迈向全神经形态星体跟踪技术，以减轻航天器抖动问题

《Acta Astronautica》：Towards fully neuromorphic star tracking for spacecraft jitter mitigation

　　摘要：严酷的太空环境以及尺寸、重量和功耗的限制，使得在航天器上实现传感器功能成为一项艰巨任务。此外，由于内部（如反应轮）和外部（如近地轨道中的空气阻力）振动源的影响，航天器还会出现抖动——即无法预测的高频、低幅值振动，这进一步降低了传感器在需要高精度应用的效率，比如空间态势感知。通过运用新型神经形态算法来识别抖动，我们实现了神经形态传感器与计算能力的结合，为构建端到端的神经形态系统以用于检测航天器上的抖动奠定了基础。事件型相机是一种神经形态传感器，能够异步报告每个像素的亮度变化。与传统以固定频率（30赫兹）工作的光学传感器不同，事件型相机能够以微秒级精度检测到变化。其低功耗、高动态范围以及高时间分辨率使其成为低延迟太空应用的理想选择。在地面环境中，神经形态传感器通常与传统计算架构搭配使用。然而，航天器上的CPU缺乏所需的计算能力，而图形处理单元则因尺寸、重量和功耗的限制而不适合在航天器上使用。相比之下，神经形态计算是一种通过在硬件中模拟神经元及其连接的计算范式，它能够提供低功耗、高度并行的计算能力，适合在航天器上部署。通过将神经形态事件型相机与神经形态计算相结合，我们提出了一种用于检测航天器抖动的算法，该算法有助于实现低功耗、低延迟的系统。那些需要高度精确定位的应用无法依赖姿态确定与控制系统，因为后者的工作频率较低且精度不足。因此，我们建议将事件型相机与任务传感器一起使用，通过观测周围的星场，利用星场的瞬时位移来估算并纠正两种传感器所经历的抖动。按照神经形态计算的理念，我们将这个问题转化为脉冲神经网络问题。通过运用一种基于Tycho2星表的新型抖动转事件方法，模拟出高频、低幅值的抖动，从而生成合成数据。训练样本采用10毫秒间隔的事件流，这样就能实现100赫兹的有效抖动检测速率。我们训练了两种不同的脉冲神经网络来估算每次抖动发生的位移。这些脉冲神经网络证明了所训练网络的效能，它们能够以亚像素级精度（3.1角秒）检测抖动，这一精度超过了基于传统计算方法的现有抖动预测算法。