CN114580181B - 基于cuda的巨型星座覆盖性能并行计算方法 - Google Patents

基于cuda的巨型星座覆盖性能并行计算方法 Download PDF

Info

Publication number
CN114580181B
CN114580181B CN202210227313.5A CN202210227313A CN114580181B CN 114580181 B CN114580181 B CN 114580181B CN 202210227313 A CN202210227313 A CN 202210227313A CN 114580181 B CN114580181 B CN 114580181B
Authority
CN
China
Prior art keywords
constellation
coverage
gpu
size
block
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.)
Active
Application number
CN202210227313.5A
Other languages
English (en)
Other versions
CN114580181A (zh
Inventor
高朝阳
侯锡云
胡松华
谷晓松
谭盼
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.)
Nanjing University
Original Assignee
Nanjing University
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 Nanjing University filed Critical Nanjing University
Priority to CN202210227313.5A priority Critical patent/CN114580181B/zh
Publication of CN114580181A publication Critical patent/CN114580181A/zh
Application granted granted Critical
Publication of CN114580181B publication Critical patent/CN114580181B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于CUDA的巨型星座覆盖性能并行计算方法，包括如下步骤：(1)设置星座的初始参数；(2)设置覆盖性能计算条件；(3)根据星座的初始参数在GPU中为星历数据预分配内存；(4)根据星座的初始参数和覆盖性能计算条件在GPU中为覆盖计算中间变量以及最终计算结果预分配内存；(5)对星座进行轨道预报；(6)坐标转换，将卫星星历从地心天球坐标系转到地固系；(7)将星历数据从CPU拷贝到GPU；(8)按照给定的覆盖性能计算条件，在GPU中进行覆盖性能计算；(9)将计算结果从GPU拷贝到CPU输出。本发明实现了巨型星座的覆盖性能快速计算，大大提高了仿真效率，在Jetson系列嵌入式开发板上运行，应用于搭载了星载嵌入式GPU系统的卫星平台中。

