小说Inertial-Aided明星分布式多视场的模式匹配方法

文摘

航空航天飞行器在高速飞行涉及分布式多个字段的视图(fov)星传感器,和机动车辆的要求inertial-aided明星模式匹配。因此,一个inertial-aided明星模式匹配方法,提出了分布式多视场。首先,分布式多视场的观察和融合原则。inertial-aided明星模式匹配方案是设计基于的时空分布的视线(LoS)向量和惯性测量信息。接下来,一个洛杉矶向量估计方法由惯性辅助信息和动态提出了建立分布式的本地目录。最后,在一个模拟,动态建立星型模式匹配的目录部分提高了效率降低目录的规模,和inertial-aided明星模式匹配的可用性分析为不同的陀螺、加速度计精度。

1。介绍

先进航空航天飞行器是一种对未来的可重用的车辆(1]。航空航天的多任务模式和机动车辆自主导航方面的有相当大的需求。在航空、天文导航系统(CNS)起着重要的作用,具有自主性、高精度角度测量,随着时间的推移和nonaccumulating错误。

中枢神经系统之间的类比可以在巡航阶段的飞行器和小孔径星传感器应用在远程自动识别和长航时车辆(LRLEV),在一个小规模的传感器和可用性在日夜保证(2]。第二代CCD星敏感器真正实现全天自主识别没有先验信息和“输入星光和输出态度”的功能(3,4]。目前,星敏感器的工业化连续生产已经形成,和主要产品集中在第二代CCD星敏感器和APS CMOS星敏感器(5]。研究人员研究了三角形匹配算法的优化和改进。原来丹麦科技大学爱提出的方法存储星距离而不是存储三角形的特性(6]。星识别算法与星ID名单是研究恒星的ID是基于最坏的补丁不匹配,入围和星星都是确定图像的初始匹配确认与运行顺序角匹配技术(7]。使用向量的星模式识别算法模式匹配技术在天球上也进行了研究,这是由原始之间的相关性和天球上的参考星模式8]。星识别算法研究了恒星的态度确定传感器在迷失太空的情况下,它使用标签的值来表示每个组的恒星(9]。一组迷失太空星识别算法,有效工作提出了小卫星(10]。然而,small-FoV星传感器受限于少数可见恒星,识别集中分布的恒星,并需要帧控制。此外,LRLEV飞行器有一个更高的飞行速度。这样,恒星的安装位置传感器进一步约束,和多视场中存在不连续的分布,其结果可见恒星与一个贫穷的几何结构(11]。因此,上述问题意味着一个小孔径星传感器不能提供连续的和健壮的飞行的飞行器的导航信息。

Multi-FoV融合技术可以扩展可见区域和重点不同视场的恒星,增加可见恒星的数量和提高的几何结构确定恒星(12]。最近的研究在multi-FoV融合在全天识别算法,德州农工大学提出了金字塔算法(13),确定一个特性基于恒星向量的内积4星,和SP搜索算法(14),搜索一个球面多边形wide-FoV星传感器。这两个算法是用来实现成功的明星认同multi-FoV融合在一个轨道车辆在15]。此外,大规模生产的应用multi-FoV星传感器,如九头蛇(16]和DECOM [17为航空航天汽车航空),提供了一个参考。

对于一个航空航天汽车转向角和角速率大,单一的中枢神经系统的立场和态度有很大的误差,因此只有一个明星跟踪算法,如一个帧间估计算法,不依赖于外部导航信息将更有可能失去锁(18]。迅速复苏后,全天识别算法输出的计算成本。然而,中枢神经系统和惯性导航系统(INS)自主导航系统和导航系统集成这些系统可以表现出优势互补适合航空飞行器的自主导航。最近研究恒星由INS辅助识别算法,递归星识别算法用陀螺仪援助的态度估计(19];INS-assisted算法估计《向量与INS的立场和态度(20.];和快速星识别算法提供了初步分析惯性测量的影响的信息。这三种结果的基础上,一个INS-assisted星识别算法可以解决这一问题的大型机动飞行中通过理论分析和惯性测量误差的一种有效的验证星识别。

