基于增强 UKF 的非合作航天器在线惯性张量识别
机器人学
2026-03-31 v1
摘要
自动化近距离作业, 如主动碎片清除和在轱辊维修, 需要保持鲁棒性的高保真相对导航解决方案, 以应对参数不确定性. 标准估计框架通常假设目标航天器的质量属性已知; 然而, 对于非合作或旋转的目标, 这些参数常常未知或不确定, 这会导致基于模型的 propagators 快速发散. 本文提出一种增强型无记忆卡尔曼滤波器 (UKF) 框架, 旨在联合估计目标 6-DOF 位姿和非合作目标航天器的完整惯性张量. 提出的架构将来自单目视觉基于卷积神经网络 (CNN) 的视觉测量值与来自激光雷达的深度信息融合, 以约束耦合刚体动力学. 通过将状态向量扩展以包括惯性张量的六个独立元素, 滤波器在无需基于地面预校准的情况下, 实时动态恢复目标归一化质量分布. 为确保估计过程中常数参数的数值稳定性和物理一致性, 滤波器采用自适应过程噪声形式, 可防止协方差塌陷, 同时允许惯性参数逐渐收敛. 通过蒙特卡罗仿真进行数值验证, 说明增强 UKF 使运动状态和惯性参数能够同时收敛, 从而实现准确的长期轨迹预测和非合作深空环境下的稳健导向.
引用
@article{arxiv.2603.27361,
title = {Online Inertia Tensor Identification for Non-Cooperative Spacecraft via Augmented UKF},
author = {Batu Candan and Simone Servadio},
journal= {arXiv preprint arXiv:2603.27361},
year = {2026}
}