[發明專利]基于深度學習的空間非合作目標姿軌一體化參數估計方法

有效

• 申請號: 201810872927.2
• 申請日: 2018-08-02
• 公開（公告）號: CN109284530B
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 袁建平;侯翔昊;張博;馬川;孫沖;崔堯
• 申請（專利權）人: 西北工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06F119/14
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 張弘

本發明公開了一種基于深度學習的空間非合作目標姿軌一體化參數估計方法。該參數估計算法通過對偶矢量四元數對空間非合作目標進行運動學與動力學建模，并在此基礎上設計相應的狀態BP神經網絡參數估計算法以及狀態協方差矩陣卷積神經網絡參數估計算法。整個參數估計算法利用了對偶矢量四元數的特性對空間非合作目標的姿軌參數進行了一體化估計，考慮了空間非合作目標的姿軌耦合效應。同時，本參數估計算法設計了具有單隱層的BP神經網絡以及雙隱層的卷積神經網絡，能夠在測量失效條件下對空間非合作目標進行參數估計從而使該參數估計算法對空間環境具有較強的魯棒性。

技術領域

本發明屬于航天技術領域，尤其涉及一種基于深度學習的空間非合作目標姿軌一體化參數估計方法。

背景技術

日益增長的空間碎片已經嚴重影響到人類正常的航天活動。尤其是日益增長的各類失效航天器不僅占用大量軌道資源，而且對空間安全有極大威脅。近年來各航天大國及國際研究機構均已達成普遍共識：為了保證軌道資源的可利用性以及空間的安全，必須要對空間中的空間碎片，尤其是失效航天器進行移除。在此過程中，由于失效航天器不能提供自身信息且在空間中進行自由翻滾。因此，對其進行準確的參數估計對后續的參數辨識以及抓捕控制十分重要。

現階段對失效航天器這一類空間非合作目標的主動清除工作主要利用傳統的基于四元數的運動學方程以及傳統相對動力學方程進行建模，并采用傳統基于卡爾曼濾波類的方法進行空間非合作目標的參數估計。然而，由于姿軌耦合效應以及空間中復雜的空間環境會對測量敏感器造成較大干擾的情況，在測量信息失效的情況下，這類傳統的方法并不能對空間非合作目標進行精確可靠的姿軌一體化參數估計。

同時，由于非合作目標我方服務航天器對空間非合作目標未知，因此所需要估計的參數較多，維數較大。尤其是對待估計參數的狀態協方差矩陣進行參數估計時，會面臨狀態平方次的參數估計維度。在測量失效條件下，如果采用傳統的神經網絡對這些參數進行估計，容易出現過擬合的情況。

發明內容

本發明的目的是為了解決現有的空間非合作目標參數估計存在的上述問題，提供了一種基于深度學習的空間非合作目標姿軌一體化參數估計方法。本參數估計算法設計了具有單隱層的BP神經網絡以及雙隱層的卷積神經網絡，能夠在測量失效條件下對空間非合作目標進行參數估計從而使該參數估計算法對空間環境具有較強的魯棒性。

為實現上述目的，本發明的技術方案如下：

一種基于深度學習的空間非合作目標姿軌一體化參數估計方法，包括以下步驟：

1)基于對偶矢量四元數，采用誤差方程建立相對運動學方程，考慮慣量積建立相對動力學方程；

2)當服務航天器的測量敏感器有關空間非合作目標的測量信息有效時，服務航天器采用擴展卡爾曼濾波算法對空間非合作目標進行參數估計；

3)當服務航天器的測量敏感器有關空間非合作目標的測量信息失效時，服務航天器采用基于深度學習的空間非合作目標參數估計方法對空間非合作目標的參數進行估計；同時，將估計后的結果用于對步驟2)中的擴展卡爾曼濾波器進行重置。

作為本發明的進一步改進，步驟1)中，通過將目標的轉動與平動同時考慮，并將相關轉動與平動參數用對偶矢量四元數參數化而得到帶有具體物理含義的相對參數；同時，基于對偶矢量四元數，采用誤差方程建立相對運動學方程，考慮慣量積建立相對動力學方程。

作為本發明的進一步改進，基于對偶矢量四元數的運動學模型為：

基于對偶矢量四元數的動力學模型為：

其中：為誤差對偶矢量四元數，為相對速度對偶矢量四元數的估計量，為相對速度對偶矢量四元數，