考虑星历误差的天文测角/时间延迟量测组合导航方法

基于太阳震荡的时间延迟是一种新型天文导航量测量，可以提供探测器相对反射天体的距离信息，与星光角距量测量结合，可以提高导航性能。然而，星光角距量测模型与时间延迟量测模型均含有火卫一相对火星的位置矢量，火卫一的星历误差将影响导航精度。针对这一问题，提出了一种基于在线估计的天文测角/时间延迟量测组合导航方法，建立了包含火卫一位置及速度的状态模型，利用星光角距及时间延迟量测量同时对火卫一的位置和速度进行在线估计，仿真结果表明，提出的方法可以有效抑制火卫一星历误差对组合导航精度的影响，为探测器提供高精度的自主导航信息。     

智能方法在惯性系统误差参数辨识中的应用

总结了目前我国提高惯性系统导航精度的技术途径,阐述了国内外惯性系统误差参数辨识方法的研究现状,介绍了当前滤波算法、智能优化算法和人工神经网络方法在惯性系统导航领域的应用情况以及存在的不足。最后,分析了空间飞行器惯性系统误差参数辨识技术的未来研究方向,即智能优化算法和人工神经网络方法等智能方法将在惯性系统误差参数辨识中发挥越来越重要的作用,通过将误差系数标定问题转换为参数辨识问题,采用智能方法在庞大的解空间内实现对惯性系统误差参数的快速辨识。     

eLoran系统ASF网格应用算法研究

ASF网格是提高增强型罗兰（Enhanced Long Range Navigation，eLoran）系统精度的重要方法。根据所在网格四个顶点的附加二次时延（Added Secondary Factor，ASF）值通过网格应用算法得到待测试点的ASF值，一定程度上比公式计算的ASF值更准确。在计算过程中，用户四个顶点ASF值的测量误差会传递给用户，同时内插算法本身也会引入误差，此时内插算法的选择尤为重要。本文通过仿真、分析比较几种常用的内插算法，得出结论：反距离插值算法引入的误差最大，双线应插值算法引入的误差最小，而且误差呈现一定层次感，网格从内到外误差逐渐减小。     

火星大气进入段抗饱和固定时间阻力加速度跟踪制导律设计

研究了具有固定时间收敛特性的火星探测器大气进入段的标称轨迹跟踪制导问题。首先，针对横向运动，给出与速度成线性关系的航向误差漏斗走廊形式，完成了倾侧角的反号逻辑设计。与横程漏斗走廊反号逻辑相比，该逻辑计算量小，更适用于宇航计算机。与航向误差宽度走廊反号逻辑相比，该逻辑在高速状态下能够避免倾侧角的频繁切换，可提高任务成功的概率。其次，针对纵向运动，通过RBF神经网络补偿了倾侧角饱和问题，利用积分滑模设计了阻力加速度固定时间饱和跟踪制导律，其不仅可有效消除滑模控制的抖振问题，且将跟踪误差以两种不同形式引入制导律，能够加速收敛，能够保证跟踪误差在固定时间内快速收敛至0。最后，通过数值仿真验证了所设计的横向倾侧角切换逻辑和纵向制导律对标称轨迹的快速、精确跟踪能力。     

基于T-Scan的三维激光扫描系统测量误差分析

三维激光自动扫描系统可以快速获取零件表面信息,提高扫描系统的测量精度可以进一步提高系统性能。针对扫描精度问题,对扫描系统的测量误差进行了分析和评估,在试验中使用的扫描系统由机器人和商业三维激光扫描仪T-Scan组成,这种商业三维激光扫描仪的基本原理是激光三角法,测量误差受到扫描位姿的影响。将T-Scan的扫描位姿分解为扫描深度、俯仰角和偏转角,通过控制变量试验研究了扫描位姿对随机误差和系统误差的影响。试验结果显示,扫描结果的随机误差远小于系统误差,系统误差与扫描深度和俯仰角呈双线性关系。根据试验结果建立了系统误差的预测模型,通过模型预测的系统误差与实际试验结果的偏差最大为26μm,该预测模型是优化扫描轨迹从而提高测量精度的前提条件。     

旋转惯导的发展及应用

惯性导航系统是现代各类载体的核心设备,其精度的高低制约着整个载体精度和性能的提升。旋转调制是提高惯导系统精度的一种重要误差补偿技术。本文对国内外旋转惯导的发展与应用情况进行了综述。相较于国外旋转惯导的大量成功应用,国内还需进一步提高旋转惯导的应用研究水平,以满足高精度的航海、航空以至航天领域长时间自主导航的需求。     

混合式惯导原理及其在弹载环境下应用

在介绍混合式惯导技术起源与发展、工作原理、误差抑制机理以及影响因素的基础上,从工程应用的角度,对弹载环境的特点及其在弹载应用中关注的导航策略、动态响应特性以及稳定控制技术等内容进行了分析,为后续工程应用奠定基础。     

气压高度误差对适航标准的符合性方法研究

运输类飞机适航标准规定了气压高度误差的可接受范围,按照条款要求,表明符合性时需要将试验高度处的气压高度误差向海平面进行换算。相比ERJ、ARJ在适航审定试飞时采用的等静压误差处理方法,本文从是否考虑压缩性的角度出发,建立了适用性更高的气压高度误差转换方法,并通过某型飞机试飞结果分析进行了验证与说明。     

基于深度学习特征提取的遥感影像配准

传统的影像配准算法,如尺度不变特征变换(SIFT)、加速稳健特征(SURF)等,对遥感卫星影像配准存在提取特征点少、错误匹配多等缺点。文章使用数据驱动的随机特征选择卷积神经网络(RanSelCNN)方法,对Landsat-8卫星不同时相或同一时相具有重叠度的遥感影像进行配准,卷积层使用随机特征选择,增加特征提取的鲁棒性;训练时使用联合损失函数,同时对特征探测器和特征描述符进行优化,减少特征的错误匹配。结果表明:基于随机选择的深度神经网络的遥感影像配准能提取更多的特征点,有效降低错误匹配率。与传统的人工设计特征相比,该算法能明显提高卫星影像配准的精度。