CN115523927A - 基于光学传感器观测的geo航天器机动检测方法 - Google Patents

基于光学传感器观测的geo航天器机动检测方法 Download PDF

Info

Publication number
CN115523927A
CN115523927A CN202211482639.9A CN202211482639A CN115523927A CN 115523927 A CN115523927 A CN 115523927A CN 202211482639 A CN202211482639 A CN 202211482639A CN 115523927 A CN115523927 A CN 115523927A
Authority
CN
China
Prior art keywords
orbit
maneuvering
parameters
observation
causal
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
CN202211482639.9A
Other languages
English (en)
Other versions
CN115523927B (zh
Inventor
杨乐平
龙洗
范大伟
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202211482639.9A priority Critical patent/CN115523927B/zh
Publication of CN115523927A publication Critical patent/CN115523927A/zh
Application granted granted Critical
Publication of CN115523927B publication Critical patent/CN115523927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Astronomy & Astrophysics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Navigation (AREA)

Abstract

本申请涉及一种基于光学传感器观测的GEO航天器机动检测方法。所述方法包括：根据观测新息数据建立时间序列观测新息的结构因果方程，采用滑动窗口方法学习结构因果方程的参数，得到因果残差的时间序列信息；利用因果残差的时间序列信息和无机动情况下的理论残差进行干预计算，将最小干预影响的时间序列信息与预先设置的机动阈值进行比较，若航天器发生机动，根据EKE方法和多个天基光学传感器测量数据对初始轨道参数进行精密确定，利用精密轨道参数和空间目标轨道数据库中的原有轨道参数建立轨道优化模型，根据优化算法对轨道优化模型进行求解，得到机动检测参数。采用本方法能够提高机动检测准确率和时效率。

