个人论文阅读记录

菜籽级别

已于 2024-04-10 20:51:50 修改

阅读量645

点赞数 11

文章标签：论文阅读

于 2024-03-20 22:18:32 首次发布

本文链接：https://blog.csdn.net/qq_40509664/article/details/136885472

版权

Deep neural network for non-cooperative space target intention recognition

个人学习总结

一、基本假设和思想

论文将意图识别定义为轨道识别问题，根据论文中设定的情景，即考察单个参考航天器S和非合作的非合作体G在无外界控制指令期间(文中描述为两次脉冲控制的间隔内，且S,G均没有轨道机动)，仅在轨道动力学作用下的相对位置关系；并假设认为S轨道为圆轨道，S的观测范围有限且为以S为中心的球体。下图XYZ为地心为原点，春分点为主点的第二赤道坐标系，用于观测S,G(ECI地心惯性坐标系)；xyz为以S质心为原点的LVLH坐标系(''Local Vertical, Local Horizontal (LVLH) coordinate frame of the central spacecraft'')，x沿着由地心指向S方向，y为S运动方向，z沿着动量矩矢量。

论文中总结了10种G相对S的运动构型，数据集由随机参数设定的这10种轨道构型的数据组成，最终的意图识别模型即实现10种构型的聚类(应该不是文中的classification，而是clustering，没有看到标签化处理数据，不过确实应该是无监督学习)。为了解析S和G的相对运动构型，首先根据航天器相对运动的方程CW方程，确定二者之间的相对运动关系，并给出了解析解；(n为S角速度，CW方程认为航天器之间不存在万有引力，认为S，G之间的距离远小于S与地心，也认为G也具有角速度n)

之后对相对运动进行分解，

在文中作者提出了一个用于轨道判别的特殊点，假设该点为tp时刻，这个点具有如下特质：首先不同的轨道构型中都存在一个这样的点，其次该点的的相对运动具有如下特性，原来的解析解可简化为如下形式：

作者以上分析都只在xy平面内，由于非圆周运动的轨迹线速度不等于角速度×轨迹半径，通过设置参数 $\sigma$ 实现不同类型轨道构型。

二、数据集构建

以上10种构型的提出作为数据集构建的基础，所有数据是在各个类别下，通过随机数对特征点的相对位置和速度向量的生成，如下图。文中以椭圆轨迹为例介绍了该类别下数据的生成，每一条数据由一组随机数生成。

轨道数据是通过轨道推演实现的，考虑S、G之间的万有引力（即文中提到的二体模型）,从特征点tp时刻开始延时间反向推演，推演的时间为两个轨道周期。这里tp作为轨道推演的起点时刻，所以tp时刻在这里也指G进入S威胁区域的时刻。具体的推演过程如下：

1.计算ECI→LVLH坐标系转换矩阵M和S在ECI坐标系中的角动量矩向量h=R×S

根据S在tp时间的轨道参数(f是频率轨道周期倒数？文中没提及我觉得是)

计算：

2.设定特征点的相对位置和相对速度向量

Define relative position vector 𝑹𝑝 = (𝑥𝑝,𝑦𝑝,𝑧𝑝) and velocity vector 𝑽 𝑝 = (𝑥̇ 𝑝, ̇ 𝑦𝑝, ̇ 𝑧𝑝)
3.计算G在ECI坐标系中的位置R,速度V向量

4.计算G相对于S的R,V(此时M为t时刻，R，V是由二体模型获得的)

三、数据预处理

由于S的轨道信息可以由轨道参数确定，因此意图识别模型的输入选择了G的相对位置和速度(𝑥, 𝑦, 𝑧, 𝑥, ̇ 𝑦, ̇ 𝑧̇)。文中没有按照普通的max-min进行归一化，而是采用的类似除以规模尺度来实现数据在[0,1]范围内。

文中提及不进行max-min归一化的原因是该方法丢失了位置R和速度V之间的隐藏关系？这里不太理解，为什么文中提及的方法可以。此外文中还引入了两个维度的数据 $\overline{L}$ 和 $\overline{V}$ ,文中对于 $\overline{L}$ 定义如下：

文中解释如下：

Where 𝐾 𝑝 represents the coefficient for a linear transformation with respect to the relative distance, denoted as 𝐿. The selection of an optimal value for 𝐾 𝑝 can be guided by the observational capabilities of spacecraft S. The outcome of the linear transformation is subjected to a single instance of non-linear compression through the utilization of Equation (34). However, improper selection of 𝐾𝑝 may lead to situations of ‘over-compression’ and ‘under-compression’ of the relative distance. ‘Over-compression’ occurs when 𝐾𝑝 takes a relatively small value, resulting in the values after the tanh operation being clustered around 0. On the other hand, ‘under-compression’ happens when 𝐾𝑝 takes a relatively large value, causing the values after the tanh operation to approach 1 extensively. Both of these scenarios can result in the presence of ‘pathological data’ within the dataset. To prevent such occurrences, the value of 𝐾𝑝 can be calculated by means of the following equation:
四、意图识别

由于意图识别以规避威胁为目的，因此需要设置最小的威胁区域；在10种类型中有一种相对构型即交会，远小于设定的最小威胁距离，如下图：

意图识别框架中上述情况将被最先判断，从危险系数来说交会检测的优先级确实应该更高，具体流程如下图: 这里在对交会判别时采用PSO算法搜索最小距离，如果最小距离小于设定的威胁值判定为交会。

最小距离搜索：

神经网络部分的输入是8维，输出是10维聚类，这个不再赘述。

五、其他

此外文章还提及了意图识别检测准确度和S最大相对距离之间的关系，S、G相对距离增大，准确度越低：The non-cooperative target’s intention characteristics were modeled using CW equation analysis, and data samples were generated using the recursive two-body motion equation. As the relative distance between spacecraft increased, the nonlinearities in the two-body equation had a more significant impact on the CM-based method, as illustrated in Fig. 19. This figure shows the relationship between the maximum detection distance of the spacecraft and the recognition accuracy. As the distance increased, the accuracy of non-cooperative target intention recognition decreased to less than 0.8.明显这是数据集所依据的数学模型原理导致的，也符合客观认知。