Description

基于CUDA的巨型星座覆盖性能并行计算方法
技术领域
本发明涉及星座设计技术领域，尤其是一种基于CUDA的巨型星座覆盖性能并行计算方法。
背景技术
多颗卫星通过组网形成卫星星座，常用于对地观测以及提供通信导航等服务。在对地观测、通信导航等星座设计中，其对全球的覆盖性能是一个重要的设计指标。此外，在星座完成部署以后，在其运行的过程中，需要根据实际的工程需要和覆盖需求，对星座进行实时的调整和补充，这要求对星座的整体状态尤其是其实时覆盖性能进行监测。
英伟达公司于2007年推出的计算统一设备架构(Compute Unified DeviceArchitecture,CUDA)，充分利用了图形处理器(Graphics Process Unit,GPU)的强大并行计算能力，可以有效地提高计算效率。CUDA并行计算架构适合处理有较大数据规模，且较简单指令的计算密集型任务。
国内外多家公司和机构开始布设低轨宽带通信星座，为全球提供高速互联网服务。为了满足大容量、高速率、低延迟的通信要求，低轨互联网星座规模远高于传统的移动通信星座，如铱星系统。低轨巨型互联网星座需要的卫星数目从数百颗到上万颗不等。对于规模庞大的巨型星座，分析其全球覆盖性能所需要的计算规模将十分巨大。按照传统的串行方法，计算效率十分低下，不利于巨型星座的快速设计与优化以及后期星座状态的实时监测与运行维护。因此，需要一种提高计算效率的方法，来处理巨型星座的覆盖性能计算问题。
发明内容
本发明所要解决的技术问题在于，提供一种基于CUDA的巨型星座覆盖性能并行计算方法，将覆盖性能计算过程并行化，大幅提高了巨型星座覆盖性能的计算效率。
为解决上述技术问题，本发明提供一种基于CUDA的巨型星座覆盖性能并行计算方法，包括如下步骤：
(1)设置星座的初始参数；
(2)设置覆盖性能计算条件；
(3)根据星座的初始参数在GPU中为星历数据预分配内存；
(4)根据星座的初始参数和覆盖性能计算条件在GPU中为覆盖计算中间变量以及最终计算结果预分配内存；
(5)对星座进行轨道预报；
(6)坐标转换，将卫星星历从地心天球坐标系转到地固系；
(7)将星历数据从CPU拷贝到GPU；
(8)按照给定的覆盖性能计算条件，在GPU中进行覆盖性能计算；
(9)将计算结果从GPU拷贝到CPU输出。
优选的，步骤(1)中，星座的初始参数包括星座的初始历元，星座中的各个卫星的初始轨道根数，仿真时长以及仿真的时间间隔；将轨道根数转为位置速度，按照设置的仿真时长以及仿真的时间间隔，共N_t个时刻。
优选的，步骤(2)中，设定覆盖性能计算条件，即计算覆盖性的时间和空间分辨率需求，对地定向天线的波束角2β0、以及地面观测的截止仰角h0；卫星对地面站的可覆盖性条件1为：
Figure BDA0003536238740000021
地面站对航天器的可见条件2为：
Figure BDA0003536238740000022
若航天器和地面站之间的链路仅为单向链路，则仅需满足条件1或条件2即可；若航天器和地面站之间的链路为双向链路，则需要两个条件均须满足。
优选的，步骤(3)中，根据星座的初始参数在GPU中为星历数据预分配内存，星座中包含的卫星颗数N_sat，以及星历共N_t个时刻，通过cudaMalloc()函数在GPU中为即将导入的星历数据预分配内存，大小为4*N_sat*N_t*sizeof(double)。