角度inertial-aided星跟踪器的方法主要集中在单一的视场。与多个视场星敏感器显示优势比单一视场,星星在同一视场和不同视场都采用,所以适当的inertial-aided方法需要调查。与多个小分布式fov航天车辆和明星的方法识别由惯性测量辅助信息上面提到的,一个inertial-aided明星模式匹配方法,提出了分布式多视场。首先,明星图像融合在分布式多视场和一个看不见的区域分析,标记多个fov的成像原理的开始。然后,一个inertial-aided明星模式匹配过程提出了基于《向量之间的时空关系和惯性测量信息。接下来,multi-LoS向量估计和动态建立明星目录部分,和inertial-aided明星模式匹配方法的研究。最后,惯性测量单元具有不同的影响在辅助匹配精度进行了分析,结果表明,辅助匹配效率由于更高的规模减少一部分目录。本文的主要贡献在于两个方面:首先,一个inertial-aided动态预测方法对多个fov的观察范围,提出了偏差造成的错误的惯性导航系统是在考虑,分别。其次,明星模式匹配提出了基于预测当地的明星目录,其大小是显著降低和提高实时性能比传统的明星基于次全天恒星目录的模式匹配方法。

2。建模的新明星与分布式多传感器视场

2.1。小说的框架明星与分布式多传感器视场

航空的飞行汽车包括航空航天飞行器起飞、着陆和巡航。在巡航阶段,之间的类比可以与一个小孔径明星LRLEV传感器。航空飞行器的星敏感器应该涉及分布式多视场,这样视场不重叠。图所示图1。

multi-FoV明星传感器的核心,中枢神经系统可以解决航空可用性的问题,但它面临一些新的挑战。现有星识别算法的研究与多个fov,明星图像融合的方法和明星目录生成涉及连续多个视场小安装角,和不存在进一步研究应用程序分析的分布式多视场。特别是,目录的规模多个FoV会比一个FoV,因为恒星的选择与大角距离对设置角和视场。目录的规模不能满足航空航天汽车所需的效率。

因此,中枢神经系统的设计应包括充分考虑分布式的影响上的多个fov明星形象和惯性的影响助理明星模式匹配的信息。识别方案,一个明星形象的观察模型,和一个图像融合方法与分布式多视场,洛杉矶矢量估计,动态建立目录部分研究如下。

2.2。一个视场星敏感器的模型

星敏感器是一种传感器,观察和识别导航星星。single-FoV明星传感器的光学结构可以简化为两个部分:一个透镜和一个图像平面上,如图2。

定义关于明星传感器的坐标系统如下:(1)视觉坐标系(缩写为负责人系统)的图像平面中心作为坐标原点,《向量的轴方向,方向的两个垂直的侧面图像平面与其他轴的方向。一颗single-FoV传感器而言,只有一个系统,它可以被称为星传感器坐标系(2)图像平面坐标系统(系统)的图像平面中心坐标原点和方向的两个垂直的侧面图像的平面和其他轴的方向

在图2的距离用的焦距光学中心吗图像平面,线光轴。星传感器视场的大小可以被视为观察范围在天球,通常所描述的一个角度。

根据上面的坐标系统的定义,一个明星成像模型可以构建一个光学头。在这里,一个明星是用来描述成像过程。假设一个恒星的协调在系统是 。通过透射投影坐标的明星在系统是在方程(1): 在哪里的焦距光学头。

2.3。新模型为明星之间的图像融合分布式多视场

在巡航阶段的航天汽车高速、multi-FoV明星的角度传感器的设置将会限制由于强烈aerooptical效果。在大多数情况下,多个光学头将安装大角度来克服穷人几何配置的恒星。double-FoV明星选择传感器作为一个例子在这一节中,成像图如图3,观察到的面积主要光学头的面积,面积Aa是观察到辅助光学头。看不见的区域没有观察到双光学头。也就是说,两个视场不重叠。

对于多个fov,对应于一个光学头系统。主要的光学头坐标系统(左)表示的系统,辅助光学头坐标系统(右)表示的系统。有两个系统:主图像平面坐标系统(系统)和辅助图像平面坐标系统(系统)。类似地成像原理部分3所示。1,两颗恒星是用来描述分布式double-FoV系统的成像过程。假设有两个星星和分别观察到的主要和辅助光学头。他们的坐标和系统是和 ,分别。通过透射投影成像平面的坐标 在哪里和是主要的和辅助的焦距光学头,分别。

