CN111382514A - 一种基于监督学习的火星探测飞行轨道精确计算方法及系统 - Google Patents

一种基于监督学习的火星探测飞行轨道精确计算方法及系统 Download PDF

Info

Publication number
CN111382514A
CN111382514A CN202010171462.5A CN202010171462A CN111382514A CN 111382514 A CN111382514 A CN 111382514A CN 202010171462 A CN202010171462 A CN 202010171462A CN 111382514 A CN111382514 A CN 111382514A
Authority
CN
China
Prior art keywords
mars
orbit
model
sml
detector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010171462.5A
Other languages
English (en)
Other versions
CN111382514B (zh
Inventor
刘宇
曹赫杨
陆丹萍
马瑞
孙建党
朱庆华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Aerospace Control Technology Institute
Original Assignee
Shanghai Aerospace Control Technology Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Aerospace Control Technology Institute filed Critical Shanghai Aerospace Control Technology Institute
Priority to CN202010171462.5A priority Critical patent/CN111382514B/zh
Publication of CN111382514A publication Critical patent/CN111382514A/zh
Application granted granted Critical
Publication of CN111382514B publication Critical patent/CN111382514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

一种基于监督学习的火星探测飞行轨道精确计算方法及系统，以无线电测量误差及轨道参数估计偏差构建监督机器学习SML的学习变量集，以轨道确定偏差构建目标变量集，利用先前的测定轨数据对该SML进行训练，得到更精确的火星探测器飞行轨道参数估计值与预测值。需要建立简化的火星探测器环火轨道动力学模型；构建火星轨道监督机器学习模型MO_SML；利用之前的火星探测器飞行轨道测定轨数据构建训练数据库，对MO_SML进行训练；以训练好的MO_SML模型计算待估计时刻的火星探测器飞行轨道参数的精确估计值。本发明回避了难以精确建立了高精度火星轨道动力学模型，在不增加观测量的条件下，大大提高火星探测器飞行轨道参数的估计及预报精度。

