深空自主导航光学敏感器及其验证

利用光学导航敏感器进行深空自主导航在国际上已成为一种发展趋势,这种方法具有自主性强、精度高、节约成本等优点,且距离地球越远越显优势.在国内首次开展了用于深空巡航段的自主光学导航敏感器设计研制和验证工作,所研制的光学导航敏感器原型样机设计技术指标为:焦距953.8mm,视场角0.8°×0.8°,探测极限灵敏度12Mv,测量精度0.5″(1σ),动态范围100∶1.试验室测试和外场观星试验的结果表明,测量精度达到0.5″(1σ),探测极限灵敏度达到12.5Mv,技术指标全部满足要求.     

无人机复杂环境中跟踪运动目标的实时航路规划

在复杂地形环境中,无人机在跟踪运动目标时,现有的航路规划方法在实时性和可行性上存在一定缺陷.提出了一种新的滚动窗口启发方向计算方法,使其能够跟踪运动目标,同时在滚动窗口内采用流函数法进行避障.根据无人机约束,滚动窗口为三角形,并设计了基于行为的伸缩功能.在流函数中,利用水势能方法克服了陷阱地形并进行了航路平滑.仿真结果表明:这种混合算法对于复杂地形条件下跟踪运动目标的航路规划,能够减小规划算法的时间和空间复杂度,使规划出的航路适于无人机飞行.     

空间移动小目标的检测算法

空间序列图像中移动小目标检测与轨迹提取是空间目标监视、跟踪及编目的关键技术之一.为了及时有效地处理星载可见光相机输出的多维海量数据,提出了一种基于四邻域二值量化方法和改进概率Hough变换的目标检测及轨迹提取算法.相较于美国空间目标在轨检测(MTI,moving target indicator)算法,改进算法虚警噪声点及候选路径数目明显减少,计算复杂度降低,运行效率提高.实验结果表明,算法可有效检测序列图像中快速移动的弱小目标并提取其直线运动轨迹.     

高分辨雷达目标回波信号产生技术研究CSCD

介绍了一种高分辨雷达模拟目标回波信号产生方法,由于该方法产生的模拟目标回波信号既能携带目标特征信息,又能携带雷达发射信号细微特征信息,可以满足在实验室条件下,对高分辨雷达进行性能测试的需求。     

面向多威胁的无人机智能目标跟随策略设计

随着无人机(UAV)一体化作战的不断发展,无人机在搜索到运动目标之后,需要立即转入跟随模式,考虑到战场环境的复杂性,研究了在多个威胁源条件下无人机跟随运动目标的问题,为了保证无人机的安全性以及跟随目标的精确性,提出了一种基于决策树的无人机智能目标跟随策略。首先对威胁概率图(TPM)进行建模;然后采用几何图法及任务优先级生成不同的规则,建立相应的决策树,并设计了不同规则下无人机飞行航向及速度指令;最后通过仿真验证所提出的智能目标跟随策略的有效性。      

慢旋非合作目标接近轨迹规划

非合作目标自主在轨服务是在轨服务领域的研究方向,具备避碰能力的接近轨迹规划将在未来的在轨服务任务中扮演重要的角色.给出了一种基于滚动时域的慢旋非合作目标接近轨迹规划方法,利用逻辑变量和连续变量的混合形式来描述避碰约束,从而将轨迹规划问题转化为混合整数规划问题.仿真结果表明,基于滚动时域设计的慢旋非合作目标接近轨迹规划能够使得在轨服务航天器安全地接近终端状态.     

一种用于运动目标捕获的行星轮差动式欠驱动臂

为解决运动目标捕获过程中的碰撞问题,采用欠驱动自适应原理研制了具有碰撞能量吸收能力的机械臂。三自由度的机械臂由2个电机驱动:基关节由单个电机驱动;中关节和末关节由一个单输入双输出行星轮组完成动力分配。在机械臂捕获运动目标过程中,碰撞产生的部分冲击能量通过欠驱动行星轮组传递到末关节,转化为关节动能。依靠欠驱动机械系统完成对碰撞的响应,解决了控制系统因时延而无法快速对碰撞进行响应的难题。为完成对目标的抓取,基于阻抗控制提出了机械臂运动目标捕获控制算法。运动目标捕获实验验证了机械臂对碰撞的快速响应能力及运动目标捕获控制算法的可行性。      

单目视觉三维运动位姿测量方法研究

针对基于点特征的单目视觉位姿测量,研究了一种基于不共面5个编码特征点的单目视觉解算算法,利用大靶面高分辨率相机采集运动物体姿态图像,利用目标物体上编码特征点间的几何约束关系,通过正交迭代解算算法完成目标物体的位姿测量。实验结果表明：位移测量不确定度优于0.5mm,姿态测量不确定度优于0.05°,可满足航空航天领域试验测量要求。     

基于MapReduce的CME参数识别模型并行计算技术

日冕物质抛射（Coronal Mass Ejection,CME）参数识别模型是太阳风预报过程的重要组成部分.在空间环境预报业务中,为提高太阳风预报的准确率,需要提高CME参数识别的精度.模型以计算任务串行的方式运行,运算效率低导致模型运算时间长,不能满足这种需求.CME参数识别模型的物理运算过程相互不独立,其在单节点上的运行方式不能满足并行化要求.基于MapReduce的并行计算框架,改进了CME参数识别模型的计算流程,提出CDMR（CME detection under MapReduce）方法,实现了CME参数识别模型的并行计算,并对比分析CME参数识别模型在串行计算和MapReduce并行计算下的运行时间,提高了模型的识别精度和计算效率.