看不见星星的坐标和大小可以通过明星图像预处理。小multi-FoV星传感器、星图像融合的过程是将辅助FoV的星星的主要或扩展视场。从图4两个视场不重叠,可能会有一个大的不可见区域。因此,他们不能张拼接。为了解决分布式多视场大的问题设置角度,一颗新星提出的图像融合方法。首先,恒星的坐标系统根据焦距重建。第二,的星星系统转换成的系统,第三,他们预计到主屏面扩展。

明星图像融合过程如图4。由于恒星离地球,他们的光可以被看作是平行的。融合星映像都包含两个部分:一个部分涉及到明星点所观察到的主要光学头和投射,和另一部分涉及到明星点所观察到的辅助光学头和转换。double-FoV星传感器是用来说明融合的过程。节3所示。2恒星的坐标点的飞机了,被视为辅助图像由方程(2),它可以重建的系统的焦距,可以视为 。

与多个视场星敏感器时绑在一个航天车辆安装矩阵描述光学头和车辆的身体之间的关系。如果矩阵的主要和辅助光学头被认为是和 ,矩阵 ,它描述了转换的两个系统,是由方程(3):

恒星的坐标点 在系统转换后可以得到方程(4):

通过投影,明星在系统方程所示(5):

所有辅助FoV的星星可以通过上面的融合方法,转换和方法并不局限与双视场图像融合。

3所示。小说Inertial-Aided明星分布式多视场的模式匹配方法

3.1。方案设计

恒星目录包含可能的明星,可以观察到恒星传感器。目录是预置的明星模式匹配和没有改变之前的在全天识别。由外部信息帮助识别方法,利用外部信息与错误估计《恒星的传感器实时不断维护一部分目录与一个小规模的前明星模式匹配。整个方案如图4。

图4显示了方法的整个过程。结果表明,惯性信息有助于估计分布式多视场的洛杉矶向量,计算错误,目录之前的错误半径半径,这有助于选择明星不断保持部分目录。偏差的计算向量,由惯性测量中的错误引起的,可以估计的惯性导航系统的误差状态。自提出明星模式匹配方法是专为明星跟踪只是失败的场景和星传感器不能辅助惯性导航系统在一个简短的插曲,惯性导航系统的误差状态可以预测的时间更新其误差模型的惯性/天体大约融合滤波器。一旦明星retracked明星模式匹配后,融合滤波器的测量更新可以进行正确的惯性导航系统。因此,在明星模式匹配偏差信息集可以获得。

3.2。预测基于惯性测量光轴方向

星识别由single-FoV的INS辅助星传感器进行了研究(21]。《向量估计方法可以应用于multi-FoV明星传感器。假设星传感器从1到分布式fov排序 。显然,每个安装矩阵是肯定的。理论上,th洛杉矶向量( )估计方程(6):

实际上,真正的洛向量将受到惯性的错误信息的影响见方程(7):

3.3。预测多视场的观察范围

的矩阵和包含错误。当小错误,他们如方程所示(8)和(9)[22]: 在哪里是平台误差角向量定义的导航系统(ENU表示), 从位置误差向量,纬度误差和吗经度误差。惯性错误源于INS误差方程。

将方程(8)和(9)方程(7与方程()和比较简化的结果6),《估计偏差的th视场可以获得如下:

根据方程(9),是一个旋转欧拉向量,使真正的洛向量之间的旋转(没有错误)和估计洛向量(错误)视场。它也可以被定义为一个独特的偏向角为 。如果估计洛向量,还有另一个向量在锥的锥母线线是估计洛和锥角 。因此,矢量估计美国的向量由方程(7)是由方程(11):

然后,《偏差角可以通过方程计算(12)。

估计之间的关系和真正的洛图所示5。这一点是视觉中心,是真正的洛向量。弧是真正的可见范围的传感器。惯性的错误信息是小,所以《偏差角也小。因此,是估计洛,《偏差角。可见范围成为弧 。惯性错误担忧半径误差这目录半径包含FoV半径半径误差。通过这种方式,目录是弧的范围 。

