分析插值误差和斜率的轨迹优化网格细化方法

提出一种基于插值误差和斜率分析的轨迹优化自适应网格细化方法，包括节点插入算法和节点删除算法。节点插入算法分析各个离散节点的控制变量的插值误差。若插值误差较大，则在该节点周围增加节点细化网格；否则，不进行细化。节点删除算法分析各个离散节点处的控制变量斜率。若某个节点的左斜率和右斜率都为零，那么删除该节点；否则，保留该节点。采用三个典型的轨迹优化算例验证了所提出的方法的有效性和特色，并且与其它几种网格细化方法进行了对比。仿真结果表明，本文方法生成的网格规模较小，需要的网格迭代次数较少，能够快速、高精度求解非光滑轨迹优化问题。     

星载可动天线安装误差补偿方法

为了提高天线指向精度，本文提出了一种星载可动天线的安装误差补偿方法。该方法根据卫星结构坐标系与立方镜坐标系间的关系及立方镜坐标系与天线结构坐标系间的关系，运用欧拉角坐标转移方式，得到对天线安装误差进行补偿的坐标转移矩阵。并且针对安装误差的特点，对坐标转移矩阵进行简化，只需要在轨上注3个参数即可实现对天线安装误差的补偿。仿真结果表明，在安装误差≯1°的情况下，补偿后的指向误差最大值≤0.05°；在安装误差≯0.5°的情况下，补偿后的指向误差最大值≤0.01°，补偿后的指向误差可接受。星载可动天线安装误差补偿方法可有效补偿安装误差对天线指向的影响，上注参数少易于实现。     

中继卫星在轨自动跟踪精度测试方法研究

针对中继卫星在轨自动跟踪精度测试基准值建立和有效数据获取的难题,根据在天线电轴跟踪零点附近角误差电压灵敏度正比于波束指向角误差灵敏度的特性,提出了采用角误差电压灵敏度作为基准值,天线稳定跟踪目标时的方位角误差电压和俯仰角误差电压作为测试数据,通过数据处理得出在轨自动跟踪误差,然后与差波束零点(天线电轴)与和波束接收信号最大值轴之差相加,得出在轨自动跟踪精度的测试方法。并制定测试方案和测试流程,在轨进行了实施。与地面测试结果进行比较,数据相近,验证了测试方法的可行性和有效性。采用该方法测试难度小,便于实施,测试结果不受天线安装误差、卫星姿态变化等因素的影响,解决了中继卫星在轨自动跟踪精度测试的难题。     

单向曲率抛物反射面可展结构型面精度误差研究

具备大尺度、高精度特性的刚性反射面天线是解决星载微波遥感有效载荷空间分辨率、增益与信噪比等电气指标需求的优选方案，需要采用可展结构设计，以解决卫星尺寸与整流罩包络之间的矛盾。文章针对高精度单向曲率抛物反射面可展结构型面精度误差的分析及预示需求，基于刚体旋转的欧拉理论及正态分布，描述加工精度误差与展开重复精度误差，建立了可展结构型面精度误差的预测模型。并根据Monte Carlo试验结果数据的统计分析方法，开展了面向加工精度误差与展开重复精度误差的敏感度分析。结果表明：板间铰链的展开重复精度对整体型面精度误差的收益高于根部铰链，同等条件下应优先对其进行优化；在整体型面精度误差指标允许的前提下，应适当提高刚性抛物柱面的加工精度误差，从而控制整体型面精度误差的变化区间。     

应用遥测数据的地球同步轨道卫星热变形分析

地球同步轨道卫星会受在轨环境影响而产生热变形,进而影响载荷的对地指向精度,由于空间环境的不确定性和热变形的非线性,在轨的热变形难以量化。文章研究了应用真实在轨遥测数据分析卫星星体热变形的规律,将热变形视作日周期项与年周期项的组合,建立了傅里叶级数形式的数学模型,并利用最小二乘法提出了星体热变形参数的估计方法。对两颗卫星的星体热变形进行了估计和补偿仿真,参数估计结果一致性好,表明了建模的合理性与补偿的可行性。热变形日周期项得到了很好的补偿,其峰峰值降低了80%,年周期项的峰峰值部分降低达80%,但整体上不如日周期项。     

基于深度学习的空间站舱内服务机器人视觉跟踪

为提升舱内跟随服务机器人的任务辅助能力,解决机器人对航天员的视觉跟踪问题,提出了一种基于深度学习和概率模型的人体视觉跟踪算法。利用深度卷积神经网络实现了对穿着多样、姿态任意人体的稳定检测。结合人体检测结果,设计了运动预测概率模型,实现了对指定人员准确、连续的跟踪。算法对包含大多数航天员活动的多个数据集进行了验证。实验结果表明:提出的跟踪算法实现了对穿着多样、姿态任意人体的稳定跟踪,并有效避免了由于穿着相似、遮挡可能造成的误跟踪问题。该算法为空间站舱内跟随服务机器人对航天员的视觉跟踪提供了有效的解决方法。算法基于融合的RGB-D图像,工程上易于构建和实现,也可拓展到其他跟随服务机器人视觉跟踪任务中。     

基于空间注意力机制的行人再识别方法

行人再识别是图像检索领域的一个重要部分，但是由于行人姿态各异、背景复杂等因素，导致提取到的行人特征鲁棒性和代表性不强，进而影响行人再识别的精度。在AlignedReID++算法基础上，提出了基于空间注意力机制的行人特征提取方法，应用在行人再识别中取得了很好的效果。首先，在特征提取部分，引入空间注意力机制来增强特征表达，同时抑制可能的噪声；其次，通过在卷积层中引入实例正则化层（IN）来辅助批正则化层（BN）对特征进行归一化处理，解决单一BN层对特征色调变化以及光照变化的不敏感性，提高特征提取对亮度、色调变化的鲁棒性；最后，在Market1501、DukeMTMC和CUHK03 3个行人再识别通用数据集上对所提改进模型进行测试评价。实验结果显示:改进后的模型在3个数据集上识别精度分别提升了2%、2.9%和5.1%，表明改进后的模型相较于改进前的模型，在精度以及鲁棒性上都有显著提高。      

人工智能技术在嵌入式代码审查中的应用与展望

代码审查是航天嵌入式软件开发中的重要环节.近年来，随着嵌入式软件开发需求的增多，传统以人工为主的代码审查方法逐渐不能满足快节奏的软件开发流程.为了减轻审查人员的压力，提升审查效率，研究者们逐渐将目光转向以深度学习技术为首人工智能领域，尝试寻求技术上得突破，以开发更智能的审查系统.本文对近年来人工智能技术在代码审查及程序理解中应用的相关工作进行了归纳总结.首先简要介绍了嵌入式代码审查工作目前面临的困境及解决方案.然后引出了代码审查中的一项重要活动，即程序理解.并详细阐述了目前基于人工智能的程序理解在代码审查中的应用情况.最后根据相关领域的发展情况，对未来代码审查的发展方向作了进一步的探讨.