2020年国外惯性技术发展与回顾

通过对IEEE惯性传感器与系统会议、MEMS国际会议、圣彼得堡组合导航会议、PLANS会议和DGON ISS会议等惯性技术相关会议文献,以及惯性技术相关机构发布的一些动态信息进行梳理,总结分析了惯性技术领域的最新发展动态,并重点介绍了光学陀螺、微机电(MEMS)陀螺和加速度计等惯性器件的发展现状,以及美国为增强定位、导...     

UKF方法在脉冲星自主导航中的应用

针对X射线脉冲星自主导航中的非线性系统滤波问题,将无迹卡尔曼滤波方法应用于自主导航计算过程中。首先,在简述脉冲星导航可行性的基础上,研究了脉冲星自主导航系统的基本原理和实施方案。然后,根据牛顿二体引力模型构建了航天器运动状态方程,根据脉冲到达时间模型建立了系统观测方程,并对二者进行了误差分析和建模。最后,将UKF算法应用于航天器自主导航过程中,仿真结果表明该方法能够实现航天器自主导航信息的解算。     

基于折射方向矢量的地球卫星星光折射导航新方法

在星光折射导航中,星光折射视线包含星光折射的大小和星光折射方向两种折射信息,传统的星光折射导航量测量只利用了星光折射大小的信息。但实际上,星光折射方向也是卫星位置矢量的函数,含有卫星位置的重要信息。针对上述问题,提出了一种同时使用两种折射信息的星光折射导航新方法,该方法以星光折射方向矢量为量测量。详细介绍了基于折射方向矢量地球卫星星光折射导航方法的量测量的获取和量测模型的建立,同时对不同影响因素对导航系统性能的影响进行分析。仿真结果表明,该方法的导航精度优于折射视高度和星光折射角两种传统的星光折射导航量测量。     

机械可动天线地面转动转轴残余力矩分析及影响

机械可动天线在进行地面转动时,需进行重力卸载,限于机械可动天线的结构特点,难以实现重力完全卸载,天线转轴上会产生残余力矩。从而影响天线在地面的指向精度,通过分析残余力矩的变化规律,可以判断天线地面转动测试试验的有效性和产品安全性。为天线在轨正常使用提供理论依据。     

点融合系统在飞行训练中的应用初探

随着我国中低空域逐渐开放,空域布局愈加复杂,各类通航运行矛盾冲突明显。通航产业中架次与时间占比最大的训练飞行,因其运行繁杂,亟需提升空域容量,降低工作负荷,更新教学课程,适应市场需求。本文研究点融合系统,比对训练飞行困境,分析实施基础,对点融合技术在飞行训练中的运用进行初探,认为该技术的应用能优化空域结构,厘清飞行航迹,提升空域容量,缓解学生积压,减少燃油消耗,且已初步具备基础条件。后期还需从机载设备加装、程序设计优化、人员能力提升、运行监管体系搭建等方面加强建设,以满足点融合系统运行所需。     

卫星导航定位方程的病态条件

定位精度因子(PDOP)上限取值是导航星座设计及其性能评价的基本依据。本文系统地论述卫星导航定位方程及其精度评定算法以及线性方程病态条件,通过实测和仿真数值试验结果对比分析,详细论证PDOP与卫星导航定位方程病态条件的关系,进而确定PDOP上限取值,以满足实际工程应用需求。     

一种Ka频段双通道遥测设备的无杆标校方法研究

Ka频段双通道遥测设备的和、差通道存在相位差,并且随环境变化而变化,需要在基带终端通过校相才能实现相位差的校正,最终完成对目标的自主跟踪。在靶场中,以往都是通过架设标校杆进行基带校相,这种方法可以实现相位标校的目的,但是随着遥测设备作战领域已经向深海、高原等区域拓展,受到这些特殊位置环境等对架设标校杆的种种限制。本文重点研究了在高原环境下,不架设标杆校,通过偏馈天线发射信号,实现和、差通道相位零值标定的目的。本文给出了基于偏馈天线的无杆标校原理和方法,并通过实验验证了本文方法的有效性。     

分析型光压模型在北斗导航卫星精密定轨中的应用

太阳辐射压摄动是导航卫星受到的最大非保守力,是精密定轨的主要误差源,目前一般使用扩展经验光压模型(ECOM)等经验模型应用于卫星的精密定轨,分析型光压模型物理背景清晰,更加适合在轨初期的精密定轨。文章分析了分析型光压模型在我国北斗高轨导航卫星中的应用。选取了约1个月的北斗地球静止轨道-6(GEO-6)和倾斜地球同步轨道-5(IGSO-5)卫星数据进行分析,其太阳辐射压摄动加速度在轨道的径向(R)、横向(T)和法向(N)3个方向分别约为10^-7、10^-7和10^-8 m/s²量级,将分析型光压模型和精密定轨输出的太阳辐射压加速度进行比较,GEO-6卫星径向和横向的差异在10^-8 m/s²量级,法向方向在10^-9 m/s²量级,相对误差在10%左右,对IGSO-5卫星,差异要小1/2左右,约为5%。以多模GNSS系统试验网络(MGEX)的轨道作为参考,直接使用分析型光压模型,GEO-6位置误差约为2.5 m, IGSO...     

惯性推算误差抑制的神经网络自学习模型设计与验证

惯性推算误差抑制是提升复杂场景下组合导航定位性能的关键,现有采用运动约束或系统误差高阶建模的方法从运动学模型及传感器误差模型出发,通过经验确定参数及模型的最优解。深度学习隐式模型能够挖掘数据之间的隐含关系,进行自主化参数寻优,并在提升惯导误差建模精度方面具有一定优势。总结了现有主流网络模型设计的优缺点,通过对比不同的输入输出方案进行优选,最终利用卷积神经网络构建了一套惯性误差抑制的轻量化神经网络自学习模型,并利用实测车载数据验证了该模型的有效性。实验结果表明,在GNSS信号失锁300 s的路段I和失锁285 s的路段II,网络模型速度约束的算法相较于纯惯性推算和传统NHC算法均有一定提升,融合NHC及网络模型速度约束的算法在水平定位精度上分别改善了41.7%~47.4%和26.7%~36.6%,一定程度上抑制了惯性推算误差。