Description

一种基于监督学习的火星探测飞行轨道精确计算方法及系统
技术领域
本发明涉及一种基于监督学习的火星探测飞行轨道精确计算方法及系统，属于火星探测飞行轨道技术领域。
背景技术
火星探测器在飞行过程中，离地面十分遥远，地面测控精度比地球轨道航天器要低2个量级，可以达到百千米量级，难以满足火星探测器轨道控制的要求。
现有的基于航天器轨道动力学外推的探测器轨道参数预测方法的精度受限于精确的航天器轨道动力学建模精度。由于火星周围环境不明，火星轨道动力学的建模精度远远低于地球轨道航天器，动力学外推的常规方法难以提供精确的火星探测器环火轨道参数。
发明内容
本发明解决的技术问题为：克服上述现有技术的不足，提供一种基于监督学习的火星探测飞行轨道精确计算方法及系统，能够得到更精确的火星探测器飞行轨道参数，解决了获取高精度火星探测器飞行轨道参数的问题，满足了对火观测、对火定向等控制任务的需求。
本发明解决的技术方案为：一种基于监督学习的火星探测飞行轨道精确计算方法，步骤如下：
步骤一：从完整的火星探测器火星轨道动力学模型中略去摄动项，包括：火星轨道环境下火星大气阻力、火星高阶引力项、火星轨道光压，得到简化的火星探测器环火轨道动力学模型；
步骤二：根据火星轨道状态偏差及地面测定轨系统偏差，步骤一简化的火星探测器环火轨道动力学模型预测的火星轨道状态与真实的火星轨道状态的差，构建火星轨道监督机器学习模型MO_SML；
步骤三：利用当前时间之前的火星探测器飞行轨道测定轨数据构建训练数据库，利用训练数据库中的数据对步骤二中建立的火星轨道监督机器学习模型MO_SML进行训练，直到模型MO_SML收敛到所需要的精度，得到训练好的MO_SML模型；
步骤四：计算所要估计时间与当前时间的间隔△t，根据间隔△t并利用步骤三中训练好的MO_SML模型计算估计时间的火星探测器轨道估计偏差，同时，采用步骤一中简化的火星探测器环火轨道动力学模型输出估计时间的火星探测器轨道状态估计值；根据估计时间的火星探测器轨道估计偏差和估计时间的火星探测器轨道状态估计值，得到估计时刻火星探测器飞行轨道的精确估计参数。
优选的，步骤一：从完整的火星探测器火星轨道动力学模型中略去火星轨道环境下火星大气阻力、火星高阶引力项、火星轨道光压、太阳活动影响，得到简化的火星探测器环火轨道动力学模型，具体如下：
根据火星球谐引力项，太阳活动，火星到探测器的位置矢量，太阳到探测器的位置位置矢量，太阳到火星的位置矢量，火星引力常数，太阳引力常数，太阳光压摄动，第i颗行星对火星探测器的引力项，得到简化的火星探测器环火轨道动力学模型。
优选的，步骤二：根据火星轨道状态偏差及地面测定轨系统偏差，步骤一简化的火星探测器环火轨道动力学模型预测的火星轨道状态与真实的火星轨道状态的差，构建火星轨道监督机器学习模型MO_SML，具体如下：
采用火星轨道状态偏差及地面测定轨系统偏差构建MO_SML学习模型中的学习变量集L；
采用预测偏差即模型预测的火星轨道状态与真实的火星轨道状态的差构建MO_SML学习模型中的目标变量集T；
MO_SML以上述学习变量集L及目标变量集T，采用基于高斯内核的SMV回归算法进行优化。
优选的，步骤三：利用训练数据库中的数据对步骤二中建立的火星轨道监督机器学习模型MO_SML进行训练，直到模型MO_SML收敛到所需要的精度，得到训练好的MO_SML模型，具体如下：
设定模型MO_SML收敛精度阈值，模型MO_SML收敛精度到达所设定的模型MO_SML收敛精度阈值后，停止训练，得到训练好的MO_SML模型。
优选的，简化的火星探测器环火轨道动力学模型中包括：火星到探测器的位置矢量，太阳到探测器的位置位置矢量，太阳到火星的位置矢量，火星引力常数，太阳引力常数。
优选的，一种基于监督学习的火星探测飞行轨道精确计算系统，包括：简化模型模块、构建模型模块、训练模块、轨道参数计算模块；
简化模型模块，从完整的火星探测器火星轨道动力学模型中略去摄动项，包括：火星轨道环境下火星大气阻力、火星高阶引力项、火星轨道光压，得到简化的火星探测器环火轨道动力学模型；
构建模型模块，根据火星轨道状态偏差及地面测定轨系统偏差，简化模型模块简化的火星探测器环火轨道动力学模型预测的火星轨道状态与真实的火星轨道状态的差，构建火星轨道监督机器学习模型MO_SML；
训练模块，利用当前时间之前的火星探测器飞行轨道测定轨数据构建训练数据库，利用训练数据库中的数据对构建模型模块中建立的火星轨道监督机器学习模型MO_SML进行训练，直到模型MO_SML收敛到所需要的精度，得到训练好的MO_SML模型；
轨道参数计算模块，计算所要估计时间与当前时间的间隔△t，根据间隔△t并利用训练模块中训练好的MO_SML模型计算估计时间的火星探测器轨道估计偏差，同时，采用简化模型模块中简化的火星探测器环火轨道动力学模型输出估计时间的火星探测器轨道状态估计值；根据估计时间的火星探测器轨道估计偏差和估计时间的火星探测器轨道状态估计值，得到估计时刻火星探测器飞行轨道的精确估计参数。
