无人机分散式协同导航方法

针对多无人机协同交互过程中存在的通信时滞问题，提出基于记忆-融合的多无人机分散式协同导航算法。在无人机惯性和全球卫星导航系统（GNSS）紧组合导航框架基础上，建立含时滞影响的系统状态向量，并对系统状态误差及其方差进行推导，进一步构建关于各无人机状态的最优估计模型，并基于状态误差方差最小准则对状态进行最优估计。建立了基于机间相对测量的多无人机分散式协同导航算法，提出了基于记忆融合模式的时滞处理方法。在GNSS可获取及拒止环境下进行多无人机协同导航仿真与实验测试，结果表明，所提出的基于记忆-融合的分散式协同导航算法能有效补偿通信时滞造成的精度损失，有效提高定位精度。