Description

基于光学传感器观测的GEO航天器机动检测方法
技术领域
本申请涉及航天器机动检测技术领域，特别是涉及一种基于光学传感器观测的GEO航天器机动检测方法。
背景技术
随着世界各国对太空探索的不断深入，航天任务频繁，空间目标种类和数量不断增加，太空环境日益复杂。地球同步轨道（GEO）因其周期与地球自转周期相同，能够为用户提供通信、导航等各类服务而备受关注。到目前为止，GEO轨道已经超过了500颗卫星，它们中大部分需要每1-2周进行一次机动以维持星下点经度，这给空间目标监视网络（SSN）的正常运行带来了极大的挑战。因此，需要及时、准确地检测空间目标的机动，并将检测结果纳入SSN规划中，提高SSN的灵活性与可操作性。
然而，目前针对空间目标轨道机动检测问题已经有许多研究，主要可以分为两类，一类是基于动力学模型的机动检测，另一类是基于数据的机动检测，现有的方法没有考虑时间序列观测新息前后的因果关系发生的明显变化，存在机动检测准确率和时效率低下等问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高机动检测准确率和时效率的基于光学传感器观测的GEO航天器机动检测方法。
一种基于光学传感器观测的GEO航天器机动检测方法，所述方法包括：
获取光学传感器的观测数据和空间目标轨道数据库；
将观测数据和空间目标轨道数据库中的理论数据进行作差，得到观测新息数据；
根据观测新息数据建立时间序列观测新息的结构因果方程，将观测信息作为结构因果方程的输入，采用滑动窗口方法学习结构因果方程的参数，得到因果残差的时间序列信息；
利用因果残差的时间序列信息和无机动情况下的理论残差进行干预计算，得到最小干预影响的时间序列信息；将最小干预影响的时间序列信息与预先设置的机动阈值进行比较，得到航天器的机动判断结果；
根据机动判断结果，若航天器发生机动，采用Double-r方法和光学传感器的观测数据对机动后的目标进行初始轨道参数确定，根据EKE方法和多个天基光学传感器测量数据对初始轨道参数进行精密确定，得到精密轨道参数；
利用精密轨道参数和空间目标轨道数据库中的原有轨道参数建立轨道优化模型，根据优化算法对轨道优化模型进行求解，得到机动检测参数，并将精密轨道参数更新至空间目标轨道数据库。
在其中一个实施例中，根据观测新息数据建立时间序列观测新息的结构因果方程，包括：
根据观测新息数据建立时间序列观测新息的结构因果方程为
Figure 557861DEST_PATH_IMAGE001
其中，
Figure 664488DEST_PATH_IMAGE002
为观测序列的窗口次序，
Figure 49333DEST_PATH_IMAGE003
为整个观测区间内滑动窗口的个数，
Figure 176689DEST_PATH_IMAGE004
是
Figure 607670DEST_PATH_IMAGE005
的直接原因，
Figure 845885DEST_PATH_IMAGE006
是第
Figure 413132DEST_PATH_IMAGE007
个滑动窗口的原因系数。
在其中一个实施例中，将观测信息作为结构因果方程的输入，采用滑动窗口方法学习结构因果方程的参数，得到因果残差的时间序列信息，包括：
在观测新息中取一个合适的滑动窗口，在滑动窗口内，结合结构因果方程拟合出因果系数与残差，将窗口以此向后滑动，重复前面过程，得到每个窗口内的结果结构方程的残差，直至得到因果残差的时间序列信息；合适的滑动窗口为数值为100的滑动窗口。
在其中一个实施例中，利用因果残差的时间序列信息和无机动情况下的理论残差进行干预计算，得到最小干预影响的时间序列信息，包括：
在因果残差的时间序列信息中选择合适的窗口，在窗口内根据因果残差和无机动情况下的理论残差进行干预计算，得到当前窗口的最小干预影响；将窗口以此向后滑动，重复干预计算，计算每个滑动窗口内的最小干预影响，直至得到最小干预影响的时间序列信息；合适的窗口为数值为100的窗口。
在其中一个实施例中，在窗口内根据因果残差和无机动情况下的理论残差进行干预计算，得到当前窗口的最小干预影响，包括：
在窗口内根据因果残差和无机动情况下的理论残差进行干预计算，得到当前窗口的最小干预影响
Figure 445810DEST_PATH_IMAGE008
，其中，
Figure 505033DEST_PATH_IMAGE009
表示有机动情况下的因果残差,
Figure 405993DEST_PATH_IMAGE010
表示无机动情况下的理论残差,
Figure 968693DEST_PATH_IMAGE011
表示绝对值函数。
在其中一个实施例中，根据机动判断结果，若航天器发生机动，采用Double-r方法和光学传感器的观测数据对机动后的目标进行初始轨道参数确定，还包括：
根据机动判断结果，若最小干预影响小于阈值，则没有发生机动，采用Double-r方法进行轨道修正，并将得到的初始轨道参数返回至编目数据库。
在其中一个实施例中，天基光学传感器测量数据包括状态方程和观测方程；若航天器发生机动，采用Double-r方法和光学传感器的观测数据对机动后的目标进行初始轨道参数确定，根据EKE方法和多个天基光学传感器测量数据对初始轨道参数进行精密确定，得到精密轨道参数，包括：
采用Double-r方法和光学传感器的观测数据对机动后的目标进行初始轨道参数确定，将初始轨道参数作为扩展卡尔曼滤波的输入，得到滤波结果；
利用滤波结果和状态方程对GEO航天器的位置进行预测，得到误差结果；
根据观测方程和观测数据对滤波增益进行计算，利用得到的滤波增益更新误差，直至当滤波算法收敛时，得到的精密轨道参数。
在其中一个实施例中，利用精密轨道参数和空间目标轨道数据库中的原有轨道参数建立轨道优化模型，包括：
利用精密轨道参数和空间目标轨道数据库中的原有轨道参数通过公式转换，得到航天器当前时刻的位置矢量和速度矢量；
根据位置矢量和速度矢量构建轨道优化模型。
在其中一个实施例中，根据位置矢量和速度矢量构建轨道优化模型，包括：
根据位置矢量和速度矢量构建轨道优化模型为
Figure 437851DEST_PATH_IMAGE012
其中，
