【技术实现步骤摘要】
本专利技术涉及航天器相对导航领域，具体为一种面向火星采样返回的环火轨道无源测角初始定轨方法。
技术介绍
1、近年来，人类航天发射任务逐渐增加，深空探测活动得以进一步地发展。我国制定了“绕-落-回”的火星探测三部曲，目前已经进入了采样返回任务攻关阶段。为了实现火星采样返回任务，需要在环火星轨道上完成返回器与采样器的交会对接。由于在火星轨道上没有部署导航卫星系统，所以无法采用地球轨道交会常用的相对卫星导航方案。同时，由于地球-火星距离太远，地面测控延时非常大，所以也无法采样地面测控的交会导航方式。而微波雷达等质量大、功耗高的有源相对测量敏感器的发射和使用代价太大，不适用于火星采样返回的环火轨道交会对接。因此，采用基于光学相机无源测角的环火轨道交会相对测量方案是必然的选择。
2、然而，无源测角只能测量获得目标的视线角信息，缺乏距离信息，目标的相对轨道状态是微弱可观测、甚至不可观测的。目前，国内外尚未见到关于环火轨道交会的无源测角相对导航定轨方法的报道。
3、传统的地球轨道相对导航定轨方法存在测量弧段长、求解计算量大、需要一定精度的初值猜测等问题，难以用于火星采样返回的自主交会对接任务。
技术实现思路
1、针对现有技术无法解决火星采样返回任务中相对导航的问题，本专利技术提供了一种面向火星采样返回的环火轨道无源测角初始定轨方法。该方法利用设计的物理信息神经网络进行离线训练，构建从目标的视线角测量序列到目标轨道的网络映射模型，并固化在返回器上进行在线使用，实现对采样器的
2、步骤1，建立考虑火星非球形摄动及太阳引力摄动影响下的绝对动力学模型，通过轨道积分获取航天器的绝对运动状态并推导出相对运动状态x；
3、步骤2，利用轨道系下传感器测量的测量量h和所述相对运动状态x构建物理信息神经网络的数据集；
4、步骤3，设计物理信息神经网络架构，构建物理规律惩罚项，其中输入数据为追踪器在火星赤道惯性坐标系的位置和速度坐标以及由测量量转换而来的角度信息，输出为相对运动状态x；
5、步骤4，根据环火观测条件调整观测间隔dt和次数k，以有限的观测数据训练物理信息神经网络，利用梯度下降法最小化损失函数来优化权重系数和偏置，从而获得最优参数配置。
6、作为优选，步骤1中，相对运动状态，其中r、v表示目标航天器与追踪器之间在轨道系下的相对位置和相对速度矢量，，，其中，、、和、、分别表示在以追踪器质心为原点的局部水平局部垂直轨道坐标系下的目标与追踪器的三轴相对位置坐标和三轴相对速度坐标。
7、作为优选，步骤2中，根据所述动力学模型和测量量h，通过轨道积分确定时段m内的目标轨道参数；为了增加训练数据的多样性，依据目标初始入轨的散布范围l，均匀选取散布范围内目标的初始轨道参数；此外，将神经网络的输入和输出通过minmax变换映射到[-1, 1]区间内，以提高神经网络在训练及预测过程中的效率。
8、作为优选，步骤2中，测量量表示为，其中 ，，是目标与观测航天器的相对位置，与分别是俯仰角和方位角的测量噪声。
9、作为优选，步骤3中物理规律惩罚项为二体力学中的加速度残差，其定义为其中，是目标航天器已知加速度，而是网络估计的目标加速度。与是非球形摄动与太阳引力摄动，为火星引力项，为火星引力常数。
10、作为优选，数据集包括输出数据x和输入数据，，其中，、、和、、分别为追踪器在火星赤道惯性系下的三轴位置坐标和三轴速度坐标。
11、作为优选，对于第n个训练样本，其中第i个样本数据的第k维特征的minmax变换归一化处理如下：式中，和分别是第k维特征中的最大值和最小值。
12、作为优选，步骤4中，训练物理信息神经网络包括：依据观测次数k将一组i时刻的测量量、、…和与之对应时刻的追踪器运动状态，即位置速度矢量，作为神经网络输入，而对应观测初始时刻的相对运动状态作为网络的输出；在正向传播过程中，神经网络结构中的权重系数w和偏置b预先随机初始化，并通过损失函数和的梯度下降法确定最优参数；分开训练物理信息神经网络以得出仿真条件下最优的仅测角环火定轨模型。
13、作为优选，物理信息神经网络的输入层仅起到传递数据的作用，隐藏层由激活函数对输入数据做非线性变换，输出层对隐藏层的数据进行加权求和后输出；其中，输入层神经元的个数由输入参数数目n决定，在有n次测角序列条件下，。
14、作为优选，激活函数为高斯核函数，定义为：式中，设第个样本为，第i个隐藏层节点的中心为，为隐藏层核函数的宽度；隐藏层包含p个神经元。
15、作为优选，总损失函数，为权重参数；
16、损失函数为目标相对运动状态网络预测值和真实值的均方误差：式中，是神经网络估计的追踪器与目标的相对运动状态，是追踪器与目标的相对运动状态的真值；
17、物理规律惩罚项为：式中，是目标航天器已知加速度，与是非球形摄动与太阳引力摄动，为火星引力项，为火星引力常数。
