混合式神经网络自适应相对导航在轨道游戏中的应用

《Acta Astronautica》:Hybrid neural network adaptive relative navigation for orbital games

【字体: 大 中 小 】 时间:2026年04月26日 来源:Acta Astronautica 3.4

编辑推荐:

  张世元|卢珊|李清 上海航天控制技术研究院,中国上海中春路201109 **摘要** 本研究提出了一种混合神经网络(HNN)自适应相对导航算法,用于跟踪轨道博弈中的非合作航天器。传统的相对导航算法在处理复杂机动目标时难以平衡稳态跟踪精度和动态响应速度。为了解决这一问

  张世元|卢珊|李清
上海航天控制技术研究院,中国上海中春路201109

**摘要**
本研究提出了一种混合神经网络(HNN)自适应相对导航算法,用于跟踪轨道博弈中的非合作航天器。传统的相对导航算法在处理复杂机动目标时难以平衡稳态跟踪精度和动态响应速度。为了解决这一问题,核心贡献在于将HNN集成到交互式多模型(IMM)框架中,以实现自适应转移概率矩阵(TPM)的估计,从而取代传统的基于函数的校正机制。具体开发了两种设计方案。首先对IMM的性能进行了理论分析,以确定TPM元素的标称值。然后,基于TPM的概率特性,设计了一种结合深度神经网络和长短期记忆网络(LSTM)的HNN,并采用概率引导方案进行构建。该HNN被嵌入到IMM框架中,形成了HNNA-IMM算法。在非合作机动目标跟踪场景下的数值实验验证了所提方法在跟踪精度、动态响应速度和泛化能力方面相较于标准IMM及各种优化算法的显著改进。

轨道博弈中的相对导航任务跟踪目标是非合作航天器,其机动序列未知且具有多种潜在机动模式。这使得传统相对导航算法在提升性能方面效果不佳,尤其是在平衡稳态跟踪精度和动态响应速度方面。为了解决这些问题,从理论上分析了交互式多模型(IMM)算法的性能,并设计了转移概率矩阵(TPM)的标称值。进一步提出通过神经网络映射来适应TPM,以替代传统的基于函数的校正机制。接着,基于TPM的概率特性,设计了结合深度神经网络(DNN)和长短期记忆网络(LSTM)的混合神经网络(HNN)。最后,将这种混合神经网络模型嵌入到IMM框架中,形成了HNNA-IMM算法。仿真结果表明,与标准IMM及各种优化算法相比,HNNA-IMM算法在跟踪精度、响应速度和泛化能力方面取得了显著提升。

**引言**
近年来,定位、导航和通信的发展越来越依赖于空间技术。对空间资源的竞争加剧推动了新空间任务的发展,特别是在空间态势感知和轨道博弈领域[1]、[2]、[3]。在轨道博弈中,博弈对象是具有未知机动能力和策略的非合作航天器。由于目标的轨道机动性未知,追逐者与目标之间的相对运动状态高度不确定。这种不确定性给基于单一固定模型和显式分析算法的传统制导、导航与控制(GNC)系统带来了严峻挑战[4]、[5]、[6]。尤其是对于非合作机动目标的相对导航,它是提升航天器轨道博弈能力的关键输入[7]、[8]、[9]。

传统的相对导航技术通常采用扩展卡尔曼滤波器(EKF)结合固定的相对运动模型,利用来自传感器(如光学相机、激光器等)的实时测量数据[10]、[11]来估计两个航天器之间的相对运动状态。然而,这种方法在轨道博弈中因无法动态响应相对运动状态的复杂变化而失效,导致导航系统难以为制导与控制系统提供精确的目标状态。交互式多模型(IMM)是一种具有明确理论结构的经典算法,适用于机动目标跟踪[12]、[13]、[14]、[15]。IMM利用先验信息构建由多个子模型描述的目标机动状态轮廓,并在模型轮廓内动态更新相对运动状态的概率分布。IMM的关键概念包括模型集的构建以及子模型之间的信息交互机制。