Figure 718791DEST_PATH_IMAGE013
表示位置矢量，
Figure 423442DEST_PATH_IMAGE014
表示速度矢量，
Figure 840648DEST_PATH_IMAGE015
表示机动时间的优化范围,
Figure 339762DEST_PATH_IMAGE016
表示机动时间，
Figure 701474DEST_PATH_IMAGE017
表示
Figure 819602DEST_PATH_IMAGE018
方向脉冲,
Figure 215949DEST_PATH_IMAGE019
表示
Figure 26910DEST_PATH_IMAGE020
方向脉冲,
Figure 16862DEST_PATH_IMAGE021
表示
Figure 63316DEST_PATH_IMAGE022
方向脉冲。
Figure 455114DEST_PATH_IMAGE023
表示通过定轨得到的航天器在
Figure 296031DEST_PATH_IMAGE024
方向的位置,
Figure 773280DEST_PATH_IMAGE025
表示通过定轨得到的航天器在
Figure 357845DEST_PATH_IMAGE026
方向的位置,
Figure 604150DEST_PATH_IMAGE027
表示通过定轨得到的航天器在
Figure 615968DEST_PATH_IMAGE028
方向的位置,
Figure 314934DEST_PATH_IMAGE029
表示机动脉冲在
Figure 703190DEST_PATH_IMAGE030
方向的优化范围,
Figure 538422DEST_PATH_IMAGE031
表示机动脉冲在
Figure 986721DEST_PATH_IMAGE032
方向的优化范围,
Figure 438562DEST_PATH_IMAGE033
表示机动脉冲在
Figure 505875DEST_PATH_IMAGE034
方向的优化范围。
在其中一个实施例中，机动检测参数包括机动时间和机动脉冲；根据优化算法对轨道优化模型进行求解，得到机动检测参数，包括;
根据遗传算法以精密轨道和空间目标轨道数据库中的原有轨道的最小距离作为优化目标，并以机动时间作为决策变量，得到机动检测时间；
将机动检测时间作为遗传算法输入，以航天器施加的脉冲作为决策变量，将机动后轨道与原轨道施加脉冲后积分至定轨时刻的最小距离作为优化目标，得到机动脉冲。
上述基于光学传感器观测的GEO航天器机动检测方法，本申请根据观测新息数据建立时间序列观测新息的结构因果方程，将观测信息作为结构因果方程的输入，采用滑动窗口方法学习结构因果方程的参数，得到因果残差的时间序列信息，通过结构因果方程的残差来描述机动情况，能够有效的检测GEO航天器的轨道机动，提高了检测的准确率和时效率。然后用因果残差的时间序列信息和无机动情况下的理论残差进行干预计算，得到最小干预影响的时间序列信息；将最小干预影响的时间序列信息与预先设置的机动阈值进行比较，得到航天器的机动判断结果，提出了平均干预效应，以抵消噪声对检测精度的影响，通过平衡机动对因果残差数据的影响提高了机动检测的准确率，根据机动判断结果，若航天器发生机动，采用Double-r方法和光学传感器的观测数据对机动后的目标进行初始轨道参数确定，根据EKE方法和多个天基光学传感器测量数据对初始轨道参数进行精密确定，得到精密轨道参数，利用精密轨道参数和空间目标轨道数据库中的原有轨道参数建立轨道优化模型，根据优化算法对轨道优化模型进行求解，能够更加准确估算出机动时间，得到机动检测参数。
附图说明
图1为一个实施例中一种基于光学传感器观测的GEO航天器机动检测方法的流程示意图；
图2为一个实施例中一种基于光学传感器观测的GEO航天器机动检测方法的框架示意图；
图3为一个实施例中近场感知示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于光学传感器观测的GEO航天器机动检测方法，包括以下步骤：
步骤102，获取光学传感器的观测数据和空间目标轨道数据库；将观测数据和空间目标轨道数据库中的理论数据进行作差，得到观测新息数据。
观测数据表示光学传感器观测空间目标得到的赤经、赤纬数据。观测新息数据表示光学传感器观测的光学数据（目标可能机动）与目标没发生机动的理论观测数据的差值。
步骤104，根据观测新息数据建立时间序列观测新息的结构因果方程，将观测信息作为结构因果方程的输入，采用滑动窗口方法学习结构因果方程的参数，得到因果残差的时间序列信息。
对于没有发生机动的新息数据，在一个窗口内其因果关系是显著的（光学传感器的观测误差呈现高斯分布），一旦GEO航天器发生机动，这种因果关系将会发生变化。基于这种因果变化趋势，本申请设计了时间序列观测新息的结构因果方程模型，由于航天器机动会导致参数的因果强度发生变化，因果强度变化会体现在结构因果方程残差的改变上，因此可以从因果残差的角度分析航天器是否机动，基于因果推理的机动检测方法能够有效的检测GEO航天器的轨道机动，检测的准确率和时效率均能够达到90%以上。
步骤106，利用因果残差的时间序列信息和无机动情况下的理论残差进行干预计算，得到最小干预影响的时间序列信息；将最小干预影响的时间序列信息与预先设置的机动阈值进行比较，得到航天器的机动判断结果。
当在某时刻航天器机动时，其轨道参数会发生改变，并且这种改变一致持续下去。这种状态的变化与时间序列干预的概念相同在时间序列干预的概念中，干预主要分为四种：（1）干预时间的影响突然开始，长期持续下去；（2）干预事件的影响逐渐开始，长期持续下去；（3）干预事件突然开始，产生暂时的影响；（4）干预事件逐渐开始，产生暂时的影响，本申请研究的GEO航天器机动检测问题属于第一种情况软干预，本申请利用因果残差的时间序列信息和无机动情况下的理论残差进行干预计算，得到最小干预影响的时间序列信息，通过平衡机动对因果残差数据的影响提高了机动检测的准确率。
步骤108，根据机动判断结果，若航天器发生机动，采用Double-r方法和光学传感器的观测数据对机动后的目标进行初始轨道参数确定，根据EKE方法和多个天基光学传感器测量数据对初始轨道参数进行精密确定，得到精密轨道参数。
