一种基于Geo卫星干扰能量和Lstm神经网络的滚转姿态确定方法

快速阅读: 据《Nature.com》最新报道，本文提出一种基于静止轨道卫星能量和LSTM神经网络的横滚姿态确定方法，通过深度学习抑制噪声干扰，显著提升测量精度与环境适应能力，适用于复杂动态环境下的实时姿态检测。

RMPA增益原理表明，理论上接收到的卫星能量具有稳定周期和峰值，类似于正弦和余弦函数的组合。通过接收卫星能量可求解飞行器实时横滚姿态，这一特性通过对静止轨道（GEO）卫星特性的分析可以证明。静止轨道卫星的能量变化规律及其峰值特征是稳定的。在利用GEO卫星信号能量进行车辆横滚角检测时，可以借助经验数据提高横滚角测量的精确度。

然而，在实际测量中，卫星能量信号在发送和接收过程中不可避免地会受到噪声干扰和多路径效应的影响，这导致RMPA接收到的信号能量大小不可预测且变化程度各异。研究表明，引入长短期记忆（LSTM）神经网络深度学习方法能够有效抑制这些影响。本文提出的方法具有较强的通用性和鲁棒性，无论信号持续时间长短，都能在很大程度上恢复原始能量特性。

实验结果表明，与直接采用最小二乘法（LS）相比，使用LSTM方法求解横滚角自误差平均降低了48.97%，与霍尔传感器测定的横滚角误差相比平均降低了48.20%。这表明该方法不受测试时间、转速、不同GEO卫星或长期短期情况的影响。尽管最小二乘法能为能量信号处理提供有效的解决办法，但其需要同时获取多个卫星的数据才能取得显著成效，因此并不适合处理动态环境或实时条件下的问题。

本文提出的基于GEO卫星干扰能量和LSTM神经网络的横滚姿态确定方法，为利用全球导航卫星系统（GNSS）进行旋转体姿态确定提供了新思路和解决方案。这种方法不仅提高了测量精度，还增强了适应复杂环境的能力，为相关领域的技术发展开辟了新的方向。

(以上内容均由Ai生成)