事实上,天球区域观察到恒星传感器是非常小的,可以被视为一个平面。如果《偏差角很小,天球区域与错误仍然是大约一个平面。因此,《偏差角只能影响范围的目录。

如果《偏差角是写成 ,然后错误半径可以由方程(13):

换句话说,从方程(3)- (13),每个真正的洛向量半径和错误可以计算。

洛杉矶的协助下向量估计和错误半径确定、部分目录的星星约等于的明星形象。对部分4.2的半径误差视场是写成 ,和目录半径由方程(14):

建立目录部分估计洛向量和目录半径。的方法生成目录有两部分:一部分涉及明星选择一部分,另一部分涉及到模式结构。

一颗恒星是用来说明明星选择方法。如果估计洛矢量写成和目录半径为th FoV,明星的条件在th FoV方程所示(15): 在哪里表明恒星之间的争论和估计洛向量 。方程(15)是用于选择明星全天目录并选择每个视场的星星。

3.4。星模式匹配基于预测当地星目录

目录的模式取决于星识别算法。一个三角形匹配算法选择,模式是基于之间的角距离恒星。包的目录结构存储一个视场(18]运用,下面的部分分析分布式fov的扩展应用。

但是,与传统传感器与single-FoV恒星之间的角距离显示不同的角色与分布式多视场星敏感器。

在图6,不仅是恒星之间的角距离在同一视场也不同视场角星星之间的距离。因此,两种情况被考虑到根据角恒星之间的距离在星球模式匹配:(1)角距离在单一视场:星集获得的星选择。的集是写成和参数设置是 。星与多个分布式传感器视场小,视场大小是小于每个光学头的安装角,和一般,每个视场有相同的大小。因此,每个视场的角距离一起构成整个参数设置( )(2)角距离在一对fov:每颗恒星被选中,然后超过设置的号码被选中。在计算每两个视场角的距离。计算过程如下:如果一个明星与数量是选择,那么下面的设置与一些来自哪里 来选择计算角距离。如果有以下设置 ,参数是写成 。因此,参数设置是写成 。根据计算,参数集每两个视场和整个组可以获得

两个参数集有不同的价值观。需要选择适当的参数值作为分组间隔在文献[18]。两组分为间隔,论证模式都是基于数据包存储。这些模式组成部分目录。整个目录如图7。

的组合inertial-aided明星(图识别方案1)和部分目录,分布式多视场的inertial-aided明星模式匹配过程如下:

步骤1。利用惯性信息来估计《向量每个视场

步骤2。半径计算错误从惯性错误,进一步获取目录半径每个视场

步骤3。利用《向量从步骤1和两个半径(和 )从步骤2为每个视场选择明星的全天目录(外部数据),然后实时生成目录部分

步骤4。使用图像融合(外部数据)和部分目录从步骤3星模式相匹配

4所示。仿真结果和分析

4.1。星可观测性的分析性能

在本节中,我们选择double-FoV星传感器仿真实验。的主要参数如表所示1。

安装角是60°。次全天目录是根据史密森天体物理天文台(SAO) 6.0有限的和双级和变星处理。仿真实验设计与一万年蒙特卡洛恒星的观察,和可见的星星的数量主要辅助,融合fov记录。平均值的结果如图所示8。

当可见恒星的数量低于3星模式匹配不工作由于三角形匹配算法选择。因此,实例的数量,可见恒星的数量低于3是计算不同大小有限。特别是,这个数字也记录当可见恒星的数量低于3在单一视场,但高于3融合FoV(称为补救倍)。结果都显示在图9。

数据显示8和9,融合的星星FoV包含主要的和辅助的星星FoV从相应的关系。当有限大小很小(< 5),有大量的结果与许多明星低于3,因为全天目录几乎没有明星小幅度有限。同时,治疗时间也小。随着大小的增加,可见恒星的数量在每个视场明显增加。是5级时,补救时间达到最大,这对应于恒星的数量高于3融合视场。6级时,每个视场基本上满足要求三角形匹配。增加高于6级时,每个视场显示了明显的可见的恒星数量增加。然而,恰恰相反,可见恒星的数量的实例数量低于3是减少。