若航天器发生机动，采用Double-r方法和光学传感器的观测数据对机动后的目标进行初始轨道参数确定，该过程为现有技术故不在本申请中做过多的赘述，仅通过地基光学观测数据进行初轨确定往往存在较大误差，因此，需要融合不同的天基器视线角信息，结合状态方程与滤波算法，能够快速对GEO航天器机动后的轨道进行确定，得到精密轨道参数。
步骤110，利用精密轨道参数和空间目标轨道数据库中的原有轨道参数建立轨道优化模型，根据优化算法对轨道优化模型进行求解，得到机动检测参数，并将精密轨道参数更新至空间目标轨道数据库。
利用精密轨道参数和空间目标轨道数据库中的原有轨道参数建立轨道优化模型，根据遗传算法对轨道优化模型进行求解，能够更加准确估算出机动时间，得到机动检测参数。
上述基于光学传感器观测的GEO航天器机动检测方法中，本申请根据观测新息数据建立时间序列观测新息的结构因果方程，将观测信息作为结构因果方程的输入，采用滑动窗口方法学习结构因果方程的参数，得到因果残差的时间序列信息，通过结构因果方程的残差来描述机动情况，能够有效的检测GEO航天器的轨道机动，提高了检测的准确率和时效率。然后用因果残差的时间序列信息和无机动情况下的理论残差进行干预计算，得到最小干预影响的时间序列信息；将最小干预影响的时间序列信息与预先设置的机动阈值进行比较，得到航天器的机动判断结果，提出了平均干预效应，以抵消噪声对检测精度的影响，通过平衡机动对因果残差数据的影响提高了机动检测的准确率，根据机动判断结果，若航天器发生机动，采用Double-r方法和光学传感器的观测数据对机动后的目标进行初始轨道参数确定，根据EKE方法和多个天基光学传感器测量数据对初始轨道参数进行精密确定，得到精密轨道参数，利用精密轨道参数和空间目标轨道数据库中的原有轨道参数建立轨道优化模型，根据优化算法对轨道优化模型进行求解，能够更加准确估算出机动时间，得到机动检测参数。
在其中一个实施例中，根据观测新息数据建立时间序列观测新息的结构因果方程，包括：
根据观测新息数据建立时间序列观测新息的结构因果方程为
Figure 585826DEST_PATH_IMAGE035
其中，
Figure 345972DEST_PATH_IMAGE036
为观测序列的窗口次序，
Figure 144164DEST_PATH_IMAGE037
为整个观测区间内滑动窗口的个数，
Figure 749588DEST_PATH_IMAGE038
是
Figure 684046DEST_PATH_IMAGE039
的直接原因，
Figure 83935DEST_PATH_IMAGE040
是第
Figure 369423DEST_PATH_IMAGE041
个滑动窗口的原因系数。
在具体实施例中，如果GEO航天器没有发生机动，则
Figure 512959DEST_PATH_IMAGE042
表示第
Figure 301924DEST_PATH_IMAGE043
个滑动窗口的残差趋近于0。如果航天器发生机动，此时
Figure 262926DEST_PATH_IMAGE044
应该不为0。可以将
Figure 922795DEST_PATH_IMAGE046
设定为一个阈值，一旦
Figure 870023DEST_PATH_IMAGE047
超过该阈值，则在该窗口内，GEO航天器发生机动。
在其中一个实施例中，将观测信息作为结构因果方程的输入，采用滑动窗口方法学习结构因果方程的参数，得到因果残差的时间序列信息，包括：
在观测新息中取一个合适的滑动窗口，在滑动窗口内，结合结构因果方程拟合出因果系数与残差，将窗口以此向后滑动，重复前面过程，得到每个窗口内的结果结构方程的残差，直至得到因果残差的时间序列信息；合适的滑动窗口为数值为100的滑动窗口。
在其中一个实施例中，利用因果残差的时间序列信息和无机动情况下的理论残差进行干预计算，得到最小干预影响的时间序列信息，包括：
在因果残差的时间序列信息中选择合适的窗口，在窗口内根据因果残差和无机动情况下的理论残差进行干预计算，得到当前窗口的最小干预影响；将窗口以此向后滑动，重复干预计算，计算每个滑动窗口内的最小干预影响，直至得到最小干预影响的时间序列信息；合适的窗口为数值为100的窗口。
在其中一个实施例中，在窗口内根据因果残差和无机动情况下的理论残差进行干预计算，得到当前窗口的最小干预影响，包括：
在窗口内根据因果残差和无机动情况下的理论残差进行干预计算，得到当前窗口的最小干预影响
Figure 44652DEST_PATH_IMAGE048
，其中，
Figure 786343DEST_PATH_IMAGE049
表示有机动情况下的因果残差,
Figure 46423DEST_PATH_IMAGE050
表示无机动情况下的理论残差,
Figure 531762DEST_PATH_IMAGE051
表示绝对值函数。
在具体实施例中，为了平衡机动对因果残差数据的影响，提高机动检测的准确率，本申请提出了ATE来衡量软干预的影响，即通过因果残差数据与没有机动的残差数据做差，得到ATE，ATE可以通过下式计算：
Figure 295319DEST_PATH_IMAGE052
ATE可以衡量软干预所带来的影响（即机动的大小），机动越大，该值越大，因此后续机动检测时，则采用
Figure 332545DEST_PATH_IMAGE053
的数值大小来评判GEO航天器是否发生机动。
ATE的计算过程可以描述为：首先，在结构因果残差序列中选择合适的窗口，在该窗口内，结合结构因果残差和无机动情况下的理论残差，计算得到ATE，在计算每个窗口的最小ATE，进而，将窗口以此向后滑动，重复前面过程，计算每个滑动窗口内的最小干预影响。最后，得到最小ATE的时间序列信息，该时间序列信息体现了滑动窗口内的机动情况，通过设置阈值，当ATE超过阈值时，判定为机动发生。理论来说，如果最小ATE大于0可以认为机动发生，但是在工程应用上，由于测量误差等各种因素的影响，没有机动时最小ATE值会在0值附近波动，因此在本申请中，为了在实际应用中检测到机动，阈值的取值范围为[0.03-0.06]。