优选的，简化模型模块，从完整的火星探测器火星轨道动力学模型中略去火星轨道环境下火星大气阻力、火星高阶引力项、火星轨道光压、太阳活动影响，得到简化的火星探测器环火轨道动力学模型，具体如下：
根据火星球谐引力项，太阳活动，火星到探测器的位置矢量，太阳到探测器的位置位置矢量，太阳到火星的位置矢量，火星引力常数，太阳引力常数，太阳光压摄动，第i颗行星对火星探测器的引力项，得到简化的火星探测器环火轨道动力学模型。
优选的，构建模型模块，根据火星轨道状态偏差及地面测定轨系统偏差，步骤一简化的火星探测器环火轨道动力学模型预测的火星轨道状态与真实的火星轨道状态的差，构建火星轨道监督机器学习模型MO_SML，具体如下：
采用火星轨道状态偏差及地面测定轨系统偏差构建MO_SML学习模型中的学习变量集L；
采用预测偏差即模型预测的火星轨道状态与真实的火星轨道状态的差构建MO_SML学习模型中的目标变量集T；
MO_SML以上述学习变量集L及目标变量集T，采用基于高斯内核的SMV回归算法进行优化。
优选的，训练模块：利用训练数据库中的数据对构建模型模块中建立的火星轨道监督机器学习模型MO_SML进行训练，直到模型MO_SML收敛到所需要的精度，得到训练好的MO_SML模型，具体如下：
设定模型MO_SML收敛精度阈值，模型MO_SML收敛精度到达所设定的模型MO_SML收敛精度阈值后，停止训练，得到训练好的MO_SML模型。
优选的，简化的火星探测器环火轨道动力学模型中包括：火星到探测器的位置矢量，太阳到探测器的位置位置矢量，太阳到火星的位置矢量，火星引力常数，太阳引力常数。
本发明与现有技术相比的优点在于：
(1)本发明回避了难以精确建立了高精度火星轨道动力学模型，使得本发明更易于实施；
(2)本发明不需要增加观测量，不需要增加观测设备，在现有的条件下，即可大大提高火星探测器飞行轨道参数的估计及预报精度。
(3)采用基于航天器轨道动力学外推的探测器轨道参数预测方法得到的轨道参数精度约为3km，采用本发明的方法或系统后，得到的轨道参数精度约为0.11km，精度显著的提升了数十倍。
附图说明
图1本发明MO_SML算法原理示意图；
图2本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细描述。
本发明一种基于监督学习的火星探测飞行轨道精确计算方法及系统，以无线电测量误差及轨道参数估计偏差构建监督机器学习SML的学习变量集，以轨道确定偏差构建目标变量集，利用先前的测定轨数据对该SML进行训练，得到更精确的火星探测器飞行轨道参数估计值与预测值。需要建立简化的火星探测器环火轨道动力学模型；构建火星轨道监督机器学习模型MO_SML；利用之前的火星探测器飞行轨道测定轨数据构建训练数据库，对MO_SML进行训练；以训练好的MO_SML模型计算待估计时刻的火星探测器飞行轨道参数的精确估计值。本发明回避了难以精确建立了高精度火星轨道动力学模型，在不增加观测量的条件下，大大提高火星探测器飞行轨道参数的估计及预报精度。
火星探测器需要完成对火探测任务、对火定向通讯、姿态控制任务需要获取火星探测器的高精度火星轨道参数信息。由于火星周围环境不明，火星轨道动力学的建模精度远远低于地球轨道航天器，传统的动力学外推的常规方法难以提供精确的火星探测器环火轨道参数。
本发明涉及一种基于监督学习的火星探测飞行轨道精确计算方法，具体为：以无线电测量误差及轨道参数估计偏差构建监督机器学习(SML)的学习变量集，以轨道确定偏差构建目标变量集，利用先前的测定轨数据对该SML进行训练，得到更精确的当前及以后火星探测器轨道参数偏差，最终得到更精确的火星探测器飞行轨道参数估计值与预测值的方法。监督机器学习(Supervised Machine Learning)是一种深度学习技术。其采用有特征和标签的数据进行学习。机器可以寻找到标签和特征之间的联系，当面对只有特征而没有标签的数据时，可以判断出标签。
优选的，一种基于监督学习的火星探测飞行轨道精确计算系统，包括：简化模型模块、构建模型模块、训练模块、轨道参数计算模块；
简化模型模块，从完整的火星探测器火星轨道动力学模型中略去摄动项，包括：火星轨道环境下火星大气阻力、火星高阶引力项、火星轨道光压，得到简化的火星探测器环火轨道动力学模型；
构建模型模块，根据火星轨道状态偏差及地面测定轨系统偏差，简化模型模块简化的火星探测器环火轨道动力学模型预测的火星轨道状态与真实的火星轨道状态的差，构建火星轨道监督机器学习模型MO_SML；
训练模块，利用当前时间之前的火星探测器飞行轨道测定轨数据构建训练数据库，利用训练数据库中的数据对构建模型模块中建立的火星轨道监督机器学习模型MO_SML进行训练，直到模型MO_SML收敛到所需要的精度，得到训练好的MO_SML模型；
