基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点，借助深度学习在多参数寻优上的优势，提出了一种基于卷积神经网络的模型预测控制算法，满足航天工程低硬件需求，实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态，然后将控制过程中状态量用于3层3核卷积神经网络的训练，训练完成后，用该卷积神经网络代替模型预测对组合航天器进行控制，从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数，相比传统模型预测算法所需硬件计算时间降低约5倍，在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制，控制精度在10 -4 量级。     

不同攻角条件下偏转头弹箭流场与气动特性

基于DES（detached eddy simulation,分离涡模拟）方法及AUSM（advection upstream splitting method,对流迎风分裂方法）格式,对不同偏角的偏转头弹箭在非零攻角下的超声速流场和气动特性进行了数值模拟.结果表明:在非零攻角情况下,与常规弹箭流场相比,偏转头弹箭头部迎风面激波更强;而当有效入射角相等时,即使弹箭的攻角不一样,其头部流场结构仍相同,且尾翼流场基本不受头部偏角影响.另外,由气动力系数变化曲线可知,偏转头弹箭具有良好的纵向静稳定性,且升力系数随攻角的增长率大于阻力系数,即升阻比大于常规弹箭,因此适当增大攻角可以提高偏转头弹箭的气动特性.      

基于深度学习的航天器组合体惯性参数在轨智能辨识

针对在轨服务过程形成新组合体的动力学参数未知的问题,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的智能参数辨识算法,实现在外力作用下,线动量和角动量不守恒条件下的航天器组合体多参数辨识。利用卷积神经网络权值共享的特点,设计4层卷积神经网络,通过短时间内对大量特定存储形式的状态数据的训练,实现航天器组合体多参数快速高精度辨识。利用数学仿真试验对算法的可行性进行验证,结果表明：在24s内,质量与质心位置收敛;1190s内,惯量参数收敛,辨识精度在3%以内。说明所提方法在外界随机干扰力和力矩影响下能准确快速辨识出航天器组合体质量、质心位置和惯量矩阵。     

基于先验子图检测的失效航天器SLAM方法

基于激光雷达的航天器位姿估计技术是当前在轨服务研究热点。针对失效航天器位姿估计,将通用的图优化SLAM技术应用到空间非合作目标的研究中。为解决SLAM算法在动态场景中产生累积误差问题,利用失效航天器自身运动特点,提出一种基于先验子图检测改进的SLAM算法。在该算法中,通过激光雷达和惯性测量单元分别采集失效航天器及周围环境的点云数据、服务航天器的运动信息,构建出服务场景下航天器的相对位姿图;再采用先验子图检测方法建立不连续的位姿节点间的约束关系;最后用约束信息对位姿图进行优化。仿真结果表明,相较于通用的SLAM算法的位姿估计,该方法减小了累积误差,提高了相对位姿估计精度,可以为后期的导航、控制等在轨任务提供信息。     

基于实时SSR数据的LEO卫星精密单点定位研究

对目前低轨卫星实时定位的方法进行了研究,现在通常采用GPS定位,使用广播星历和普通晶振,实时定位精度一般在10m以内,不能满足高精度实时定位的需求。IGS组织在全球范围内对GPS跟踪分析,生成精密星历、精密钟差产品、按SSR格式的广播星历和钟差修正产品并在网上发布。对这些IGS产品进行了调查,提出在现有测控支持情况下,可以通过高密度上注SSR信息流实现在轨高精度定位。以某型号低轨微小卫星在轨导航增强载荷为应用背景,用IGS03产品中的1057和1058数据对双频GPS接收机的星历和钟差进行修正,采用递推最小二乘估计和LAMDA模糊度固定过对载波相位和伪距信息进行处理,在短时间内获得亚米级定位结果。