在其中一个实施例中，根据机动判断结果，若航天器发生机动，采用Double-r方法和光学传感器的观测数据对机动后的目标进行初始轨道参数确定，还包括：
根据机动判断结果，若最小干预影响小于阈值，则没有发生机动，采用Double-r方法进行轨道修正，并将得到的初始轨道参数返回至编目数据库。
在其中一个实施例中，天基光学传感器测量数据包括状态方程和观测方程；若航天器发生机动，采用Double-r方法和光学传感器的观测数据对机动后的目标进行初始轨道参数确定，根据EKE方法和多个天基光学传感器测量数据对初始轨道参数进行精密确定，得到精密轨道参数，包括：
采用Double-r方法和光学传感器的观测数据对机动后的目标进行初始轨道参数确定，将初始轨道参数作为扩展卡尔曼滤波的输入，得到滤波结果；
利用滤波结果和状态方程对GEO航天器的位置进行预测，得到误差结果；
根据观测方程和观测数据对滤波增益进行计算，利用得到的滤波增益更新误差，直至当滤波算法收敛时，得到的精密轨道参数。
在具体实施例中，图2为由两颗天基传感器构成的近场感知示意图。
Figure 955288DEST_PATH_IMAGE054
，
Figure 103372DEST_PATH_IMAGE055
，
Figure 862381DEST_PATH_IMAGE056
分别是两个天基传感器与GEO航天器的质心，
Figure 336087DEST_PATH_IMAGE057
是天基传感器的轨道坐标系。
Figure 180547DEST_PATH_IMAGE058
分别表示GEO航天器在两个天基传感器下的矢量位置。
Figure 132322DEST_PATH_IMAGE059
分别是天基传感器在各自坐标系下测量的视线角。
状态方程：设
Figure 870471DEST_PATH_IMAGE060
表示天基传感器相对于主星的位置速度矢量，
Figure 124866DEST_PATH_IMAGE061
为施加在天基传感器上的加速度。考虑到天基传感器采用近场感知的方式对GEO航天器进行观测，天基传感器与GEO航天器之间的距离远小于地球半径，因此，状态方程可以记为：
Figure 581255DEST_PATH_IMAGE062
进而，上式在
Figure 212088DEST_PATH_IMAGE063
处的线性化形式为：
Figure 70322DEST_PATH_IMAGE064
观测方程：本文中的观测量为多个天际传感器在自身轨道坐标系中测量得到的目标方位角
Figure 761198DEST_PATH_IMAGE065
和俯仰角
Figure 439304DEST_PATH_IMAGE066
作为观测量
Figure 608248DEST_PATH_IMAGE067
:
Figure 55410DEST_PATH_IMAGE068
其中
Figure 41820DEST_PATH_IMAGE069
表示GEO航天器在天基传感器轨道坐标系中的速度、位置矢量。记其他天基传感器在同一时刻获得的视线角的观测量为：
Figure 348168DEST_PATH_IMAGE070
记
Figure 445437DEST_PATH_IMAGE071
为GEO航天器在第
Figure 888051DEST_PATH_IMAGE072
个天基传感器轨道坐标系下的相对速度、位置状态，若令
Figure 779783DEST_PATH_IMAGE073
，通过上式，
Figure 573427DEST_PATH_IMAGE074
便可求得，然后，考虑观测角度误差，观测方程记为：
Figure 208808DEST_PATH_IMAGE075
。进一步，其离散化、线性化的表达形式为：
Figure 771507DEST_PATH_IMAGE076
通过后面的状态方程和观测方程，结合后面的滤波算法，便可通过天基传感器对GEO航天器进行近场感知，以实现精密定轨。
由于观测数据中包含系统中的噪声和干扰，所以最优估计的过程也是滤波过程。本申请中由于光学传感器观测GEO航天器会存在观测误差，本申请采用扩展卡尔曼滤波算法，通过多个天基、地基传感器协同工作对机动后的GEO航天器进行精密轨道确定。
采用扩展卡尔曼滤波求解GEO航天器机动后的轨道流程为：首先，通过地基光学传感器的观测序列，采用Double-r方法对机动后的航天器进行初始轨道确定，作为扩展卡尔曼滤波的输入
Figure 834141DEST_PATH_IMAGE077
。进而，通过状态方程对GEO航天器的位置进行预测，误差递推，结合观测方程与观测数据对滤波增益进行计算，并再次更新误差。最后，当滤波算法收敛时，得到的便是GEO航天器机动后的轨道参数，如果滤波算法不收敛，还需调整初值。
在其中一个实施例中，利用精密轨道参数和空间目标轨道数据库中的原有轨道参数建立轨道优化模型，包括：
利用精密轨道参数和空间目标轨道数据库中的原有轨道参数通过公式转换，得到航天器当前时刻的位置矢量和速度矢量；
根据位置矢量和速度矢量构建轨道优化模型。
在其中一个实施例中，根据位置矢量和速度矢量构建轨道优化模型，包括：
根据位置矢量和速度矢量构建轨道优化模型为
Figure 974135DEST_PATH_IMAGE078
其中，
Figure 554152DEST_PATH_IMAGE079
表示位置矢量，
Figure 95992DEST_PATH_IMAGE080
表示速度矢量，
Figure 470473DEST_PATH_IMAGE081
表示机动时间的优化范围,
Figure 832184DEST_PATH_IMAGE082
表示机动时间，
Figure 684734DEST_PATH_IMAGE083
表示
Figure 346659DEST_PATH_IMAGE084
方向脉冲,
Figure 892041DEST_PATH_IMAGE085
表示
Figure 741048DEST_PATH_IMAGE086
方向脉冲,
Figure 662868DEST_PATH_IMAGE087
表示
Figure 913721DEST_PATH_IMAGE088
方向脉冲。
