本发明涉及航天器深空探测任务中的自主导航技术领域,尤其是基于天文观测的自主导航算法技术。
背景技术:
通常情况下,航天器的位置确定可以通过地面站测控或者是gnss导航定位。然而对于深空探测任务,这两者都存在一定局限性。地面测控站对于深空任务会有较大的传输时延,实时性差,同时无线电会被天体遮挡造成传输中断;gnss受限于其覆盖与信号衰减问题,且同样具有时延问题,因此,自主导航对航天器提高生存能力,有效完成任务具有重大意义。
目前常用的深空自主导航方法为天文光学自主导航,但是目前的方法或者单纯利用几何解析法进行导航,或者依赖于动力学模型与量测值相结合的卡尔曼滤波进行导航。前者方法简单,不需要航天器的动力学模型,但是导航结果受星光角距测量精度以及导航星与航天器距离的影响较大,在深空探测任务中具有较大误差。后者对动力学模型及量测量精确度要求较高,当动力学模型精度不足时,导航精度会迅速下降。
与本发明最接近的方法是利用多普勒频移测速与天文导航进行组合的方法,但是其方法是将所有量测量同时进行卡尔曼滤波,与本发明不同,不能适用于火星巡航段自主导航。
技术实现要素:
本发明解决的技术问题是:为了满足深空探测器自主运行的需求,同时也适应我国无法在全球布置测控站的困境,提供一种基于信息融合的深空探测航天器巡航段自主导航方法,能够解决由量测星光角距精度、导航星与航天器距离、导航星星历误差等原因造成的状态估计误差较大问题,以及现有动力学模型的精度较差,导航误差较大的问题。
本发明解决技术的方案是:一种基于信息融合的深空探测航天器巡航段自主导航方法,通过下述方式实现:
(1)对太阳进行多普勒频移测速,结合动力学模型与扩展卡尔曼滤波估计航天器状态信息
(2)航天器获取所需的导航小行星星历表,对导航小行星的视线矢量进行测量,利用最小二乘法对获得的视线矢量进行处理,计算出航天器的状态估计值
(3)对步骤(1)得到的航天器状态信息
优选的,所述的融合通过下述方式实现:
(3.1)对步骤(1)得到的航天器状态信息
(3.2)将(3.1)得到的滤波结果作为所需的状态信息与步骤(1)得到的航天器状态信息
优选的,所述的滤波结果
其中,βi(k)为两种估计值的权重,p1(k)为扩展卡尔曼滤波在第k步估计后的估计均方误差阵,p2(k)是对最小二乘估计精确度的衡量值。
优选的,p2(k)设置为不变的矩阵。
优选的,p2(k)的二范数值设置为最小二乘估计所得位置误差的平方值。
优选的,通过统一位置与速度的单位,令位置估计误差量级大于速度估计误差量级,从而实现p1(k)与p2(k)的二范数值只与估计的位置误差有关,从而实现权重分配βi(k)只在位置估计上产生作用。
优选的,所述的滤波结果
其中,i33为单位阵。
本发明与现有技术相比的有益效果是:
一种对于火星巡航段轨道的自主导航方法,采用了一种改进的融合滤波方法,可以有效融合小行星观测所得信息,应用该方法既可以解决纯天文几何解析法的估计误差较大问题,又可以解决卡尔曼滤波对于模型精确度的过度依赖性问题。
本发明同时使用了太阳径向速度测量与多颗小行星的视线矢量测量信息,并利用改进的融合滤波方法实现了高精度的自主位置确定。
本发明首先由多颗小行星视线矢量通过最小二乘法得到航天器位置信息;同时测量航天器相对于太阳径向速度,再利用扩展卡尔曼滤波估计出航天器状态信息。最后通过本发明提出的算法融合最小二乘法与卡尔曼滤波的结果,得到最终的航天器状态信息。
本发明对小行星视线矢量单独地采用最小二乘法,降低了滤波过程中对模型精确度的依赖。
附图说明
图1为本发明流程图;
图2为航天器轨道示意图;
图3为本发明视线矢量测量模型;
图4为航天器位置估计示意图。
具体实施方式
下面结合实施例对本发明作进一步阐述。
本发明首先利用分光计对太阳进行多普勒频移测速,同时结合动力学模型与扩展卡尔曼滤波对航天器状态进行预先估计。由于在巡航段时,火星与木星间的小行星数量多,距离较近,对航天器位置确定的能观度较好,因此选择量测小行星带的小行星视线矢量。由于最小二乘法对航天器位置确定不需要动力学方程,其结果不受模型动力学误差影响,因此利用最小二乘法再次估计航天器状态信息。最后利用本专利提出的融合方法对两次估计的信息进行融合。最终处理所得到的结果,同时结合了上述两种方法的优势,可以有效地应用于深空探测任务中的航天器自主导航。如附图1所示,其流程可以描述为:
stepa1:利用分光计测量出航天器相对于太阳的径向速度,其测量示意图如附图2所示,其中r为太阳沿航天器的径向矢量,v为航天器的速度,径向速度vr为航天器速度v在r上的分量;
stepa2:建立航天器的动力学模型;
stepa3:结合动力学模型与扩展卡尔曼滤波方法估计出航天器状态信息
stepb1:航天器获取所需的导航小行星星历表;
stepb2:航天器对导航小行星的视线矢量进行测量,采用传统的ccd光学器件测量方法进行测量,其测量模型如附图3所示;
stepb3:利用最小二乘法对获得的视线矢量进行处理,其方法如附图4所示,其中vi为stepb2中测得的第i颗小行星视线矢量,ri为第i颗小行星相对于太阳的位置矢量,可查询星历表获得,r为所需求取的航天器位置矢量,令ρi为第i颗小行星与航天器的标量距离,建立如下方程:
通过传统的批处理最小二乘法求解上述方程,即可计算出航天器的状态估计值
step4:利用本发明中的信息融合算法得到最终的滤波结果,并在下一stepa3的扩展卡尔曼滤波中使用该值做一步更新。
所述信息融合算法具体过程如下:
令扩展卡尔曼滤波得到的状态估计值为
其中:
式中βi(k)为两种估计值的权重,p1(k)为扩展卡尔曼滤波在第k步估计后的估计均方误差阵,p2(k)是对最小二乘估计精确度的衡量值,由于最小二乘估计所得误差变化不大,因此可以将其设置为一个不变的矩阵,例如可将其2-范数值设置为最小二乘估计所得位置误差的平方值。由最小二乘估计所得的状态信息在速度估计量上具有较大的误差,因此可通过调整参数令p1(k)与p2(k)的二范数值只与估计的位置误差有关,从而实现它们的权重分配βi(k)只在位置估计上产生作用,并且通过最终滤波结果在速度分量上的状态值全部由
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。