4.2。分析观察范围的预测性能

根据inertial-aided星识别原理4,协助信息有助于评估《向量,但错误影响估计精度和恒星的数量是相同的明星形象和目录。显然,相同的星星越多,越成功匹配的结果。此外,惯性错误《向量估计的影响是独立于multi-FoV星传感器安装时没有错误。因此,本节只有一个视场目标进行了分析。

建立了惯性传感器的误差模型。对于一个陀螺仪,错误主要是由于陀螺漂移误差 ,它包含一个随机常数 ,一阶马尔可夫过程的随机误差 ,和白噪声 。对于一个加速度计,其漂移只是由于一阶马尔可夫过程。此外,该误差模型是相同的三轴陀螺仪和加速度计。

陀螺仪的价值偏差的值是基于SIGI (1]。比较不同的影响精度,三个条件(用电导率。给出以下)从高到低精度的陀螺在这一节和表所示2。

同时,加速度计的偏见是固定的 。相关时间马尔可夫过程的陀螺仪和加速度计是3600年代和1800年代,分别。

以下变量定义在这一节中描述的影响程度。《矢量偏差角 。如果一个明星形象可见恒星,拥有相同的恒星意味着恒星存在的明星形象和目录部分,其数量 。因此,相同的恒星_天哪由方程(16):

然而,心脏会影响图像的星星。软木恒星担心没有一个严格的均匀分布,在全天目录。因此,明星的数量影响匹配由方程(17):

根据仿真条件,实验模拟航空汽车巡航。不同的陀螺仪偏见的影响《偏差角,软木和恒星的数量影响匹配数据所示10- - - - - -12,分别。

从图10,《矢量偏差角是气孔导度最低。1 (0.004°/ h),所有的值都低于0.15°,因为最大陀螺仪精度意味着援助信息不分歧,几乎不影响估计洛的准确性。气孔导度的结果。2 (1°/ h)在中间,和最大气孔导度的结果。4低于3。气孔导度的结果。3 (5°/ h)是最糟糕的,因为惯性的立场和态度更大的误差积累经验,这对这个条件并不小。最大的是16.30°,靠近视场直径( )理论上有严重影响心脏。

相同的恒星的情况如图11和12。气孔导度的结果。3 (5°/ h)的影响更强烈的结果比其他两个条件。电导率的心脏。3表现出更大的波动下降,低于10%后4300年代,它对应于恒星的数量明显增加影响匹配。《偏差角的影响有限电导率的心脏。2,也就是稳定在大约80%约4000年代,对应于五星级影响匹配。电导率的心脏。1 (0.004°/ h)总是在80%以上,和明星影响匹配的数量低于5。

考虑4060年代时代为例。《向量是RA 182.909°, 12月20.000°。可见恒星的数量是26岁。此时,5个条件的结果如表所示3。在图所示的相同的恒星13。

从表3在这个时代,气孔导度的歌珥。3 (5°/ h)和电导率。2 (1°/ h)很穷。气孔导度的数量相同的恒星。3 (5°/ h)是非常有限的。与其他两种情况相比,相同的星星的数量明显减少。

此外,定义匹配成功率率百分比的时代正确识别所有的时代。上述三个条件的成功率是98.80%,88.58%,和41.67%,分别。这些成功率的分布类似于洛杉矶的向量,偏置角,和心脏:第一个条件给困扰的结果,第二个条件是在中间,第三个条件给了最糟糕的结果。

4.3。分析恒星的模式匹配性能

在本节中,设计了仿真实验的动态飞行航空航天飞行器。

double-FoV星敏感器的主要参数如表所示1。安装角为30°。航空航天的跟踪车辆巡航模拟图14。

可见恒星的数量和主要和辅助洛杉矶向量每秒大约3000年代跟踪记录,结果如图15- - - - - -17。

从图15,可见的星星的数量融合FoV展品波动。恒星的平均数是5.4(3.0主要辅助FoV视场和2.4)。在整个模拟,有757时代的可见的星星下面3融合视场(1433时代主要的视场和1639年辅助FoV时代),这表明,融合视场可以有效地延长可见恒星的数量。