Figure 754638DEST_PATH_IMAGE089
表示通过定轨得到的航天器在
Figure 231887DEST_PATH_IMAGE090
方向的位置,
Figure 550873DEST_PATH_IMAGE091
表示通过定轨得到的航天器在
Figure 797177DEST_PATH_IMAGE092
方向的位置,
Figure 808996DEST_PATH_IMAGE093
表示通过定轨得到的航天器在
Figure 507961DEST_PATH_IMAGE094
方向的位置,
Figure 896217DEST_PATH_IMAGE095
表示机动脉冲在
Figure 856083DEST_PATH_IMAGE096
方向的优化范围,
Figure 914169DEST_PATH_IMAGE097
表示机动脉冲在
Figure 490644DEST_PATH_IMAGE098
方向的优化范围,
Figure 292378DEST_PATH_IMAGE099
表示机动脉冲在
Figure 372329DEST_PATH_IMAGE100
方向的优化范围。
在其中一个实施例中，根据优化算法对轨道优化模型进行求解，得到机动检测参数，包括;
根据遗传算法以精密轨道和空间目标轨道数据库中的原有轨道的最小距离作为优化目标，并以航天器施加的脉冲作为决策变量对轨道优化模型进行求解，得到机动检测参数。
在具体实施例中，假设GEO航天器机动前的轨道为
Figure 601316DEST_PATH_IMAGE101
，机动后的轨道记为
Figure 399508DEST_PATH_IMAGE102
。其中
Figure 739354DEST_PATH_IMAGE103
，
Figure 673812DEST_PATH_IMAGE104
包含半长轴
Figure 463913DEST_PATH_IMAGE105
,偏心率
Figure 359188DEST_PATH_IMAGE106
，轨道倾角
Figure 892937DEST_PATH_IMAGE107
，升交点赤经
Figure 557268DEST_PATH_IMAGE108
，近地点幅角
Figure 252692DEST_PATH_IMAGE109
以及真近点角
Figure 900842DEST_PATH_IMAGE110
。通过公式转换，容易求得航天器当前时刻的位置、速度矢量
Figure 707124DEST_PATH_IMAGE111
，
Figure 616174DEST_PATH_IMAGE112
。由于航天器在机动时刻仅改变当前的速度，位置在当前时刻并没有发生变化。因此，机动前后两个轨道的交点就是机动点。基于该背景，本发明建立了轨道优化模型，以机动前后两个轨道的最近距离作为优化目标，机动时间作为决策变量，通过优化算法求解。进而，将得到的机动时间
Figure 623444DEST_PATH_IMAGE113
作为机动后轨道的初始时刻，施加
Figure 352366DEST_PATH_IMAGE114
，采用SGP4模型，将轨道向后积分至机动后的轨道对应时刻，得到
Figure 103284DEST_PATH_IMAGE115
。当施加的脉冲满足实际机动脉冲时，理论上
Figure 132420DEST_PATH_IMAGE116
。因此，第二部分则以积分后的轨道与实测轨道的最小距离作为优化目标，以航天器施加的脉冲作为决策变量，求解机动大小。求解算法则采用传统的遗传算法。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于光学传感器观测的GEO航天器机动检测方法，其特征在于，所述方法包括：
获取光学传感器的观测数据和空间目标轨道数据库；
将所述观测数据和空间目标轨道数据库中的理论数据进行作差，得到观测新息数据；
根据所述观测新息数据建立时间序列观测新息的结构因果方程，将观测信息作为结构因果方程的输入，采用滑动窗口方法学习所述结构因果方程的参数，得到因果残差的时间序列信息；
利用所述因果残差的时间序列信息和无机动情况下的理论残差进行干预计算，得到最小干预影响的时间序列信息；将所述最小干预影响的时间序列信息与预先设置的机动阈值进行比较，得到航天器的机动判断结果；
根据所述机动判断结果，若航天器发生机动，采用Double-r方法和所述光学传感器的观测数据对机动后的目标进行初始轨道参数确定，根据EKE方法和多个天基光学传感器测量数据对初始轨道参数进行精密确定，得到精密轨道参数；
利用所述精密轨道参数和所述空间目标轨道数据库中的原有轨道参数建立轨道优化模型，根据优化算法对所述轨道优化模型进行求解，得到机动检测参数，并将所述精密轨道参数更新至所述空间目标轨道数据库。
2.根据权利要求1所述的方法，其特征在于，根据所述观测新息数据建立时间序列观测新息的结构因果方程，包括：
根据所述观测新息数据建立时间序列观测新息的结构因果方程为
Figure 892300DEST_PATH_IMAGE001
其中，
Figure 215965DEST_PATH_IMAGE002
为观测序列的窗口次序，
Figure 526861DEST_PATH_IMAGE003
为整个观测区间内滑动窗口的个数，
Figure 63015DEST_PATH_IMAGE004
是
Figure 408546DEST_PATH_IMAGE005
的直接原因，
Figure 637533DEST_PATH_IMAGE006
是第
Figure 435725DEST_PATH_IMAGE007
个滑动窗口的原因系数。
3.根据权利要求1所述的方法，其特征在于，将观测信息作为结构因果方程的输入，采用滑动窗口方法学习所述结构因果方程的参数，得到因果残差的时间序列信息，包括：
在观测新息中取一个合适的滑动窗口，在所述滑动窗口内，结合结构因果方程拟合出因果系数与残差，将窗口以此向后滑动，重复前面过程，得到每个窗口内的结构因果方程的残差，直至得到因果残差的时间序列信息；所述合适的滑动窗口为数值为100的滑动窗口。
4.根据权利要求3所述的方法，其特征在于，利用所述因果残差的时间序列信息和无机动情况下的理论残差进行干预计算，得到最小干预影响的时间序列信息，包括：