构建一个针对目标潜在机动性进行良好裁剪的模型集是算法成功的基础。Goff等人[16]使用恒定加速度(CA)模型描述目标的连续推力机动,并设置不同幅度的过程噪声协方差矩阵来构建模型集。这种方法提高了误差收敛速度,消除了大过程噪声对状态估计精度的影响。此外,Goff等人[17]关注脉冲机动模式,通过引入多个状态协方差矩阵扩展因子到滤波器中来处理未知推力幅度的脉冲机动。Wang等人[18]总结了航天器在四种机动状态下的动态特性:电推进轨道维持、电推进轨道转移、化学推进轨道维持和化学推进轨道转移。选择了对应于无推力、脉冲推力和连续固定推力三种工作状态的运动模型来构建模型集。Lu等人[19]结合了上述两种模型集构建方法(基于滤波器参数和推力模式),提出了包括非机动模型、CA模型和大偏差响应模型的模型集。这种方法可以覆盖连续推力机动、脉冲机动和机动模式切换等目标机动状态。

在模型集的基础上,子模型之间信息交互的精度直接决定了IMM的性能。IMM的性能通过两个指标进行评估:
- **稳态跟踪精度**:稳定机动模式下的状态估计精度;
- **动态响应速度**:模式切换或状态突变时的瞬时误差收敛速度。

转移概率矩阵(TPM)描述了不同机动模式之间的切换概率,它是IMM中唯一的预定义超参数[20]。Zang等人[21]证明TPM值的准确性直接影响相对导航算法的性能。然而,非合作目标的TPM无法通过先验信息准确获得,因此标准IMM中的固定TPM需要适应。基于这一概念,提出了自适应IMM(A-IMM)。现有的A-IMM方法可根据其TPM适应逻辑分为两类:基于校正的和基于生成的。基于校正的方法依赖于从先前TPM构建的校正函数来更新当前TPM。参考文献[22]、[23]、[24]提出了一种基于模型概率梯度(MPG)的校正函数,用于在轨道博弈中自适应调整TPM。然而,当系统误差收敛且模型概率稳定时,MPG趋近于零,使得校正功能失效,无法充分提升IMM的稳态跟踪精度。为了解决模型概率稳定时的校正停滞问题,Lee等人[25]将MPG与Sigmoid函数结合,并在原始校正函数中添加了激活函数。Xu等人[26]通过用子模型之间的似然比替换MPG,实现了连续的TPM校正,进一步提高了IMM的稳态跟踪精度。不过,这两种方法在模式切换或系统状态突变时都需要耗时的逆向调整,从而降低了动态响应速度。关于A-IMM算法的研究表明,平衡稳态跟踪精度和动态响应速度仍然是提升相对导航算法性能的关键挑战。

为了解决这一问题,参考文献[27]、[28]、[29]分别考虑了适合快速响应和精确跟踪的两种IMM校正方法。随后提出了一种具有共享输入和同步操作的并行多IMM架构。该方法通过检测似然比是否超过预设阈值来检测系统状态突变,并相应地调整两种IMM算法的参数,从而在稳态跟踪精度和动态响应速度之间取得平衡,但计算复杂度翻倍。然而,似然比受测量噪声影响较大,且系统状态阈值只能基于先验信息预设置。当轨道博弈条件和系统噪声动态变化时,该方法难以准确判断系统状态,从而影响算法性能。

鉴于构建显式校正函数的局限性,基于生成的方法直接利用IMM框架内的信息来估计当前TPM。Lu等人[30]使用Baum-Welch算法根据测量序列迭代计算当前时间的TPM最大期望值。Wang等人[32]将测量数据映射到模型概率,然后利用这些概率更新TPM。但这些TPM计算方法仅依赖测量数据作为输入,未能充分利用IMM框架内的其他信息,因此无法可靠保证计算出的TPM的准确性和鲁棒性。Zhu等人[33]在IMM框架内嵌入了一个循环神经网络(NN),并通过在线学习训练网络实时预测TPM,使用模型概率、似然和上一时间步的TPM作为输入特征。然而,这种方法通过反向传播利用IMM的状态估计误差来修改网络参数,由于IMM中从TPM到状态估计的信息路径复杂,未能证明误差梯度传播的可行性,从而限制了NN的预测性能。

