多神经网络估计器闭环嵌入式鸭式控制火箭制导导航与控制架构

《Sensors》：Closed-Loop Integration of Neural Ambiguity, Gravity, and Line-of-Sight Estimators for GNSS/IMU/SAL Rocket GNC

　　

摘要

本文提出了一种将三个神经网络估计器闭环比率嵌入基于物理的鸭式控制火箭制导、导航与控制（GNC）架构中的方案。这些估计器支持全球卫星导航系统（GNSS）载波相位模糊度处理，重构机体坐标系下的重力向量，并修正通过融合GNSS、惯性测量单元（IMU）和半主动激光（SAL）象限探测器信息所得到的终端视线（LOS）估计。在以往专门的或部分集成的研究基础上，本文的贡献在于将三个估计器同时嵌入一个公共的非线性六自由度闭环，并在与匹配模型基线和八种配置的消融实验的对比下，对它们在标称、风扰、高角速度、GNSS性能退化和组合干扰等场景下的表现进行评估。通过结合互补的姿态、重力和目标相对信息，同时保留物理校验和基于模型的后备机制，该架构旨在提高多种传感器退化模式下的导航鲁棒性和功能覆盖范围。全部500条闭环评估轨迹均完成，且未出现数值发散。整体轨迹平均平方向量误差中，重力分量为，视线分量为（无量纲，对应的均方根等效角误差）；在组合干扰下，二者的平均误差分别为对应标称值的3.08和2.99倍。与匹配的模型基线相比，该集成架构将GNSS模糊度解算成功率从提升至，并将终端制导圆概率误差（CEP50）从米降低至米（绝对降幅米；配对自助法置信区间米），对应的相对降幅，消融实验表明三个模块各贡献了近乎可加且单调递增的改进。结果表明，在测试条件下，三个模块可同时作为递推GNC闭环中的活跃组件运行，并相对匹配的常规配置取得了可量化的改进。