优选的，步骤(4)中，根据星座的初始参数和覆盖性能计算条件在GPU中为覆盖计算中间变量以及最终计算结果预分配内存，将地球表面在经度和纬度方向上根据覆盖计算分辨率需求网格化，在GPU中为覆盖计算中间过程数据以及覆盖计算最终结果预分配内存，星座中共N_sat颗星，每颗星的星历共N_t个时刻，经度和维度方向共划分为N_lon和N_lat个网格点；通过cudaMalloc()函数在GPU显存中为星座中所有卫星，所有时刻，所有网格点的覆盖计算结果分配内存，大小为N_lat*N_t*N_sat*N_lon*sizeof(int)；通过cudaMalloc()函数在GPU显存中为星座覆盖计算结果中间过程分配内存，大小为N_lat*N_t*N_lon*sizeof(int)，通过cudaMalloc()函数在GPU显存中为星座覆盖计算最终结果分配内存，大小为N_lat*N_lon*sizeof(double)。
优选的，步骤(5)中，将轨道初值输入轨道预报程序，选取合适的动力学模型，积分相应的动力学方程，进行轨道预报，得到星座中所有卫星的等间隔星历，考虑地球非球形、日月第三体引力、大气阻力、太阳光压的动力学方程为：
Figure BDA0003536238740000031
其中F1为地、月、日质点引力，F2为地球非球形引力，F3为太阳光压，F4为大气阻力，μE,μM,μS分别为地、月、日引力常数，r，rM，rS分别为地心天球坐标系下卫星、月球、太阳的位置矢量，[TE]为地固系到地心天球坐标系的转换矩阵，UE为地球重力场非球形引力位，PSR为1AU(天文单位)处太阳辐射强度，CR为反射系数，CD为大气阻力系数，
Figure BDA0003536238740000032
为卫星的面质比，
Figure BDA0003536238740000033
为卫星与大气的相对速度。在地心天球坐标系下，利用RKF7(8)积分器对该运动方程进行数值积分，输出星座中所有卫星的等间隔星历。
优选的，步骤(6)中，对步骤(5)中得到的星历进行坐标转换，从地心天球坐标系转到地固系。
优选的，步骤(7)中，利用cudaMemcpy()函数将地固系下的星历数据从CPU拷贝到GPU显存中。
优选的，步骤(8)中，按照给定的覆盖性能计算条件，进行覆盖性能并行计算具体包括如下步骤：
(a)二维线程块的维度为BLOCK_SIZE×BLOCK_SIZE，BLOCK_SIZE＝16，为核函数1分配线程，二维线程网格的X轴和Y轴方向的维度分别为(N_lat*N_t+BLOCK_SIZE-1)/BLOCK_SIZE和(N_lon*N_sat+BLOCK_SIZE-1)/BLOCK_SIZE；运行核函数1，按照步骤(2)中的可见性条件计算星座中所有卫星，所有时刻，所有网格点的覆盖结果；
(b)为核函数2分配线程，二维线程网格的X轴和Y轴方向的维度分别为(N_lat+BLOCK_SIZE-1)/BLOCK_SIZE和(N_lon*N_sat+BLOCK_SIZE-1)/BLOCK_SIZE；运行核函数2，对步骤(a)得到的覆盖计算结果进行归约，得到星座整体、所有时刻的覆盖结果；
(c)为核函数3分配线程，二维线程网格的X轴和Y轴方向的维度分别为(N_lat+BLOCK_SIZE-1)/BLOCK_SIZE和(N_lon+BLOCK_SIZE-1)/BLOCK_SIZE；运行核函数3，对步骤(b)得到的覆盖计算结果进一步归约，得到星座整体的平均覆盖性能。
优选的，步骤(9)中，利用cudaMemcpy()函数将计算结果从GPU拷贝到CPU并输出。