轨道参数计算模块，计算所要估计时间与当前时间的间隔△t，根据间隔△t并利用训练模块中训练好的MO_SML模型计算估计时间的火星探测器轨道估计偏差，同时，采用简化模型模块中简化的火星探测器环火轨道动力学模型输出估计时间的火星探测器轨道状态估计值；根据估计时间的火星探测器轨道估计偏差和估计时间的火星探测器轨道状态估计值，得到估计时刻火星探测器飞行轨道的精确估计参数。
优选的，简化模型模块，从完整的火星探测器火星轨道动力学模型中略去火星轨道环境下火星大气阻力、火星高阶引力项、火星轨道光压、太阳活动影响，得到简化的火星探测器环火轨道动力学模型，具体如下：
根据火星球谐引力项，太阳活动，火星到探测器的位置矢量，太阳到探测器的位置位置矢量，太阳到火星的位置矢量，火星引力常数，太阳引力常数，太阳光压摄动，第i颗行星对火星探测器的引力项，得到简化的火星探测器环火轨道动力学模型。
优选的，构建模型模块，根据火星轨道状态偏差及地面测定轨系统偏差，步骤一简化的火星探测器环火轨道动力学模型预测的火星轨道状态与真实的火星轨道状态的差，构建火星轨道监督机器学习模型MO_SML，具体如下：
采用火星轨道状态偏差及地面测定轨系统偏差构建MO_SML学习模型中的学习变量集L；
采用预测偏差即模型预测的火星轨道状态与真实的火星轨道状态的差构建MO_SML学习模型中的目标变量集T；
MO_SML以上述学习变量集L及目标变量集T，采用基于高斯内核的SMV回归算法进行优化。
优选的，训练模块：利用训练数据库中的数据对构建模型模块中建立的火星轨道监督机器学习模型MO_SML进行训练，直到模型MO_SML收敛到所需要的精度，得到训练好的MO_SML模型，具体如下：
设定模型MO_SML收敛精度阈值，模型MO_SML收敛精度到达所设定的模型MO_SML收敛精度阈值后，停止训练，得到训练好的MO_SML模型。
优选的，简化的火星探测器环火轨道动力学模型中包括：火星到探测器的位置矢量，太阳到探测器的位置位置矢量，太阳到火星的位置矢量，火星引力常数，太阳引力常数。
如图1所示，带有正方形的曲线表示真实轨道状态，带有三角形的曲线表示简化动力学模型预测轨道状态，带有五角形的曲线表示MO_SML修正后的轨道状态(可用轨道状态值表示)。
本发明一种基于监督学习的火星探测飞行轨道精确计算方法，优选方案步骤如下：
步骤一：从完整的火星探测器火星轨道动力学模型中略去火星轨道环境下火星大气阻力、火星高阶引力项、火星轨道光压等，得到简化的火星探测器环火轨道动力学模型，优选方案具体如下：
步骤一中：略去火星轨道环境下难以精确建模的火星大气阻力、火星高阶引力项(m>2)、火星轨道光压等摄动项，建立简化的火星探测器环火轨道动力学模型；
完整的火星探测器火星轨道动力学模型如下：
Figure BDA0002409328830000081
其中，
Figure BDA0002409328830000082
表示火星球谐引力项，m为阶，n为次,ad为太阳活动参数(也成为太阳活动模型)，rpm为火星到探测器的位置矢量，rps为太阳到探测器的位置位置矢量，rms为太阳到火星的位置矢量，μm为火星引力常数，μs为太阳引力常数，asa为太阳光压摄动，
Figure BDA0002409328830000083
为第no颗行星对火星探测器的引力项(no＝1,…,9)。由于火星球谐引力项、火星大气模型、太阳光压模型等难以精确建模，而且火星探测器上计算能力有限。因此对完整动力学模型进行简化，简化的优选方案如下表所示：
Figure BDA0002409328830000084
Figure BDA0002409328830000091
优选的简化后火星轨道动力学模型变为：
Figure BDA0002409328830000092
优选的简化后的火星轨道动力学模型仍能够满足轨道计算精度的要求。
步骤二：根据火星轨道状态偏差及地面测定轨系统偏差，步骤一简化的火星探测器环火轨道动力学模型预测的火星轨道状态与真实的火星轨道状态的差，构建火星轨道监督机器学习模型(MO_SML)，优选方案具体如下：
步骤二中设计用于火星轨道计算的监督机器学习算法，构建火星轨道监督机器学习模型(MO_SML)；
针对火星轨道预测问题，本发明采用火星轨道状态偏差及地面测定轨系统偏差构建MO_SML学习模型中的学习变量集L优选如下：
L＝[Δt,COE,ΔCOE,ΔMCI,α,β,ρ]
其中：
△t为预测时长即预测时刻tj与当前时刻ti的差：Δt＝tj-ti；
COE为对当前时刻ti火星探测器轨道参数估计值：
Figure BDA0002409328830000093
即ti时刻火星探测器轨道半长轴、轨道偏心率、轨道倾角、轨道升交点赤经、轨道近火点辐角、轨道真近点角；
ΔCOE为利用步骤一中建立的简化火星轨道动力学模型从先前时刻ti-1递推到当前时刻ti的轨道参数估计值COE(ti；ti-1)与COE(ti)的差值；
