通信拓扑切换下的多飞行器协同拦截方法

针对通信拓扑切换条件下的多飞行器协同拦截问题，提出了一种基于扩张状态观测器的协同制导方法。建立协同制导设计模型，将协同拦截问题转换为视线稳定条件下的剩余飞行时间调节问题。为解决机动目标状态不确定的问题，将目标的状态视作扰动，设计扩张状态观测器来估计机动目标的状态，并在制导律中对目标的机动进行补偿。利用有限时间一致性理论进行一致性控制协议的设计，实现各飞行器剩余飞行时间的有限时间一致，并利用Lyapunov稳定性理论分析通信拓扑切换情况下闭环系统的有限时间稳定性，给出了系统一致收敛时间。仿真结果表明，在通信拓扑变换的情况下，设计的观测器能够有效估计目标状态，且协同制导律能够满足对剩余飞行时间的控制要求，进而实现协同拦截。     

基于特征建模的空间非合作目标姿态智能测量方法

为实现空间非合作目标姿态的测量，基于特征建模的思想，提出了一种根据目标激光点云数据进行高效处理的智能测姿态方法.首先，针对空间目标姿态测量的需求，寻找并实现能够高效表征目标姿态的点云数据特征.接着，应用神经网络的方法对目标点云姿态特征进行学习，通过建立合理的神经网络模型和训练数据，实现目标点云特征与姿态间非线性映射关系的建立.最后，利用目标点云仿真数据集，对方法的测量精度和测量实时性进行了评估.实验结果表明：利用特征建模的思想，提出并建立目标点云姿态协方差矩阵特征，实现了点云数据在表征目标姿态方面的信息高度压缩，为神经网络模型的轻量化设计和计算资源严重受限的在轨应用，提供了可行的智能化工程实现方案.     

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。     

系列化构型运载能力设计余量留取方法研究

调研了美国航天型号研制中设计余量留取的情况,结合系列化构型论证工作,对运载能力设计余量留取问题进行了初步研究,分析了关键参数对运载能力的影响,针对不同目标轨道、系列化构型的差异,探索得到了运载能力设计余量差异化留取的方法。     

基于双滤波器的高精度目标跟踪估计方法

针对连续推力的合作航天器，采用双重无迹卡尔曼滤波(DUKF)算法估计其状态和加速度。通过状态滤波器和参数滤波器的配合，提升滤波精度，完成运动状态和参数的估计，从而实现合作目标的运动轨迹跟踪。与合作航天器相比，非合作航天器存在大小未知、发生时刻未知的机动，无法获得加速度，且信息获取和运动状态的估计难度大。针对非合作航天器，基于简化的相对运动方程，结合天基平台获得目标的观测信息，采用两个扩展卡尔曼滤波(EKF)及基于半正焦弦的机动检测策略实现多未知脉冲机动的运动状态的估计。仿真结果表明：相比于无迹卡尔曼滤波（UKF），DUKF在对合作航天器的状态和加速度估计方面具有更快的收敛速度和更高的滤波精度；对于存在未知机动的非合作航天器，通过对比验证机动检测策略与滤波器切换策略相结合的方法的有效性，该方法能够检测到多次机动并且减少误判。     

一种基于OPTICS聚类的仅测角导航目标检测算法

仅测角自主导航方法具有设备简单、复杂度低，功耗低的优点，在空间任务中具有广泛的应用前景.针对中远距离下空间目标特征少的特点，提出了一种利用基于OPTICS聚类算法的空间目标检测方法，可用于仅测角导航过程中的目标检测.对原始星图进行预处理提取星点及目标点，并结合星图识别的结果选择部分帧，使用经过改进的OPTICS聚类方法获得目标运动轨迹.最后，使用本文中的算法对软件仿真出的含有目标的高精度星图进行处理验证了算法的可行性.在卫星相对于空间目标抵近过程中，目标检测的水平误差及垂直误差小于0.15°的帧数分别占到了85.4%以及99.6%.相比AVANTI实验中的目标检测方法，减少了在轨任务中相关参数的调节，进一步提升了算法的自主性.     

基于强化学习的在轨目标逼近

从强化学习的角度,对在轨目标逼近问题进行研究,设计了一种整合制导与控制的端到端的算法.首先对在轨目标逼近问题进行数学建模;然后对强化学习算法原理进行简介,根据问题特点分析不同强化学习框架的优劣,确定以DDPG作为算法框架,并设计了基于强化学习的在轨目标逼近算法;最后通过仿真验证,分析了基于强化学习逼近算法的优劣性.