一种主动寻星式的天文姿态测量方法

基于双轴伺服的天文姿态测量设备一般采用双参考矢量法进行测姿,更新率高,简单可靠,但由于受大气扰动和蒙气差等因素影响,测姿精度不高.根据动态条件下的舰船姿态测量需求,提出了一种主动寻星式的天文姿态测量方法,重点分析了寻星策略生成,简要介绍了巡天观测和姿态解算过程,并对该方法实际应用效果进行了试验验证,为研制新型舰船天文姿...     

基于分层式强化学习的移动机器人导航控制

针对未知环境下的移动机器人导航问题,本文提出了一种基于分层式强化学习的混合式控制方法。利用栅格-拓扑相结合的环境表示及地图学习方法,通过分层式强化学习在不同控制层次的扩展设计移动机器人的反应式和慎思式导航控制,实现了全局导航和局部导航控制的协调优化。实验及测试结果证明,该控制方法能实现导航任务的全局优化,避免陷入局部极小,并对未知动态环境具有较强的适应性。     

仿生光磁导航技术发展研究综述

仿生导航是在仿生技术基础上发展起来的新型导航技术方法,该方法融合了仿生技术的优点,因其抗干扰性强、适应范围广的特点,迎来了研究的热潮。从仿生光流导航、仿生偏振光导航、仿生类脑导航和仿生地磁导航四个角度对近年来大量的相关文献进行了综合性地整理和分析,阐述了其导航原理、发展现状和动态,对其未来的发展前景进行了展望,指出了限制现有技术的难点和瓶颈,对未来仿生导航技术的发展提供了参考,有一定的指导作用。     

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。     

基于IMU/FADS/无线电的火星上升器组合导航方案

以火星采样返回任务中火星表面上升为背景,研究了基于惯性测量单元（Inertial Measurement Unit, IMU）、嵌入式大气数据传感系统（Flush Air Data Sensing System, FADS）和无线电信标的组合导航方法。首先,在传统的IMU导航框架中加入由无线电测量获得的相对距离、速度信息,以及由FADS获取的动压、温度数据,建立了基于IMU、无线电和FADS的导航观测模型;然后,基于无迹卡尔曼滤波（Unscented Kalman Filter, UKF）技术对测量信息进行了融合,并压制了过程噪声和测量噪声,从而对上升器的状态进行了联合估计;最后,在数值仿真中,将UKF与自适应无迹卡尔曼滤波（Adaptive Unscented Kalman Filter, AUKF）技术进行了对比,在比较不同滤波器性能的同时,验证了组合导航方法的有效性。     

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。     

基于重力模型阶次自适应的实时重力补偿系统研究

为了解决探测器在月面工作时惯性导航系统的误差累积问题,克服现有研究对环境敏感或是需要定期停止才能进行误差修复的短板,结合探测器的行驶行为,将探测器使用零速更新（ZUPT）原理修正误差的过程分解成了无ZUPT、完全ZUPT、水平动态ZUPT和垂向动态ZUPT 4种子模型的叠加,并分别推导了它们的系统矩阵和测量矩阵。针对月面导航系统提出了一种新型多模型零速更新（MMZUPT）算法。该算法应用多模型交互原理,允许多种更新模型同时工作,可以通过计算每个模型的权重在每个定位历元输出最优导航结果并约束误差。在精心挑选的受限环境中对月面导航进行了模拟实验,结果表明,所提MMZUPT方法无需频繁地主动停车以满足传统ZUPT使用边界就可以取得良好的效果,并且通过对包含错误的校准信号加以识别和利用可以获得更好的性能。     

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。     

基于选星预处理的改进随机抽样一致性RAIM方法

多星座导航能够增加可视卫星数量,改善卫星几何构型,已成为卫星导航定位领域发展的重要方向之一。多星座导航接收机自主完好性监测（RAIM）技术对提高导航系统的完好性具有重要作用。面向多星座导航的完好性监测需求,分析了传统随机抽样一致性（RANSAC）故障检测方法的不足,提出了一种基于最小样本集选星预处理的改进RANSAC RAIM算法。该算法基于最大四面体积法和GDOP值贡献度的选星方法选取具有较好构型的卫星构成卫星子集,取代了传统RANSAC RAIM方法通过遍历构成卫星子集,可有效避免卫星子集中存在较差卫星几何构型的情况,减少子集数量,提升故障检测的准确率。静态和动态仿真实验表明,改进的RANSAC RAIM算法在检测效率和检测准确率等方面明显优于传统方法。