本发明的有益效果为：本发明通过基于CUDA的并行计算方法，通过设置星座的初始参数，在CPU中对星座进行初始化；在CPU中进行轨道预报，进行坐标系转换后将星历传输到GPU显存中，等待GPU调用；按照所需的覆盖计算条件以及经纬度分辨率，将地面网格化，在GPU中运行核函数并行计算覆盖性；将覆盖性能计算结果从GPU中拷贝到CPU，并输出到文件；本发明实现了巨型星座的覆盖性能快速计算，大大提高了仿真的效率；本发明可在Jetson系列嵌入式开发板上运行，可以应用于搭载了星载嵌入式GPU系统的卫星平台中。
附图说明
图1为本发明的方法流程示意图。
图2为本发明可见性计算示意图。
图3为本发明GPU中地球表面网格化的覆盖计算过程示意图。
图4为本发明并行算法和串行算法计算时间对比图。
图5为本发明并行算法加速比示意图。
具体实施方式
如图1所示，一种基于CUDA的巨型星座覆盖性能并行计算方法，包括如下步骤：实施例1：
步骤一、设置星座的初始参数，包括星座的初始历元，星座中卫星的总颗数N_sat，星座中的各个卫星的初始轨道根数(轨道高度h，偏心率e，轨道倾角i，升交点赤经Ω，近地点角距ω，真近点角f)。然后将轨道根数转为位置速度，最后按照设置的仿真时长，以及仿真的时间间隔，共N_t个时刻；
步骤二、设定覆盖性能计算条件，即计算覆盖性的时间(需与星历数据一致)和空间分辨率需求：如图2所示，对地定向天线的波束角2β0、以及地面观测的截止仰角h0；卫星对地面站的可覆盖性条件1为：
Figure BDA0003536238740000051
地面站对航天器的可见条件2为：
Figure BDA0003536238740000052
若航天器和地面站之间的链路仅为单向链路(下行链路或上行链路)，则仅需满足相应的条件(条件1或条件2)即可；若航天器和地面站之间的链路为双向链路，则需要两个条件均须满足；
步骤三、在GPU中为星历数据预分配内存。根据星座中包含的卫星颗数N_sat，以及星历共N_t个时刻，通过cudaMalloc()函数在GPU中为即将导入的星历数据预分配内存，大小为4*N_sat*N_t*sizeof(double)。
步骤四、将地球表面在经度和纬度方向上根据覆盖计算分辨率需求网格化，如图3所示，通过cudaMalloc()函数在GPU中为覆盖计算中间过程数据以及覆盖计算最终结果预分配内存。星座中共N_sat颗星，每颗星的星历共N_t个时刻，经度和维度方向共划分为N_lon和N_lat个网格点。
通过cudaMalloc()函数在GPU显存中为星座中所有卫星，所有时刻，所有网格点的覆盖计算结果分配内存，大小为N_lat*N_t*N_sat*N_lon*sizeof(int)；通过cudaMalloc()函数在GPU显存中为星座覆盖计算结果中间过程分配内存，大小为N_lat*N_t*N_lon*sizeof(int)，通过cudaMalloc()函数在GPU显存中为星座覆盖计算最终结果分配内存，大小为N_lat*N_lon*sizeof(double)；
步骤五、将轨道初值输入轨道预报程序，选取合适的动力学模型，积分相应的动力学方程，进行轨道预报，得到星座中所有卫星的等间隔星历。考虑了地球非球形、日月第三体引力、大气阻力、太阳光压的动力学方程为：
Figure BDA0003536238740000053
其中F1为地、月、日质点引力，F2为地球非球形引力，F3为太阳光压，F4为大气阻力，μE,μM,μS分别为地、月、日引力常数，r，rM，rS分别为地心天球坐标系下卫星、月球、太阳的位置矢量，UE为地球重力场非球形引力位，PSR为1AU(天文单位)处太阳辐射强度，CR为反射系数，CD为大气阻力系数，
Figure BDA0003536238740000061
为卫星的面质比，
Figure BDA0003536238740000062