ΔMCI为利用步骤一中建立的简化火星轨道动力学模型从先前时刻ti-1递推到当前时刻ti的轨道状态估计值MCI(ti；ti-1)与MCI(ti)的差值，其中MCI(ti)＝[rx,ry,rz,vx,vy,vz]，rx,ry,rz,vx,vy,vz为火星J2000惯性系下火星探测器的位置(三轴分量)及速度(三轴分量)；
地面无线电测控站能够对航天器进行测距、测速；
α为地面无线电测控站测量的方位角偏差；
β为地面无线电测控站测量的高低角偏差；
ρ为地面无线电测控站测量的测距偏差。
本发明采用预测偏差即模型预测的火星轨道状态与真实的火星轨道状态的差构建MO_SML学习模型中的目标变量集T优选如下：
T＝MCI(tj；ti)-MCI(ti)
＝[Δrx,Δry,Δrz,Δvx,Δvy,Δvz]
式中，MCI(tj；ti)表示先前时刻ti递推到当前时刻tj的轨道状态估计值。
其中Δrx,Δry,Δrz,Δvx,Δvy,Δvz依次为采用步骤一中建立的简化模型预测时刻tj的火星J2000惯性系下火星探测器的位置及速度的三轴分量的估计值与真实火星探测器轨道位置及速度的偏差。
MO_SML以上述学习变量集L及目标变量集T，采用基于高斯内核的SMV回归算法进行优化。
步骤三：利用当前时间之前的火星探测器飞行轨道测定轨数据构建训练数据库，利用训练数据库中的数据对步骤二中建立的火星轨道监督机器学习模型MO_SML进行训练，直到模型MO_SML收敛到所需要的精度，得到训练好的MO_SML模型，优选方案具体如下：
步骤三中利用之前的火星探测器飞行轨道测定轨数据构建训练数据库，对步骤二中建立的MO_SML进行训练，直到收敛到所需要的精度，具体为
采用先前的测定轨数据及偏差建立训练数据。以前60天每2分钟间隔的火星探测器环火轨道测定轨数据与偏差数据进行学习数据库的生成。这里的偏差数据采用各数据点火星探测器轨道状态估计值与真实值之间的偏差ε(ti)，即：
ε(ti)＝MCI'(ti)-MCI(ti)
式中，MCI'(ti)是指ti时刻火星探测器轨道状态真实值。
对每个时刻，以该时刻的偏差，分别与之前所有的学习参数集的值组合而成数据包，将所有的数据包集合成MO_SML模型的训练数据库D，即D的形式为：
Figure BDA0002409328830000111
式中，(L(t1),ε(ti))是指ti时刻的学习变量集和偏差数据，(L(ti-1),ε(ti))是指ti－1时刻的学习变量集和偏差数据。
利用上述方法建立的学习数据库D，对MO_SML模型进行训练。训练的精度阈值优选设置为1km。当目标变量集T取模后达到所设定的训练精度阈值后，MO_SML完成训练，可以开展后续精确预测步骤。优选方案：达到所设定的训练精度后是指：例如当目标变量集T取模后小于等于训练的精度阈值后，MO_SML完成训练。
步骤四：计算所要估计时间与当前时间的间隔△t，根据间隔△t并利用步骤三中训练好的MO_SML模型计算估计时间的火星探测器轨道估计偏差，同时，采用步骤一中简化的火星探测器环火轨道动力学模型输出估计时间的火星探测器轨道状态估计值；根据估计时间的火星探测器轨道估计偏差和估计时间的火星探测器轨道状态估计值，得到估计时刻火星探测器飞行轨道的精确估计参数，优选方案具体如下：
步骤四中计算所要估计时间与当前时间的间隔△t，以步骤三中训练好的MO_SML模型计算△t时的火星探测器轨道估计偏差，同时采用步骤一中建立的简化火星探测器环火轨道动力学模型输出△t后的火星探测器轨道偏差，得到估计时刻火星探测器飞行轨道的精确估计参数。
优选的具体方案如下：
a)按照预报时间△t，根据步骤一中建立的简化火星轨道动力学模型进行数值外推，得到预报时刻tj的火星探测器火星轨道参数估计值COE(tj；ti)和火星探测器的轨道状态估计值MCI(tj；ti)；
b)按照预报时间△t，采用步骤三中训练好的MO_SVM模型得到△t后火星探测器轨道参数预报的偏差ΔCOE(tj)以及火星探测器轨道状态预报的偏差ΔMCI(tj)；
c)将ΔCOE(tj)和ΔMCI(tj)分别与流程a)步得到的估计值COE(tj；ti)及MCI(tj；ti)相加，得到tj时刻的火星探测器精确的飞行轨道参数COE(tj)及MCI(tj)。即：
COE(tj)＝ΔCOE(tj)+COE(tj；ti)
MCI(tj)＝ΔMCI(tj)+MCI(tj；ti)
式中，
Figure BDA0002409328830000121
即tj时刻火星探测器轨道半长轴、轨道偏心率、轨道倾角、轨道升交点赤经、轨道近火点辐角、轨道真近点角；MCI(tj)＝[rx,ry,rz,vx,vy,vz]，rx,ry,rz,vx,vy,vz为火星J2000惯性系下火星探测器的位置(三轴分量)及速度(三轴分量)；
本发明的方案已经经过验证，以2022年2月10日某火星探测轨道为例，采用基于航天器轨道动力学外推的探测器轨道参数预测方法得到的轨道参数精度3km，采用本方法及系统后，得到的轨道参数精度约为0.11km，精度提高了二十五倍以上。