基于上述调查和分析,本研究旨在开发一种新的自适应方法来显著提升IMM算法在目标执行复杂轨道机动时的跟踪性能。关键在于分析TPM如何影响IMM性能,确定TPM元素值的标称值作为NN模型的训练目标,并开发构建和训练网络的方法,使其能够实时输出准确的TPM元素(如图1所示)。为此,开发了一种混合神经网络自适应IMM(HNNA-IMM)算法。具体而言,首先基于理论推导,确立了能够提升IMM算法性能的TPM元素标称值的设计要求,解决了以往研究中依赖经验构建的校正函数调整TPM的设计缺陷。其次,通过将TPM的概率特性引入NN模型的输入特征和网络架构设计中,提出了一种基于概率的NN模型构建方法。这种混合NN(HNN)模型结合了深度NN(DNN)和长短期记忆(LSTM)网络。所提出的HNN模型被嵌入到IMM算法框架中,实现了对复杂机动目标的精确跟踪和快速响应。仿真结果证明了所提方法在跟踪精度和响应速度方面的优越性。

**本文结构**
第2节介绍了空间机动目标的相对运动模型和测量方程。第3节简要回顾了标准IMM算法。第4节详细描述了所提出的HNN自适应IMM算法的设计。第5节进行了数值仿真,展示了所提算法在跟踪精度和响应速度方面的优势。第6节总结了本研究。

**相关概念**
**轨道相对运动模型**
当前的相对导航任务涉及多种航天器工作条件,这些条件定义了轨道博弈中非合作目标的九种潜在机动模式(见图2),包括稳态、自然绕飞、伴随飞行、远程会合、近距离接近、直线接近、绕飞、离开和碰撞避免模式。

**标准IMM算法**
标准IMM算法包括四个步骤:输入交互、模型估计、模型概率更新和输出交互。从时间k-1到k的递归过程如(14)至(24)所示。给定一个包含3个模型的模型集,该滤波器使用了三个EKF滤波器,分别表示为EKFi(i=1,…,r)。

步骤1:输入交互
在时间k?1时,模型j的预测模型概率为:
\[c?j = \sum_{i=1}^{r} p_{ij}\mu_{i,k?1}\]
其中\(p_{ij}\)表示从模型i到模型j的模型转移概率,\(\mu_{i,k?1}\)是……(原文此处数据缺失)

名义TPM元素曲线
本节基于模型集中的模型a与真实目标机动模式匹配的假设。与理想情况不同,模型a的模型概率难以无限接近1并保持稳定。因此,分析了模型a的模型概率变化规则。将(14)代入(22)后,模型a的模型概率表示为:
\[μ_{a,k} = \Lambda_{a,k}\sum_{i=1}^{r} p_{ia,k?1}\mu_{i,k?1}\sum_{i=1}^{r}\Lambda_{i,k}\sum_{j=1}^{r} p_{ji,k?1}\mu_{j,k?1}\]

数值模拟
为了验证所提出算法的有效性,将其应用于短距离双星轨道游戏中的非合作机动目标跟踪。模拟参数设置为表1中的值。基于机载测量设备的精度,测量噪声的协方差矩阵设置为 \(R = \diag(1, 3, 2, 0.05, 2, 0.05, 2)\)。EKF1、EKF2和EKF3的过程噪声协方差矩阵分别设置为:
\[Q_1 = \diag(10^{-6}, 10^{-6}, 10^{-6}, 10^{-8}, 10^{-8}, 10^{-8}, 10^{-8})\]
\[Q_2 = \diag(10^{-6}, 10^{-6}, 10^{-6}, 10^{-8}, 10^{-8}, 10^{-8}, 10^{-8}, 10^{-10})\]

结论
本研究提出了HNNA-IMM,改进了轨道游戏中相对导航算法的跟踪性能。主要进展如下:
- 基于HNN映射的TPM开发了IMM的自适应方案,克服了基于函数的校正算法中的调整误差和响应延迟问题。
- 基于IMM性能的理论分析,设计了TPM元素的名义值,提升了算法的性能。

作者贡献声明
张世元:撰写——审阅与编辑,撰写——初稿,概念构思。
陆珊:监督,项目管理。
李青:形式分析,数据整理。

利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号