为卫星与大气的相对速度。在地心天球坐标系下，利用RKF7(8)积分器对该运动方程进行数值积分，输出星座中所有卫星的等间隔星历；
步骤六、轨道预报得到的星历是在地心天球坐标系中的，进行覆盖性能计算需要转到地固系中，因此需要进行坐标转换，将星座中所有卫星的星历从地心天球坐标系转到地固系；
步骤七、通过cudaMemcpy()函数将地固系下的星历数据从CPU拷贝到GPU显存中，等待GPU调用；
步骤八、采用二维的线程块以及线程网格，在GPU中分配线程，进行覆盖性能并行计算。二维线程块的维度为BLOCK_SIZE×BLOCK_SIZE，BLOCK_SIZE＝16。并行计算覆盖性能的具体过程包括一下步骤：
1)为核函数1分配线程，二维线程网格的X轴和Y轴方向的维度分别为(N_lat*N_t+BLOCK_SIZE-1)/BLOCK_SIZE和(N_lon*N_sat+BLOCK_SIZE-1)/BLOCK_SIZE；运行核函数1，按照步骤六中的可见性条件计算星座中所有卫星，所有时刻，所有网格点的覆盖性结果；
2)为核函数2分配线程，二维线程网格的X轴和Y轴方向的维度分别为(N_lat+BLOCK_SIZE-1)/BLOCK_SIZE和(N_lon*N_sat+BLOCK_SIZE-1)/BLOCK_SIZE；运行核函数2，对1)得到的覆盖计算结果进行归约，得到星座整体、所有时刻的覆盖结果；
3)为核函数3分配线程，二维线程网格的X轴和Y轴方向的维度分别为(N_lat+BLOCK_SIZE-1)/BLOCK_SIZE和(N_lon+BLOCK_SIZE-1)/BLOCK_SIZE；运行核函数3，对2)得到的覆盖计算结果进一步归约，得到星座整体的平均覆盖性能。
步骤九、通过cudaMemcpy()函数将覆盖计算的最终结果—星座平均覆盖重数从GPU显存中拷贝到CPU，并输出到结果文件中。
实施例2：
本实施例2与实施例1不同的是，所述步骤一中根据Walker-δ星座T/P/F参数，批量生成卫星初始轨道根数；具体过程为：
1)设置好基准星轨道根数(轨道高度h，偏心率e，轨道倾角i，升交点赤经Ω，近地点角距ω，真近点角f)；
2)根据设定的T/P/F参数批量生成卫星初始轨道根数；若将基准星的升交点赤经记为Ω0，对应的相位为u0＝ω0+f0，那么星座中第i个轨道面上第j颗卫星的升交点赤经Ω和相位u为：
Figure BDA0003536238740000071
Figure BDA0003536238740000072
其它步骤及参数与实施例1相同。
采用以下实施例验证本发明的有益效果：
测试采用的GPU型号为GeForce RTX 2080Ti，显存11G，CUDA版本为CUDA 11.0。CPU型号为Intel(R)Xeon(R)CPU E5-2678 v3@2.50GHz，内存32G，系统为ubuntu 18.04。一共运行了10个仿真算例，星座中卫星颗数从50颗逐渐增加到500颗，仿真的星座为800公里高度的Walker-δ星座，仿真时长为其轨道周期105分钟，仿真的星历时间间隔为5分钟，即每颗星的星历共22个时刻；经度方向和纬度方向的覆盖计算分辨率均为1度，卫星覆盖的波束角设置为42.6度，地面站的截止仰角为10度。通过本发明提出的基于CUDA的并行覆盖计算方法，大大提高了计算效率，gpu/cpu的加速比在150倍-200倍左右，考虑内存拷贝时间，加速比也达到30左右，如图4和图5所示。
本发明的程序也可在Jetson系列嵌入式开发板上运行，可以应用于搭载了星载嵌入式GPU系统的卫星平台中。