18、有益效果
19、（1）本专利技术通过物理信息神经网络可以在稀疏仅测角工况下对火星轨道初始定轨，定轨耗时短，位置估计精度较好；
20、（2）本专利技术通过算法可以对环火轨道初始定轨中目标位置进行较为准确的估计，为火星交会对接后续任务提供基础；
21、（3）本专利技术主要针对火星共面轨道，在一般的观测条件更好的相对轨道构型下算法的泛化性能更优，适用范围广；
22、（4）本专利技术通过构建离线数据库，建立火星轨道动力学模型，将物理信息神经网络训练后，再用于实时的初始定轨，其应用方便，计算时间短；同时，离线训练使得星载计算资源需求降低，减少了实时中对计算资源的依赖，实现高可靠的火星交会定轨；
23、（5）本专利技术平衡观测数据和物理规律构建总损失函数，物理规律惩罚项通过比较神经网络预测的目标加速度与已知的物理规律计算的目标加速度之间的差异，来评估神经网络的性能，确保神经网络的预测准确的同时保证其符合物理学原理，提了高模型的可靠性和实用性。
本文档来自技高网...【技术保护点】
1.一种面向火星采样返回的环火轨道无源测角初始定轨方法，其特征在于，包括：
2.根据权利要求1所述的初始定轨方法，其特征在于，步骤1中，相对运动状态，其中R、V表示目标航天器与追踪器之间在轨道系下的相对位置和相对速度矢量，，，其中，、、和、、分别表示在以追踪器质心为原点的局部水平局部垂直轨道坐标系下的目标与追踪器的三轴相对位置坐标和三轴相对速度坐标。
3.根据权利要求2所述的初始定轨方法，其特征在于，步骤2中，根据所述动力学模型和测量量H，通过轨道积分确定时段m内的目标轨道参数；为了增加训练数据的多样性，依据目标初始入轨的散布范围L，均匀选取散布范围内目标的初始轨道参数；此外，将神经网络的输入和输出通过minmax变换映射到[-1, 1]区间内，以提高神经网络在训练及预测过程中的效率。
4.根据权利要求3所述的初始定轨方法，其特征在于，步骤2中，测量量表示为，其中，，是目标与观测航天器的相对位置，与分别是俯仰角和方位角的测量噪声。
5.根据权利要求3所述的初始定轨方法，其特征在于，所述数据集包括输出数据X和输入数据，，其中，、、和、
6.根据权利要求3所述的初始定轨方法，其特征在于，对于第n个训练样本，其中第个样本数据的第k维特征的minmax变换归一化处理如下：
7.根据权利要求1-6任意一项所述的初始定轨方法，其特征在于，步骤4中，训练物理信息神经网络包括：依据观测次数k将一组i时刻的测量量、、…和与之对应时刻的追踪器运动状态，即位置速度矢量，作为神经网络输入，而对应观测初始时刻的相对运动状态X作为网络的输出；在正向传播过程中，神经网络结构中的权重系数和偏置预先随机初始化，并通过和的梯度下降法确定最优参数；分开训练物理信息神经网络以得出仿真条件下最优的仅测角环火定轨模型。
8.根据权利要求7所述的初始定轨方法，其特征在于，所述物理信息神经网络的输入层仅起到传递数据的作用，隐藏层由激活函数对输入数据做非线性变换，输出层对隐藏层的数据进行加权求和后输出；其中，输入层神经元的个数由输入参数数目N决定，在有n次测角序列条件下，。
9.根据权利要求7所述的初始定轨方法，其特征在于，所述激活函数为高斯核函数，定义为：
10.根据权利要求7所述的初始定轨方法，其特征在于， 步骤4中，所述总损失函数，为权重参数；
...【技术特征摘要】
1.一种面向火星采样返回的环火轨道无源测角初始定轨方法，其特征在于，包括：
2.根据权利要求1所述的初始定轨方法，其特征在于，步骤1中，相对运动状态，其中r、v表示目标航天器与追踪器之间在轨道系下的相对位置和相对速度矢量，，，其中，、、和、、分别表示在以追踪器质心为原点的局部水平局部垂直轨道坐标系下的目标与追踪器的三轴相对位置坐标和三轴相对速度坐标。
3.根据权利要求2所述的初始定轨方法，其特征在于，步骤2中，根据所述动力学模型和测量量h，通过轨道积分确定时段m内的目标轨道参数；为了增加训练数据的多样性，依据目标初始入轨的散布范围l，均匀选取散布范围内目标的初始轨道参数；此外，将神经网络的输入和输出通过minmax变换映射到[-1, 1]区间内，以提高神经网络在训练及预测过程中的效率。
4.根据权利要求3所述的初始定轨方法，其特征在于，步骤2中，测量量表示为，其中，，是目标与观测航天器的相对位置，与分别是俯仰角和方位角的测量噪声。
5.根据权利要求3所述的初始定轨方法，其特征在于，所述数据集包括输出数据x和输入数据，，其中，、、和、、分别为追踪器在火星赤道惯性系下的三轴位置坐标和三轴速度坐...
【专利技术属性】
技术研发人员：龚柏春，甄想，邓豪，马艳红，李克行，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。