Claims (10)

1.一种基于监督学习的火星探测飞行轨道精确计算方法，其特征在于步骤如下：
步骤一：从完整的火星探测器火星轨道动力学模型中略去摄动项，包括：火星轨道环境下火星大气阻力、火星高阶引力项、火星轨道光压，得到简化的火星探测器环火轨道动力学模型；
步骤二：根据火星轨道状态偏差及地面测定轨系统偏差，步骤一简化的火星探测器环火轨道动力学模型预测的火星轨道状态与真实的火星轨道状态的差，构建火星轨道监督机器学习模型MO_SML；
步骤三：利用当前时间之前的火星探测器飞行轨道测定轨数据构建训练数据库，利用训练数据库中的数据对步骤二中建立的火星轨道监督机器学习模型MO_SML进行训练，直到模型MO_SML收敛到所需要的精度，得到训练好的MO_SML模型；
步骤四：计算所要估计时间与当前时间的间隔△t，根据间隔△t并利用步骤三中训练好的MO_SML模型计算估计时间的火星探测器轨道估计偏差，同时，采用步骤一中简化的火星探测器环火轨道动力学模型输出估计时间的火星探测器轨道状态估计值；根据估计时间的火星探测器轨道估计偏差和估计时间的火星探测器轨道状态估计值，得到估计时刻火星探测器飞行轨道的精确估计参数。
2.根据权利要求1所述的一种基于监督学习的火星探测飞行轨道精确计算方法，其特征在于：步骤一：从完整的火星探测器火星轨道动力学模型中略去火星轨道环境下火星大气阻力、火星高阶引力项、火星轨道光压、太阳活动影响，得到简化的火星探测器环火轨道动力学模型，具体如下：
根据火星球谐引力项，太阳活动，火星到探测器的位置矢量，太阳到探测器的位置位置矢量，太阳到火星的位置矢量，火星引力常数，太阳引力常数，太阳光压摄动，第i颗行星对火星探测器的引力项，得到简化的火星探测器环火轨道动力学模型。
3.根据权利要求1所述的一种基于监督学习的火星探测飞行轨道精确计算方法，其特征在于：步骤二：根据火星轨道状态偏差及地面测定轨系统偏差，步骤一简化的火星探测器环火轨道动力学模型预测的火星轨道状态与真实的火星轨道状态的差，构建火星轨道监督机器学习模型MO_SML，具体如下：
采用火星轨道状态偏差及地面测定轨系统偏差构建MO_SML学习模型中的学习变量集L；
采用预测偏差即模型预测的火星轨道状态与真实的火星轨道状态的差构建MO_SML学习模型中的目标变量集T；
MO_SML以上述学习变量集L及目标变量集T，采用基于高斯内核的SMV回归算法进行优化。
4.根据权利要求1所述的一种基于监督学习的火星探测飞行轨道精确计算方法，其特征在于：步骤三：利用训练数据库中的数据对步骤二中建立的火星轨道监督机器学习模型MO_SML进行训练，直到模型MO_SML收敛到所需要的精度，得到训练好的MO_SML模型，具体如下：
设定模型MO_SML收敛精度阈值，模型MO_SML收敛精度到达所设定的模型MO_SML收敛精度阈值后，停止训练，得到训练好的MO_SML模型。
5.根据权利要求1所述的一种基于监督学习的火星探测飞行轨道精确计算方法，其特征在于：简化的火星探测器环火轨道动力学模型中包括：火星到探测器的位置矢量，太阳到探测器的位置位置矢量，太阳到火星的位置矢量，火星引力常数，太阳引力常数。
6.一种基于监督学习的火星探测飞行轨道精确计算系统，其特征在于包括：简化模型模块、构建模型模块、训练模块、轨道参数计算模块；
简化模型模块，从完整的火星探测器火星轨道动力学模型中略去摄动项，包括：火星轨道环境下火星大气阻力、火星高阶引力项、火星轨道光压，得到简化的火星探测器环火轨道动力学模型；