Claims (9)

1.基于CUDA的巨型星座覆盖性能并行计算方法，其特征在于，包括如下步骤：
(1)设置星座的初始参数；
(2)设置覆盖性能计算条件；
(3)根据星座的初始参数在GPU中为星历数据预分配内存；
(4)根据星座的初始参数和覆盖性能计算条件在GPU中为覆盖计算中间变量以及最终计算结果预分配内存；
(5)对星座进行轨道预报；
(6)坐标转换，将卫星星历从地心天球坐标系转到地固系；
(7)将星历数据从CPU拷贝到GPU；
(8)按照给定的覆盖性能计算条件，在GPU中进行覆盖性能计算；具体包括如下步骤：
(a)二维线程块的维度为BLOCK_SIZE×BLOCK_SIZE，BLOCK_SIZE＝16，为核函数1分配线程，二维线程网格的X轴和Y轴方向的维度分别为(N_lat*N_t+BLOCK_SIZE-1)/BLOCK_SIZE和(N_lon*N_sat+BLOCK_SIZE-1)/BLOCK_SIZE；运行核函数1，按照步骤(2)中的可见性条件计算星座中所有卫星，所有时刻，所有网格点的覆盖结果；
(b)为核函数2分配线程，二维线程网格的X轴和Y轴方向的维度分别为(N_lat+BLOCK_SIZE-1)/BLOCK_SIZE和(N_lon*N_sat+BLOCK_SIZE-1)/BLOCK_SIZE；运行核函数2，对步骤(a)得到的覆盖计算结果进行归约，得到星座整体、所有时刻的覆盖结果；
(c)为核函数3分配线程，二维线程网格的X轴和Y轴方向的维度分别为(N_lat+BLOCK_SIZE-1)/BLOCK_SIZE和(N_lon+BLOCK_SIZE-1)/BLOCK_SIZE；运行核函数3，对步骤(b)得到的覆盖计算结果进一步归约，得到星座整体的平均覆盖性能；
(9)将计算结果从GPU拷贝到CPU输出。
2.如权利要求1所述的基于CUDA的巨型星座覆盖性能并行计算方法，其特征在于，步骤(1)中，星座的初始参数包括星座的初始历元，星座中的各个卫星的初始轨道根数，仿真时长以及仿真的时间间隔；将轨道根数转为位置速度，按照设置的仿真时长以及仿真的时间间隔，共N_t个时刻。
3.如权利要求1所述的基于CUDA的巨型星座覆盖性能并行计算方法，其特征在于，步骤(2)中，设定覆盖性能计算条件，即计算覆盖性的时间和空间分辨率需求，对地定向天线的波束角2β0、以及地面观测的截止仰角h0；卫星对地面站的可覆盖性条件1为：
Figure FDA0004099823090000021
地面站对航天器的可见条件2为：
Figure FDA0004099823090000022
若航天器和地面站之间的链路仅为单向链路，则仅需满足条件1或条件2即可；若航天器和地面站之间的链路为双向链路，则需要两个条件均须满足。
4.如权利要求1所述的基于CUDA的巨型星座覆盖性能并行计算方法，其特征在于，步骤(3)中，根据星座的初始参数在GPU中为星历数据预分配内存，星座中包含的卫星颗数N_sat，以及星历共N_t个时刻，通过cudaMalloc()函数在GPU中为即将导入的星历数据预分配内存，大小为4*N_sat*N_t*sizeof(double)。
5.如权利要求1所述的基于CUDA的巨型星座覆盖性能并行计算方法，其特征在于，步骤(4)中，根据星座的初始参数和覆盖性能计算条件在GPU中为覆盖计算中间变量以及最终计算结果预分配内存，将地球表面在经度和纬度方向上根据覆盖计算分辨率需求网格化，在GPU中为覆盖计算中间过程数据以及覆盖计算最终结果预分配内存，星座中共N_sat颗星，每颗星的星历共N_t个时刻，经度和维度方向共划分为N_lon和N_lat个网格点；通过cudaMalloc()函数在GPU显存中为星座中所有卫星，所有时刻，所有网格点的覆盖计算结果分配内存，大小为N_lat*N_t*N_sat*N_lon*sizeof(int)；通过cudaMalloc()函数在GPU显存中为星座覆盖计算结果中间过程分配内存，大小为N_lat*N_t*N_lon*sizeof(int)，通过cudaMalloc()函数在GPU显存中为星座覆盖计算最终结果分配内存，大小为N_lat*N_lon*sizeof(double)。
6.如权利要求1所述的基于CUDA的巨型星座覆盖性能并行计算方法，其特征在于，步骤(5)中，将轨道初值输入轨道预报程序，选取合适的动力学模型，积分相应的动力学方程，进行轨道预报，得到星座中所有卫星的等间隔星历，考虑地球非球形、日月第三体引力、大气阻力、太阳光压的动力学方程为：
Figure FDA0004099823090000031
其中F1为地、月、日质点引力，F2为地球非球形引力，F3为太阳光压，F4为大气阻力，μ％,μM,μS分别为地、月、日引力常数，r，rM，rS分别为地心天球坐标系下卫星、月球、太阳的位置矢量，[TE]为地固系到地心天球坐标系的转换矩阵，U％为地球重力场非球形引力位，PSR为1AU(天文单位)处太阳辐射强度，CR为反射系数，CD为大气阻力系数，
Figure FDA0004099823090000032
为卫星的面质比，
Figure FDA0004099823090000033
为卫星与大气的相对速度，在地心天球坐标系下，利用RKF7(8)积分器对该运动方程进行数值积分，输出星座中所有卫星的等间隔星历。
7.如权利要求1所述的基于CUDA的巨型星座覆盖性能并行计算方法，其特征在于，步骤(6)中，对步骤(5)中得到的星历进行坐标转换，从地心天球坐标系转到地固系。
8.如权利要求1所述的基于CUDA的巨型星座覆盖性能并行计算方法，其特征在于，步骤(7)中，利用cudaMemcpy()函数将地固系下的星历数据从CPU拷贝到GPU显存中。
9.如权利要求1所述的基于CUDA的巨型星座覆盖性能并行计算方法，其特征在于，步骤(9)中，利用cudaMemcpy()函数将计算结果从GPU拷贝到CPU并输出。
CN202210227313.5A 2022-03-08 2022-03-08 基于cuda的巨型星座覆盖性能并行计算方法 Active CN114580181B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210227313.5A CN114580181B (zh) 2022-03-08 2022-03-08 基于cuda的巨型星座覆盖性能并行计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210227313.5A CN114580181B (zh) 2022-03-08 2022-03-08 基于cuda的巨型星座覆盖性能并行计算方法