在所述因果残差的时间序列信息中选择合适的窗口，在所述窗口内根据因果残差和无机动情况下的理论残差进行干预计算，得到当前窗口的最小干预影响；将窗口以此向后滑动，重复干预计算，计算每个滑动窗口内的最小干预影响，直至得到最小干预影响的时间序列信息；所述合适的窗口为数值为100的窗口。
5.根据权利要求4所述的方法，其特征在于，在所述窗口内根据因果残差和无机动情况下的理论残差进行干预计算，得到当前窗口的最小干预影响，包括：
在所述窗口内根据因果残差和无机动情况下的理论残差进行干预计算，得到当前窗口的最小干预影响
Figure 900204DEST_PATH_IMAGE008
，其中，
Figure 975608DEST_PATH_IMAGE009
表示有机动情况下的因果残差,
Figure 500130DEST_PATH_IMAGE010
表示无机动情况下的理论残差,
Figure 395405DEST_PATH_IMAGE011
表示绝对值函数。
6.根据权利要求1所述的方法，其特征在于，根据所述机动判断结果，若航天器发生机动，采用Double-r方法和所述光学传感器的观测数据对机动后的目标进行初始轨道参数确定，还包括：
根据所述机动判断结果，若最小干预影响小于阈值，则没有发生机动，采用Double-r方法进行轨道修正，并将得到的初始轨道参数返回至编目数据库。
7.根据权利要求6所述的方法，其特征在于，所述天基光学传感器测量数据包括状态方程和观测方程；若航天器发生机动，采用Double-r方法和所述光学传感器的观测数据对机动后的目标进行初始轨道参数确定，根据EKE方法和多个天基光学传感器测量数据对初始轨道参数进行精密确定，得到精密轨道参数，包括：
采用Double-r方法和所述光学传感器的观测数据对机动后的目标进行初始轨道参数确定，将所述初始轨道参数作为扩展卡尔曼滤波的输入，得到滤波结果；
利用所述滤波结果和状态方程对GEO航天器的位置进行预测，得到误差结果；
根据观测方程和观测数据对滤波增益进行计算，利用得到的滤波增益更新误差，直至当滤波算法收敛时，得到的精密轨道参数。
8.根据权利要求7所述的方法，其特征在于，利用所述精密轨道参数和所述空间目标轨道数据库中的原有轨道参数建立轨道优化模型，包括：
利用所述精密轨道参数和所述空间目标轨道数据库中的原有轨道参数通过公式转换，得到航天器当前时刻的位置矢量和速度矢量；
根据所述位置矢量和速度矢量构建轨道优化模型。
9.根据权利要求8所述的方法，其特征在于，根据所述位置矢量和速度矢量构建轨道优化模型，包括：
根据所述位置矢量和速度矢量构建轨道优化模型为
Figure 663575DEST_PATH_IMAGE012
其中，
Figure 593485DEST_PATH_IMAGE013
表示航天器机动前的位置速度矢量，
Figure 554488DEST_PATH_IMAGE014
表示航天器机动后的位置速度矢量,
Figure 61692DEST_PATH_IMAGE015
表示机动时间的优化范围,
Figure 743340DEST_PATH_IMAGE016
表示机动时间，
Figure 917970DEST_PATH_IMAGE017
表示
Figure 659661DEST_PATH_IMAGE018
方向脉冲,
Figure 919741DEST_PATH_IMAGE019
表示
Figure 405080DEST_PATH_IMAGE020
方向脉冲,
Figure 434216DEST_PATH_IMAGE021
表示
Figure 612388DEST_PATH_IMAGE022
方向脉冲;
Figure 828605DEST_PATH_IMAGE023
表示通过定轨得到的航天器在
Figure 117635DEST_PATH_IMAGE024
方向的位置,
Figure 1278DEST_PATH_IMAGE025
表示通过定轨得到的航天器在
Figure 350350DEST_PATH_IMAGE026
方向的位置,
Figure 319444DEST_PATH_IMAGE027
表示通过定轨得到的航天器在
Figure 5640DEST_PATH_IMAGE028
方向的位置,
Figure 884734DEST_PATH_IMAGE029
表示机动脉冲在
Figure 529342DEST_PATH_IMAGE030
方向的优化范围,
Figure 861097DEST_PATH_IMAGE031
表示机动脉冲在
Figure 616564DEST_PATH_IMAGE032
方向的优化范围,
Figure 96304DEST_PATH_IMAGE033
表示机动脉冲在
Figure 911813DEST_PATH_IMAGE034
方向的优化范围。
10.根据权利要求9所述的方法，其特征在于，所述机动检测参数包括机动时间和机动脉冲；根据优化算法对所述轨道优化模型进行求解，得到机动检测参数，包括;
根据遗传算法以精密轨道和空间目标轨道数据库中的原有轨道的最小距离作为优化目标，并以机动时间作为决策变量，得到机动检测时间；
将机动检测时间作为遗传算法输入，以航天器施加的脉冲作为决策变量，将机动后轨道与原轨道施加脉冲后积分至定轨时刻的最小距离作为优化目标，得到机动脉冲。
CN202211482639.9A 2022-11-24 2022-11-24 基于光学传感器观测的geo航天器机动检测方法 Active CN115523927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211482639.9A CN115523927B (zh) 2022-11-24 2022-11-24 基于光学传感器观测的geo航天器机动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211482639.9A CN115523927B (zh) 2022-11-24 2022-11-24 基于光学传感器观测的geo航天器机动检测方法