融合视场匹配的成功率是80.36%。计算统计数据后,时代与一些可见的星星下面5个主要影响成功率。四个时期可以匹配的结果如图所示18。

从图18,明星模式匹配算法对分布式FoV不仅可以识别星星只有在一个视场(在子图(a)和(b))但也提供机会来确定恒星在视场(在子图(c)和(d))。该算法充分利用跨多个fov恒星。

然而,没有一个明星形象与恒星存在的主要和辅助single-FoV星传感器的视场。因此,动态仿真的目的是选择一个安装角45°和100年模拟可能的态度在一个航空飞行器的位置。成功匹配的结果如图所示19。

从图19由于小视场( )和有限数量的可见恒星,大约50%的匹配失败(50 100年成功匹配的主要辅助FoV视场和52成功匹配),对整个跟踪。这意味着明星身份只在单一小FoV不能提供可靠的输出。相比之下,融合FoV失败率约为10%(90成功的匹配融合FoV)。这个结果证明了该方法的有效性。

作为评价的实时性能,与传统的方法相比,动态建立的本地明星目录提出方法和传统的全天恒星目录比较图20.。

在拟议的方法,基于惯性测量光轴方向估计,然后多视场的观察范围估计。有益的估计范围观察,当地星目录星模式匹配可以动态地建立,其大小是显著降低,如图20.。因此,提高实时性能比传统的明星基于次全天恒星目录的模式匹配方法。

总之,上面的仿真证明了星识别方法对分布式多视场可以最好地利用可见恒星在每个视场增加匹配成功率不仅在蒙特卡罗模拟,而且在动态飞行试验。

5。结论

inertial-aided明星模式匹配方法提出了分布式多视场,因为多个fov的现有方法不能提供一个持续的和健壮的明星向量在巡航飞行器。首先,匹配方案的分析研究分布式multi-FoV中枢神经系统。然后,multi-FoV星敏感器的观测模型。接下来,一个特定的匹配方法的基础上提出了洛杉矶向量估计和动态建立部分目录。最后,仿真实验证明设计匹配方法的效率和鲁棒性的航空航天飞行器。模拟的结果将有助于实现自主星航天车辆识别。

数据可用性

作者声明,仿真数据用于支持本研究的发现手稿2676210名为\“小说Inertial-aided星分布多个fov \”模式匹配方法包括在本文中。

的利益冲突

作者声明没有潜在的利益冲突的研究,本文的作者,和/或出版。

确认

这部分工作是由中国国家自然科学基金(批准号。61703208,61533009,61673208,61873125,和61533008),江苏省基础研究计划(自然科学基金的江苏省,格兰特Nos, BK20170815 BK20170767,和BK20181291),中国的航空科学基金(批准号20165552043),科技创新项目为选定的归侨学者在南京中央大学的基础研究基金(批准号。NZ2019007, NP2018108, NJ20170005,和NP2017209),设备的先进研究项目开发(30102080101),江苏省“333工程”(批准号BRA2016405),选中的归侨的科学研究基金会学者(批准号2016),江苏六人员的峰值(批准号2013 -司法院- 013),重点实验室的基础的导航、制导和健康管理技术先进的飞行器(南京航空航天大学),工业和信息化部,江苏省重点实验室“物联网和控制技术,”和优先级的学术项目江苏高等教育机构的发展,科学技术在航空电子设备集成实验室。