构建模型模块，根据火星轨道状态偏差及地面测定轨系统偏差，简化模型模块简化的火星探测器环火轨道动力学模型预测的火星轨道状态与真实的火星轨道状态的差，构建火星轨道监督机器学习模型MO_SML；
训练模块，利用当前时间之前的火星探测器飞行轨道测定轨数据构建训练数据库，利用训练数据库中的数据对构建模型模块中建立的火星轨道监督机器学习模型MO_SML进行训练，直到模型MO_SML收敛到所需要的精度，得到训练好的MO_SML模型；
轨道参数计算模块，计算所要估计时间与当前时间的间隔△t，根据间隔△t并利用训练模块中训练好的MO_SML模型计算估计时间的火星探测器轨道估计偏差，同时，采用简化模型模块中简化的火星探测器环火轨道动力学模型输出估计时间的火星探测器轨道状态估计值；根据估计时间的火星探测器轨道估计偏差和估计时间的火星探测器轨道状态估计值，得到估计时刻火星探测器飞行轨道的精确估计参数。
7.根据权利要求6所述的一种基于监督学习的火星探测飞行轨道精确计算方法，其特征在于：简化模型模块，从完整的火星探测器火星轨道动力学模型中略去火星轨道环境下火星大气阻力、火星高阶引力项、火星轨道光压、太阳活动影响，得到简化的火星探测器环火轨道动力学模型，具体如下：
根据火星球谐引力项，太阳活动，火星到探测器的位置矢量，太阳到探测器的位置位置矢量，太阳到火星的位置矢量，火星引力常数，太阳引力常数，太阳光压摄动，第i颗行星对火星探测器的引力项，得到简化的火星探测器环火轨道动力学模型。
8.根据权利要求6所述的一种基于监督学习的火星探测飞行轨道精确计算方法，其特征在于：构建模型模块，根据火星轨道状态偏差及地面测定轨系统偏差，步骤一简化的火星探测器环火轨道动力学模型预测的火星轨道状态与真实的火星轨道状态的差，构建火星轨道监督机器学习模型MO_SML，具体如下：
采用火星轨道状态偏差及地面测定轨系统偏差构建MO_SML学习模型中的学习变量集L；
采用预测偏差即模型预测的火星轨道状态与真实的火星轨道状态的差构建MO_SML学习模型中的目标变量集T；
MO_SML以上述学习变量集L及目标变量集T，采用基于高斯内核的SMV回归算法进行优化。
9.根据权利要求6所述的一种基于监督学习的火星探测飞行轨道精确计算方法，其特征在于：训练模块：利用训练数据库中的数据对构建模型模块中建立的火星轨道监督机器学习模型MO_SML进行训练，直到模型MO_SML收敛到所需要的精度，得到训练好的MO_SML模型，具体如下：
设定模型MO_SML收敛精度阈值，模型MO_SML收敛精度到达所设定的模型MO_SML收敛精度阈值后，停止训练，得到训练好的MO_SML模型。
10.根据权利要求1所述的一种基于监督学习的火星探测飞行轨道精确计算方法，其特征在于：简化的火星探测器环火轨道动力学模型中包括：火星到探测器的位置矢量，太阳到探测器的位置位置矢量，太阳到火星的位置矢量，火星引力常数，太阳引力常数。
CN202010171462.5A 2020-03-12 2020-03-12 一种基于监督学习的火星探测飞行轨道精确计算方法及系统 Active CN111382514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010171462.5A CN111382514B (zh) 2020-03-12 2020-03-12 一种基于监督学习的火星探测飞行轨道精确计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010171462.5A CN111382514B (zh) 2020-03-12 2020-03-12 一种基于监督学习的火星探测飞行轨道精确计算方法及系统