Publications (2)

Publication Number Publication Date
CN115523927A true CN115523927A (zh) 2022-12-27
CN115523927B CN115523927B (zh) 2023-04-07

Family

ID=84704921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211482639.9A Active CN115523927B (zh) 2022-11-24 2022-11-24 基于光学传感器观测的geo航天器机动检测方法

Country Status (1)

Country Link
CN (1) CN115523927B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115790607A (zh) * 2023-01-31 2023-03-14 南京航空航天大学 一种基于短弧历史数据的非合作目标机动特征检测方法
CN115855069A (zh) * 2023-02-28 2023-03-28 中国人民解放军国防科技大学 基于sce的geo航天器机动检测与位置预测方法
CN116698049A (zh) * 2023-08-08 2023-09-05 南京航空航天大学 一种空间非合作目标无源探测初始定轨段的机动检测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110264310A1 (en) * 2010-04-21 2011-10-27 Sikorsky Aircraft Corporation Method Of Determining A Maneuver Performed By An Aircraft
US20150274328A1 (en) * 2014-03-28 2015-10-01 Rincon Research Corporation Automated Detection and Characterization of Earth-Orbiting Satellite Maneuvers
CN108120994A (zh) * 2017-10-30 2018-06-05 千寻位置网络（浙江）有限公司 一种基于星载gnss的geo卫星实时定轨方法
CN111504330A (zh) * 2020-05-07 2020-08-07 中国人民解放军63768部队 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
CN111551183A (zh) * 2020-06-09 2020-08-18 中国人民解放军63921部队 基于天基光学观测数据的geo目标多点择优短弧定轨方法
CN111578950A (zh) * 2020-06-09 2020-08-25 中国人民解放军63921部队 一种面向天基光学监视的geo目标自主弧段关联与定轨方法
CN113790727A (zh) * 2021-09-07 2021-12-14 中国西安卫星测控中心 一种基于辅助状态参数的脉冲机动检测方法
CN114018270A (zh) * 2021-09-13 2022-02-08 南京航空航天大学 一种中远程空间非合作目标轨道机动检测方法
CN114777794A (zh) * 2022-03-28 2022-07-22 中国人民解放军国防科技大学 一种航天器轨道机动逆向移动滑窗检测方法、装置和设备
CN115096315A (zh) * 2022-06-07 2022-09-23 哈尔滨工业大学 针对稀疏数据的航天器目标机动检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110264310A1 (en) * 2010-04-21 2011-10-27 Sikorsky Aircraft Corporation Method Of Determining A Maneuver Performed By An Aircraft
US20150274328A1 (en) * 2014-03-28 2015-10-01 Rincon Research Corporation Automated Detection and Characterization of Earth-Orbiting Satellite Maneuvers
CN108120994A (zh) * 2017-10-30 2018-06-05 千寻位置网络（浙江）有限公司 一种基于星载gnss的geo卫星实时定轨方法
CN111504330A (zh) * 2020-05-07 2020-08-07 中国人民解放军63768部队 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
CN111551183A (zh) * 2020-06-09 2020-08-18 中国人民解放军63921部队 基于天基光学观测数据的geo目标多点择优短弧定轨方法
CN111578950A (zh) * 2020-06-09 2020-08-25 中国人民解放军63921部队 一种面向天基光学监视的geo目标自主弧段关联与定轨方法
CN113790727A (zh) * 2021-09-07 2021-12-14 中国西安卫星测控中心 一种基于辅助状态参数的脉冲机动检测方法
CN114018270A (zh) * 2021-09-13 2022-02-08 南京航空航天大学 一种中远程空间非合作目标轨道机动检测方法
CN114777794A (zh) * 2022-03-28 2022-07-22 中国人民解放军国防科技大学 一种航天器轨道机动逆向移动滑窗检测方法、装置和设备
CN115096315A (zh) * 2022-06-07 2022-09-23 哈尔滨工业大学 针对稀疏数据的航天器目标机动检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YAN LI 等: "SNR Improvement for Maneuvering Ship Using Weak Echo Under the Condition of Beidou GEO Satellites", 《 IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 *
徐国亮 等: "高速机动反舰导弹防御技术", 《指挥控制与仿真》 *
陈少华等: "基于天基平台跟踪观测轨道机动航天器在轨绝对导航技术", 《中国惯性技术学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115790607A (zh) * 2023-01-31 2023-03-14 南京航空航天大学 一种基于短弧历史数据的非合作目标机动特征检测方法
CN115790607B (zh) * 2023-01-31 2023-05-12 南京航空航天大学 一种基于短弧历史数据的非合作目标机动特征检测方法
CN115855069A (zh) * 2023-02-28 2023-03-28 中国人民解放军国防科技大学 基于sce的geo航天器机动检测与位置预测方法
CN116698049A (zh) * 2023-08-08 2023-09-05 南京航空航天大学 一种空间非合作目标无源探测初始定轨段的机动检测方法
CN116698049B (zh) * 2023-08-08 2023-11-07 南京航空航天大学 一种空间非合作目标无源探测初始定轨段的机动检测方法

Also Published As

Publication number Publication date
CN115523927B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115523927B (zh) 基于光学传感器观测的geo航天器机动检测方法
US9073648B2 (en) Star tracker rate estimation with kalman filter enhancement
CN103528587B (zh) 自主组合导航系统
CN109901598A (zh) 基于随机模型预测控制技术的自主水下机器人路径跟踪方法
CN102980580B (zh) 基于张量积多胞鲁棒h2滤波的无陀螺卫星姿态确定方法
CN110275193B (zh) 一种基于因子图的集群卫星协同导航方法
CN102944241B (zh) 基于多胞型线性微分包含的航天器相对姿态确定方法
CN113587926B (zh) 一种航天器空间自主交会对接相对导航方法
Tan et al. GA-SVR and pseudo-position-aided GPS/INS integration during GPS outage
CN116331518B (zh) 一种基于安全自适应动态规划的星群智能编队避碰控制方法
CN110375731A (zh) 一种混合交互式多模型滤波方法
CN104729510B (zh) 一种空间目标相对伴飞轨道确定方法
CN108958294B (zh) 无人水下潜航器编队控制方法及装置
Yin et al. Robust derivative unscented Kalman filter under non-Gaussian noise
Han et al. Quadratic-Kalman-filter-based sensor fault detection approach for unmanned aerial vehicles
CN108303095B (zh) 适用于非高斯系统的鲁棒容积目标协同定位方法
Tsukerman et al. Analytic evaluation of fine alignment for velocity aided INS
CN115265532A (zh) 一种用于船用组合导航中的辅助滤波方法
Vu et al. Distributed consensus-based Kalman filter estimation and control of formation flying spacecraft: Simulation and validation
Georges et al. GNSS/Low‐Cost MEMS‐INS Integration Using Variational Bayesian Adaptive Cubature Kalman Smoother and Ensemble Regularized ELM
CN110146084B (zh) 面向卫星故障的多星编队系统分布式协同导航滤波方法
Goh et al. Real-time estimation of satellite's two-line elements via positioning data
Gruyer et al. Experimental comparison of Bayesian positioning methods based on multi-sensor data fusion
Zolghadr et al. Locating a two-wheeled robot using extended Kalman filter
CN115688337A (zh) 一种geo航天器多视线融合近场感知队形设计方法

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