基于深度学习的空间非合作目标姿轨一体化参数估计方法技术

本发明专利技术公开了一种基于深度学习的空间非合作目标姿轨一体化参数估计方法。该参数估计算法通过对偶矢量四元数对空间非合作目标进行运动学与动力学建模，并在此基础上设计相应的状态BP神经网络参数估计算法以及状态协方差矩阵卷积神经网络参数估计算法。整个参数估计算法利用了对偶矢量四元数的特性对空间非合作目标的姿轨参数进行了一体化估计，考虑了空间非合作目标的姿轨耦合效应。同时，本参数估计算法设计了具有单隐层的BP神经网络以及双隐层的卷积神经网络，能够在测量失效条件下对空间非合作目标进行参数估计从而使该参数估计算法对空间环境具有较强的鲁棒性。

【技术实现步骤摘要】
基于深度学习的空间非合作目标姿轨一体化参数估计方法
本专利技术属于航天
，尤其涉及一种基于深度学习的空间非合作目标姿轨一体化参数估计方法。
技术介绍
日益增长的空间碎片已经严重影响到人类正常的航天活动。尤其是日益增长的各类失效航天器不仅占用大量轨道资源，而且对空间安全有极大威胁。近年来各航天大国及国际研究机构均已达成普遍共识：为了保证轨道资源的可利用性以及空间的安全，必须要对空间中的空间碎片，尤其是失效航天器进行移除。在此过程中，由于失效航天器不能提供自身信息且在空间中进行自由翻滚。因此，对其进行准确的参数估计对后续的参数辨识以及抓捕控制十分重要。现阶段对失效航天器这一类空间非合作目标的主动清除工作主要利用传统的基于四元数的运动学方程以及传统相对动力学方程进行建模，并采用传统基于卡尔曼滤波类的方法进行空间非合作目标的参数估计。然而，由于姿轨耦合效应以及空间中复杂的空间环境会对测量敏感器造成较大干扰的情况，在测量信息失效的情况下，这类传统的方法并不能对空间非合作目标进行精确可靠的姿轨一体化参数估计。同时，由于非合作目标我方服务航天器对空间非合作目标未知，因此所需要估计的参数较多，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的空间非合作目标姿轨一体化参数估计方法，其特征在于，包括以下步骤：基于对偶矢量四元数，采用误差方程建立相对运动学方程，考虑惯量积建立相对动力学方程；当服务航天器的测量敏感器有关空间非合作目标的测量信息有效时，服务航天器采用扩展卡尔曼滤波算法对空间非合作目标进行参数估计；当服务航天器的测量敏感器有关空间非合作目标的测量信息失效时，服务航天器采用基于深度学习的空间非合作目标参数估计方法对空间非合作目标的参数进行估计；同时，将估计后的结果用于对扩展卡尔曼滤波器进行重置。

【技术特征摘要】
1.一种基于深度学习的空间非合作目标姿轨一体化参数估计方法，其特征在于，包括以下步骤：基于对偶矢量四元数，采用误差方程建立相对运动学方程，考虑惯量积建立相对动力学方程；当服务航天器的测量敏感器有关空间非合作目标的测量信息有效时，服务航天器采用扩展卡尔曼滤波算法对空间非合作目标进行参数估计；当服务航天器的测量敏感器有关空间非合作目标的测量信息失效时，服务航天器采用基于深度学习的空间非合作目标参数估计方法对空间非合作目标的参数进行估计；同时，将估计后的结果用于对扩展卡尔曼滤波器进行重置。2.根据权利要求1所述的基于深度学习的空间非合作目标姿轨一体化参数估计方法，其特征在于，建立相对动力学方程具体步骤为：通过将目标的转动与平动同时考虑，并将相关转动与平动参数用对偶矢量四元数参数化而得到带有具体物理含义的相对参数；同时，基于对偶矢量四元数，采用误差方程建立相对运动学方程，考虑惯量积建立相对动力学方程。3.根据权利要求1或2所述的基于深度学习的空间非合作目标姿轨一体化参数估计方法，其特征在于，基于对偶矢量四元数的运动学模型为：基于对偶矢量四元数的动力学模型为：其中：为误差对偶矢量四元数，为相对速度对偶矢量四元数的估计量，为相对速度对偶矢量四元数，4.根据权利要求1所述的基于深度学习的空间非合作目标姿轨一体化参数估计方法，其特征在于，当服务航天器的测量设备不能够输出...

【专利技术属性】
技术研发人员：袁建平，侯翔昊，张博，马川，孙冲，崔尧，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61