Publications (2)

Publication Number Publication Date
CN111382514A true CN111382514A (zh) 2020-07-07
CN111382514B CN111382514B (zh) 2023-12-29

Family

ID=71222702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010171462.5A Active CN111382514B (zh) 2020-03-12 2020-03-12 一种基于监督学习的火星探测飞行轨道精确计算方法及系统

Country Status (1)

Country Link
CN (1) CN111382514B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970341A (zh) * 2022-05-18 2022-08-30 中国西安卫星测控中心 基于机器学习的低轨卫星轨道预报精度提升模型建立方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1987355A (zh) * 2006-12-22 2007-06-27 北京航空航天大学 一种基于自适应扩展卡尔曼滤波的地球卫星自主天文导航方法
CN101692001A (zh) * 2009-09-25 2010-04-07 北京航空航天大学 一种借力飞行轨道上深空探测器的自主天文导航方法
CN103017760A (zh) * 2011-09-27 2013-04-03 上海航天控制工程研究所 一种大椭圆轨道火星探测器自主对火定向方法
CN106679675A (zh) * 2016-12-29 2017-05-17 北京理工大学 一种基于相对测量信息的火星最终接近段自主导航方法
WO2017113567A1 (zh) * 2015-12-28 2017-07-06 上海卫星工程研究所 火星探测器自主导航方法
CN108491650A (zh) * 2018-03-29 2018-09-04 北京理工大学 一种基于智能学习的火星进入终端状态高效评估方法
CN109361447A (zh) * 2018-09-10 2019-02-19 清华大学 基于机器学习的遥测数据弹性传输方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1987355A (zh) * 2006-12-22 2007-06-27 北京航空航天大学 一种基于自适应扩展卡尔曼滤波的地球卫星自主天文导航方法
CN101692001A (zh) * 2009-09-25 2010-04-07 北京航空航天大学 一种借力飞行轨道上深空探测器的自主天文导航方法
CN103017760A (zh) * 2011-09-27 2013-04-03 上海航天控制工程研究所 一种大椭圆轨道火星探测器自主对火定向方法
WO2017113567A1 (zh) * 2015-12-28 2017-07-06 上海卫星工程研究所 火星探测器自主导航方法
CN106679675A (zh) * 2016-12-29 2017-05-17 北京理工大学 一种基于相对测量信息的火星最终接近段自主导航方法
CN108491650A (zh) * 2018-03-29 2018-09-04 北京理工大学 一种基于智能学习的火星进入终端状态高效评估方法
CN109361447A (zh) * 2018-09-10 2019-02-19 清华大学 基于机器学习的遥测数据弹性传输方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李建军;王大轶;: "摄动因素对火星环绕段轨道长期影响研究" *
李建军;王大轶;: "摄动因素对火星环绕段轨道长期影响研究", 深空探测学报, no. 01, pages 79 - 81 *
林扬皓;赵剡;吴发林;: "火星探测器轨道偏差传播分析" *
林扬皓;赵剡;吴发林;: "火星探测器轨道偏差传播分析", 空间电子技术, no. 05, pages 42 - 44 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970341A (zh) * 2022-05-18 2022-08-30 中国西安卫星测控中心 基于机器学习的低轨卫星轨道预报精度提升模型建立方法
CN114970341B (zh) * 2022-05-18 2024-04-02 中国西安卫星测控中心 基于机器学习的低轨卫星轨道预报精度提升模型建立方法

Also Published As

Publication number Publication date
CN111382514B (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
CN101692001B (zh) 一种借力飞行轨道上深空探测器的自主天文导航方法
Li et al. Radio beacons/IMU integrated navigation for Mars entry
CN109992927A (zh) 稀疏数据情况下小椭圆目标的再入预报方法
CN109657256B (zh) 一种高精度弹道式再入标称返回轨道仿真方法
CN113761809B (zh) 一种基于深度神经网络的无源探测定轨方法
CN114580224B (zh) 一种分布式气动融合轨道耦合姿态摄动分析方法
CN104729510B (zh) 一种空间目标相对伴飞轨道确定方法
CN103708045A (zh) 一种探月飞船跳跃式再入的在线参数辨识方法
CN109752005A (zh) 一种基于精确轨道模型的航天器初轨确定方法
CN111504330B (zh) 一种基于实测数据的低轨航天器准实时轨道机动检测方法
CN111428912B (zh) 一种基于支持向量机的火星探测器轨道预测方法及系统
CN111382514A (zh) 一种基于监督学习的火星探测飞行轨道精确计算方法及系统
CN112797988B (zh) 基于神经网络的未知机动航天器轨道确定方法
CN103884333B (zh) 一种深空探测自主导航初始基准捕获方法
CN113602534A (zh) 一种微型电推进推力大小的在轨标定方法
CN111319801B (zh) 一种适用于火星探测的中途修正策略制定及实施方法
CN111125874A (zh) 一种动平台高精度测轨预报方法
CN113885352B (zh) 火星edl全过程自主gnc数学仿真验证系统
CN111947668B (zh) 基于在线估计的木星探测器测角/测距组合导航方法
CN111272336B (zh) 一种基于gnss观测实现大型低轨航天器质心位移估算的方法
Yang et al. Model-free integrated navigation of small fixed-wing UAVs full state estimation in wind disturbance
CN111090830B (zh) 一种高轨非合作目标在轨光压辨识方法
CN102322872B (zh) 用于月球及深空巡视器导航控制性能的地面室内验证方法
An et al. Combinatory Attitude Determination Method for High Rotational Speed Rigid‐Body Aircraft
CN111536983B (zh) 一种航天器三超控制宽频多源多级的协同定姿方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Liu Yu

Inventor after: Cao Heyang

Inventor after: Lu Danping

Inventor after: Ma Rui

Inventor after: Sun Jiandang

Inventor after: Zhu Qinghua

Inventor before: Liu Yu

Inventor before: Cao Heyang

Inventor before: Lu Danping

Inventor before: Ma Rui

Inventor before: Sun Jiandang

Inventor before: Zhu Qinghua

GR01 Patent grant
GR01 Patent grant