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...     

新一代静止气象卫星测定轨技术的发展研究

中国新一代静止气象卫星—风云四号(FY-4),包括光学和微波探测两种类型的卫星,将呈现多颗卫星同时在轨的状态.测距、轨道确定和预报(称为测定轨)是卫星图像导航、姿态机动和轨道管理的支撑系统,具有高精度和快速响应的特点.针对地面测距定轨系统在发展中表现出来的问题和局限性,以及静止气象卫星采用全球导航卫星系统(GNSS)测定轨的精度和时效性问题,进行了仿真,获得了北斗导航系统(BDS)、全球定位系统(GPS)和它们组合的连续可同时接收的卫星数量、定位精度等参数.分析表明,GNSS测定轨满足新一代静止气象卫星发展要求.     

国内外行星表面巡视器自主导航技术研究

作为航天技术发展的前沿和趋势,深空探测是人类历史上最为复杂的系统工程之一.星球巡视器是在星球表面移动作业的无人探测系统,能够对星球表面进行大面积、近距离和接触式的考察,是地外星球着陆探测作业的主要手段.星球巡视器导航技术是研究星球巡视器的关键技术之一,其导航自主性能直接影响星球探测计划能否顺利进行.本文首先概述了星球巡...     

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...     

双轴地磁辅助的惯性/卫星组合导航方法

旋转弹姿态的精确获取是旋转弹控制领域的一个研究重点,单纯将惯性/卫星组合导航方案应用于旋转弹上,无法快速而准确地获取弹体滚转姿态角。提出一种双轴地磁辅助惯性/卫星组合导航方法,该方法采用双轴地磁传感器、微机电(Micro Electro Mechanical System, MEMS)惯组和卫星导航组合测量方案,由序贯Kalman滤波算法完成对弹体姿态、速度和位置的估计。选取某旋转弹为仿真对象,仿真结果表明该方法在获得高精度速度、位置的同时,可快速完成弹体姿态准确估计。当地磁传感器精度为10mGs时,弹体姿态可在1s内快速收敛,且姿态精度优于0.5°(1σ)。该方法具有导航精度高、地磁标定简单、价格低廉的优点,在旋转弹导航方案上有一定的工程应用价值。     

深空探测自主导航技术综述

由于深空探测任务具有飞行时间长、距离远、环境复杂多变的特点,基于地面深空网的导航方法存在通信时延大、传输效率低以及天体遮挡等问题。自主导航技术可以使探测器具备自主执行部分或全部导航功能的能力,大大减轻了探测器对地面站的依赖程度,已成为深空探测领域的重点研究内容。从国内外深空探测任务的实际工程需求出发,首先概述了天文导航、惯性基组合导航以及星间测量导航方法的基本原理,其次介绍了三种自主导航方法的国内外发展现状,并重点分析了三种自主导航方法的关键技术,最后对未来深空探测自主导航技术发展给出了若干建议。     

多源自主导航系统可信性研究

多源自主导航系统技术是新一代国家综合定位、导航与授时(Positioning, Navigation and Timing, PNT)体系下终端用户导航系统的技术发展方向。聚焦于导航信息智能决策的可信性,分析了可信性理论构建存在的科学技术问题,基于任务场景、运动环境以及载体动力学特征等,提出了多源自主导航系统中的载体动力学智能建模与计算、融合载体动力学特征的导航方式无感切换与智能决策、可信性自主判别与动态迭代优化的解决方案,为多源自主导航系统技术体系构建打下基础。     

基于多模态组合互补性学习的时尚兼容度预测模型研究

在时尚单品兼容度预测研究中,多模态特征间的互补性以及融合特征对于视觉特征的相关性问题未得到充分挖掘。针对这个问题,提出多模态组合互补性学习的时尚兼容度预测模型。该模型由四部分构成：特征提取网络使用ResNet18提取视觉特征和LSTM提取文本特征;然后使用联合表征网络将视觉特征与文本特征映射到相同的多模态嵌入空间中,减小模态间的差异性增强互补性;考虑到互补融合特征对于视觉特征的相关性问题,特征融合网络使用了组合模块分别组合了视觉特征和多模态特征;最后使用类别感知的映射方法将多模态特征映射进基于类别感知的嵌入空间中分析时尚服装的兼容度。实验仿真结果表明,该模型在消融实验以及在时尚兼容度预测的相关评价指标上均有提升和优化。     

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。