基于协状态的数据融合与风险感知滤波用于航天器导航与危险预测
动力系统
2026-04-23 v1
摘要
本文开发了一个基于协状态的融合框架，用于航天器导航、一致性监测和危险预测。引入微分代数协状态作为瞬时拉格朗日乘子，它在微分层面强制执行测量动力学兼容性，并提供几何不一致性的物理可解释信号。在更长的时间尺度上，利用协状态和新息轨迹来学习一个连续时间马尔可夫生成器，该生成器控制着粗略行为模式之间的转换，从而通过模式概率和平均首次通过时间（MFPT）实现内在的概率风险预测。由此产生的架构将几何投影、随机推断和概率风险评估统一在一个在线流程中，无需预定义故障模型、标记的故障数据或启发式阈值。该框架在真实的月球动力下降遥测数据上进行了演示，与扩展卡尔曼滤波器（EKF）中的物理发散或统计不一致性相比，它能更早地检测到结构性的内部模型不一致性。结果表明，几何不一致性、随机漂移和概率风险在故障发生前协同上升，为自主着陆系统提供了可解释且具有操作意义的预警能力。
引用
@article{arxiv.2604.20485,
title = {Co-State Based Data Fusion and Risk Aware Filtering for Spacecraft Navigation and Hazard Prediction},
author = {Surya Ratna Prakash D and Soumyendu Raha},
journal= {arXiv preprint arXiv:2604.20485},
year = {2026}
}