引用

1. a . Grantza“X-37B轨道测试工具和衍生品”张仁空间2011会议和博览会加州长滩,页1 - 14,2011。视图:出版商的网站|谷歌学术搜索
2. x智,l . Jian-ye y冯,c . Hai-ming”研究机载INS / CNS综合滤波算法基于天体角度观察,“《航天,卷2,不。31日,第403 - 397页,2010年。视图:谷歌学术搜索
3. v . a . Muruganandan j . h .公园,I.-S s . Lee。Jeung,美国金,g .居”的发展可以pico星跟踪器(APST)”交易的日本航空和空间科学学会,60卷,不。6,355 - 365年,2017页。视图:出版商的网站|谷歌学术搜索
4. t银行”,分析ct - 633星跟踪器的态度估计能力,”制导与控制,5卷,不。2、179 - 198年,1997页。视图:谷歌学术搜索
5. r·w·h·范·Bezooijen”带给我们自主星跟踪器。”国际光学工程学会卷,4850年,第121 - 108页,2003年。视图:出版商的网站|谷歌学术搜索
6. c . c .爱“星座飞船应用模式识别”,IEEE航空航天和电子系统杂志,8卷,不。1 - 39,1993页。视图:出版商的网站|谷歌学术搜索
7. d·s·梅塔,s·陈,k . s .低,“一个强健的星识别算法与星名单”,太空研究的进步,卷61,不。10日,2647 - 2660年,2018页。视图:出版商的网站|谷歌学术搜索
8. h . Yoon s . w . Paek y Lim b·h·李和h·李,“New star模式识别与向量模式匹配的态度的决心,“IEEE航空航天和电子系统卷,49号2、1108 - 1118年,2013页。视图:出版商的网站|谷歌学术搜索
9. b . v .专家Sheela c . Shekhar p . Padmanabhan和m·g·钱德拉塞卡“新星、姿态控制、识别技术”杂志的指导、控制和动力学,14卷,不。2、477 - 480年,1991页。视图:出版商的网站|谷歌学术搜索
10. k . Ho”星识别算法与低成本的调查星跟踪器,”《宇航学报卷,73年,第163 - 156页,2012年。视图:出版商的网站|谷歌学术搜索
11. j . d . Trolinger和w·c·罗斯”技术在光学系统中,模拟和评估aero-optical影响”第42张仁航天科学会议和展览美国雷诺,页1 - 11,2004。视图:出版商的网站|谷歌学术搜索
12. w . Xinguo z . Wang, z . Guangjun multi-FOV星传感器结构优化,“红外与激光工程,40卷,不。12日,第2473 - 2469页,2011年。视图:谷歌学术搜索
13. d . Mortari m·a . Samaan c . Bruccoleri和j·l·琼金为妻,“金字塔星识别技术,导航,51卷,不。3、171 - 183年,2004页。视图:出版商的网站|谷歌学术搜索
14. d Mortari和j·l·琼金为妻,”SP-search星模式识别为多个字段的视图星跟踪器,”第九届AAS张仁/太空飞行力学会议美国出台,页1 - 10,1999。视图:谷歌学术搜索
15. d . Mortari和a . Romoli StarNav三世:三个字段的视图星跟踪器,”诉讼、IEEE航空会议美国大的天空,页1 - 11,2002。视图:出版商的网站|谷歌学术搜索
16. l . Blarre n Perrimon, s . Airey”新多个头星传感器(许)描述和状态,”张仁制导、导航和控制会议和展览,页1 - 9,旧金山,加利福尼亚,美国,2005年。视图:出版商的网站|谷歌学术搜索
17. 诉Ethier, p . Andrist a·巴比特m .普法夫g . Rios-Georgio和t .翻滚,“捕获和操纵轨道碎片——DECOM”张仁空间2011会议和博览会美国加州长滩,,2011。视图:出版商的网站|谷歌学术搜索
18. w·张,w .关丽珍和l .郭”模糊星图像处理为星传感器在动态条件下,“传感器,12卷,不。5,6712 - 6726年,2012页。视图:出版商的网站|谷歌学术搜索
19. m·a·Samann d . Mortari和j·l·琼金为妻,“星识别算法,递归模式”IEEE航空航天和电子系统第41卷。。4、1246 - 1254年,2005页。视图:出版商的网站|谷歌学术搜索
20. j·l . y . Cheng Crassidis, f . l . Markley“态度估计大视场传感器,”《宇宙科学杂志》上,54卷,不。3 - 4、433 - 448年,2006页。视图:出版商的网站|谷歌学术搜索
21. y曹,r . Wang j·刘,z,“由INS辅助识别方法与恒星快速几何配置航空汽车导航,”2018 IEEE / CSAA制导、导航和控制会议(IEEE / CSAA GNCC)厦门,中国,2018。视图:出版商的网站|谷歌学术搜索
22. c . Jekeli惯性导航系统与大地的应用程序2012年,沃尔特·德·Gruyter。

版权

版权©2020年荣王等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。