Publications (2)

Publication Number Publication Date
CN114580181A CN114580181A (zh) 2022-06-03
CN114580181B true CN114580181B (zh) 2023-04-07

Family

ID=81772816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210227313.5A Active CN114580181B (zh) 2022-03-08 2022-03-08 基于cuda的巨型星座覆盖性能并行计算方法

Country Status (1)

Country Link
CN (1) CN114580181B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115801108B (zh) * 2023-01-30 2023-07-25 北京宏宇航天技术有限公司 一种卫星星座分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108804220A (zh) * 2018-01-31 2018-11-13 中国地质大学（武汉） 一种基于并行计算的卫星任务规划算法研究的方法
CN111239774B (zh) * 2020-02-11 2021-11-19 中国人民解放军93216部队 一种卫星导航数字信号生成方法及服务器

Also Published As

Publication number Publication date
CN114580181A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
Lo The interplanetary superhighway and the origins program
CN111680354B (zh) 近地回归轨道卫星星下点和摄影点轨迹自交点的计算方法
CN110595485A (zh) 基于两行根数的低轨卫星长期轨道预报方法
Ye et al. Observation duration analysis for Earth surface features from a Moon-based platform
CN114580181B (zh) 基于cuda的巨型星座覆盖性能并行计算方法
Silha et al. An optical survey for space debris on highly eccentric and inclined MEO orbits
Lo Satellite-constellation design
Skoulidou et al. Dynamical lifetime survey of geostationary transfer orbits
Shin et al. Design of regional coverage low earth orbit (LEO) constellation with optimal inclination
Hoffman et al. Trajectory design for a secondary payload within a complex gravitational environment: the khon-1 spacecraft
Golikov THEONA—a numerical-analytical theory of motion of artificial satellites of celestial bodies
US11905043B2 (en) Methods and systems for trajectories, approaches, flybys, landings, and orbits in three-or-more body systems
Kelly et al. Geostationary debris mitigation using minimum time solar sail trajectories with eclipse constraints
Peng et al. Using artificial neural network in machine learning approach to improve orbit prediction accuracy
Bettinger Linear model for reentry time prediction of spacecraft in low-eccentricity, low earth orbits
Arnas et al. Corrections on repeating ground-track orbits and their applications in satellite constellation design
Chadalavada et al. Minimizing closure error of repeating ground track orbits for hurricane monitoring cubesat constellation
Dong et al. Repeat Ground Track SAR Constellation Design Using Revisit Time Image Extrapolation and Lookup-Table-Based Optimization
Cangahuala Augmentations to the polyhedral gravity model to facilitate small body navigations
Rickman Introduction to Orbital Mechanics and Spacecraft Attitudes for Thermal Engineers
Guitart Rosselló Software design for a Cubesat's Orbit Simulator
Kolomiyets Meteor Sky in Time-Domain Astronomy
Xie et al. Spacecraft Orbits and Orbital Dynamics
Banshchikova et al. Technique for Conducting a Space Experiment with Auroral Imagers in Satellite Orbits
Mamidi et al. On-Orbit Geometric Constraints Computation and Conformance for Astrosat Class of Spacecraft

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
GR01 Patent grant
GR01 Patent grant