- 研究人員提出了一種基于深度神經網絡的四象限模擬太陽傳感器校準
- 來源：北京理工大學出版社 發表于 2023/6/1
太陽傳感器的校準和測試平臺。來源：空間：科學和技術
航天器可以通過將姿態傳感器的外部測量值與參考信息進行比較來估計姿態狀態。考慮到衛星體積和有效載荷的限制，立方體衛星傾向于使用具有功耗極低、體積小、復雜度低、成本低、可靠性高的四象限模擬太陽能傳感器作為姿態傳感器。校準程序和補償模型可以顯著提高傳感器的性能。
然而，影響四象限太陽傳感器標定的各種誤差源導致了補償模型建立過程的復雜。近年來在航空航天領域廣泛使用的深度學習能夠在有界閉集上近似任何連續函數，為解決傳統問題提供了新的思路。
在最近發表在《太空：科學與技術》上的一篇研究論文中，來自西北工業大學、德國航空航天中心和大連理工大學的作者共同提出了一種通過深度學習校準太陽傳感器的方法，該方法不僅能夠整合各種誤差的影響，而且避免了對每個錯誤進行分析和建模的需要。
作者首先解釋了基于三次表面擬合的太陽傳感器的標定過程。太陽傳感器的校準和測試平臺包括太陽能模擬光源、高精度2軸轉盤和伺服控制器。太陽傳感器的輸出是入射λ和方位角υ，其理論值從轉盤的角度獲得，實際值由太陽傳感器測量。理論值和實際值之間存在很大的誤差，最高可達3°。
通過將理論值和實際值代入三階曲面擬合公式，得到三次曲面擬合模型。模擬太陽傳感器的輸出值通過三次曲面擬合模型進行校正，有效減小誤差。但是，在太陽傳感器的FOV（視場）邊緣附近存在較大的誤差。
然后，作者介紹了深度神經網絡模型的學習和訓練，該模型近似于實際誤差模型并用于糾錯。在模擬太陽傳感器的標定實驗中，選擇深度前饋神經網絡擬合誤差模型，其中選擇ReLU（線性整流函數）作為激活函數，選擇全連接作為2個相鄰層之間的連接模式，均方誤差（MSE）作為損失函數。神經網絡通過梯度下降算法和反向傳播算法進行訓練。
最后，利用實驗數據驗證了所提算法的有效性。在模擬太陽傳感器的標定實驗中，網絡模型的訓練分為兩個階段：數據集在初始訓練階段由三次曲面擬合模型生成，深度網絡模型在最后訓練階段采用實測數據進行學習。
此外，學習數據通過最大-最小方法歸一化為 0 到 1 之間的量級。初始階段網絡學習后，網絡模型輸出與三次曲面擬合模型估計值的誤差集中在0.02°以內，說明此時的深度網絡模型可以更好地映射三次曲面擬合模型。
在前饋神經網絡模型的最后訓練階段，入射角的標定誤差可以達到0.1°（1σ）和0.25°（3σ），大大提高了三次曲面擬合模型的標定效果。這些結果表明，該方法能夠有效消除確定性誤差，包括點畸變和裝配誤差。
- 如果本文收錄的圖片文字侵犯了您的權益，請及時與我們聯系，我們將在24內核實刪除，謝謝！
