基于结构化创新的协方差校准方法，用于TLE驱动的dSGP4–EKF轨道确定

《Electronics》：Structured Innovation-Based Covariance Calibration for TLE-Driven dSGP4–EKF Orbit Determination

　　

摘要

可靠的轨道估计依赖于位置观测数据，同时还需要考虑模型参数的传播特性以及测量过程中的不确定性和误差范围。本文提出了一种离线协方差校准框架，用于基于:TLE（三体轨道元素）数据的可微分SGP4扩展卡尔曼滤波器（dSGP4–EKF）。dSGP4提供固定的名义轨道数据，而对六个TLE初始化参数的敏感性则用于定义局部笛卡尔坐标系中的误差变化。通过重新基准化误差状态，可以在目录更新的情况下保持坐标的一致性。每个特定条件下的检查点包含六个正标量：三个连续白噪声加速度尺度用于确定过程协方差Q，以及三个位置噪声尺度用于确定测量协方差R。一步预测的创新 Negative 对数似然算法可以在没有真实状态监督的情况下对这些参数进行校准。校准后的参数在部署过程中保持不变，无需使用神经网络进行推理。在三个Sentinel卫星的数据集、三种不同的高斯噪声水平以及十个配对观测数据实例中，所提出的方法分别实现了宏平均位置误差RMSE为20.64米、速度误差RMSE为0.0463米/秒。相比之下，使用监督学习的GRU-Q/R点估计器的相应误差值分别为20.42米和0.0462米/秒。所提出的方法每个检查点只使用六个可调参数，而GRU-Q/R方法需要使用8886个参数；此外，所提出的方法在第7天的平均过滤时间为13.37毫秒，而GRU-Q/R方法为40.35毫秒。重新基准化处理有助于减少局部误差差异，而测试中的初始化设置、训练种子和窗口参数对方法性能的影响较小。在24小时的S1A–25米观测实验中，未观察到数值发散现象。所学习到的尺度实际上是有效的不确定性参数，而非唯一可识别的物理干扰因素。这些结论仅适用于所控制的合成观测协议。