科学家提出智能反馈估计方法实现卫星姿态识别与预测

近地轨道(LEO)卫星的定姿对于通信、机动、遥测等正常运行至关重要。通常情况下，卫星上装有红外地球敏感器和星敏感器，可以实现实时精确定姿。时间。但在卫星服役末期，或卫星电子系统发生严重故障时，定姿系统将无法正常工作。在此过程中，在没有传感器辅助的情况下，准确预测卫星姿态非常关键，有助于判断卫星碎片情况，预估着陆区，提前减少碎片造成的损害。在最近发表在Space: Science & Technology上的一篇研究论文中北京航空航天大学龚胜平提出了一种反馈姿态预测算法，实现当前和持续姿态的高精度预测，并设计了基于EKF的高阶力矩辨识框架，降低观测噪声，有效提取不确定环境力矩。

首先，作者回顾了 LEO 中考虑的环境力矩。对于LEO航天器，主要考虑气动力矩和重力梯度力矩。重力梯度力矩通常用于稳定具有几度误差的地球指向。空气动力扭矩在 LEO 中起主导作用并干扰控制系统，导致航天器在任务结束时反转。随后，作者论证了姿态预测的运动学和动力学框架。卫星的姿态通常由地球中心惯性系统(ECI)和身体固定框架之间的旋转来定义。这项工作中使用的欧拉角旋转序列是偏航-俯仰-滚转。姿态运动学方程通常用欧拉角或四元数来描述。

接下来，作者介绍了态度的过滤和确定方法。在开环预测中，卫星姿态的准确测量非常重要。一个微小的初始偏差可能导致预测结果逐渐偏离实际情况。长期以来估计卫星姿态最直接的方法是将动力学模型与观测数据相结合，然后根据最小方差原则计算最优估计值。在获得姿态估计后，通过扩展状态识别可以从原始数据中提取高阶未建模信息，这有助于改进动力学模型。因此，详细地，卫星状态的估计结果是通过扩展卡尔曼滤波器(EKF)得到的，然后通过扩展状态观测器(ESO)系列估计卫星的未建模扭矩。值得注意的是，在EKF过程中，过程噪声和测量噪声必须满足线性不相关、零均值和高斯分布的条件，否则滤波结果可能不准确。另一方面，不确定性估计，包括内部耦合、外部未知扰动和未建模的动力学，可以通过建立一个扩展状态观察器，用很少的观察信息来确定。在用 EKF 获得最优姿态估计后，引入一系列扩展状态观察器来提取隐藏在姿态中的高阶未建模信息。值得注意的是，在EKF过程中，过程噪声和测量噪声必须满足线性不相关、零均值和高斯分布的条件，否则滤波结果可能不准确。另一方面，不确定性估计，包括内部耦合、外部未知扰动和未建模的动力学，可以通过建立一个扩展状态观察器，用很少的观察信息来确定。在用 EKF 获得最优姿态估计后，引入一系列扩展状态观察器来提取隐藏在姿态中的高阶未建模信息。值得注意的是，在EKF过程中，过程噪声和测量噪声必须满足线性不相关、零均值和高斯分布的条件，否则滤波结果可能不准确。另一方面，不确定性估计，包括内部耦合、外部未知扰动和未建模的动力学，可以通过建立一个扩展状态观察器，用很少的观察信息来确定。在用 EKF 获得最优姿态估计后，引入一系列扩展状态观察器来提取隐藏在姿态中的高阶未建模信息。否则过滤结果可能不准确。另一方面，不确定性估计，包括内部耦合、外部未知扰动和未建模的动力学，可以通过建立一个扩展状态观察器，用很少的观察信息来确定。在用 EKF 获得最优姿态估计后，引入一系列扩展状态观察器来提取隐藏在姿态中的高阶未建模信息。否则过滤结果可能不准确。另一方面，不确定性估计，包括内部耦合、外部未知扰动和未建模的动力学，可以通过建立一个扩展状态观察器，用很少的观察信息来确定。在用 EKF 获得最优姿态估计后，引入一系列扩展状态观察器来提取隐藏在姿态中的高阶未建模信息。

标签：

版权声明：本文由用户上传，如有侵权请联系删除！