基于物理与人工信息融合的驻留空间目标跟踪改进方法
应用统计
2018-09-05 v1
摘要
维护驻留空间目标（RSOs）编目可归结为一个典型的贝叶斯多目标估计问题，其中问题中的各种不确定性来源——轨道力学、已识别对象的运动学状态、数据源等——被建模为具有相关概率分布的随机变量。然而，在空间态势感知背景下，空间分析人员关于许多不确定组件可获取的信息十分匮乏，导致其无法用随机变量进行恰当建模，因而无法在RSO跟踪算法中加以利用。一个典型的例子是基于人工的数据源，如两行轨道根数（TLEs），其公开可用但缺乏对其精度的任何统计描述。本文中，我们首次在RSO跟踪问题中利用不确定变量，使得不确定组件的表示能够反映空间分析人员可获取的信息（无论多么匮乏）且仅限于此。具体而言，我们展示了可将基于人工的数据源与基于物理的数据源嵌入一个统一且严谨的贝叶斯估计器中，以实现对RSO的跟踪。我们在一个场景中阐释了该概念：将来自美国战略司令部的真实TLEs与 realistic 模拟的雷达观测相融合，以跟踪一颗近地轨道卫星。
引用
@article{arxiv.1802.07408,
title = {Physics and Human-Based Information Fusion for Improved Resident Space Object Tracking},
author = {Emmanuel Delande and Jeremie Houssineau and Moriba Jah},
journal= {arXiv preprint arXiv:1802.07408},
year = {2018}
}