第(2/3)页 如果林燃还在NASA工作的话，利用门，然后建小型传感器，直接把传感器丢上去，系统就初步搭建完成了，哪要这么麻烦。 NASA的这套系统嘛，首先只是在地球上，其次他们得先能把东西给射到南极边缘，连第一步都没做，远远谈不上成功。 所以才会被俄国专家认为你这玩意是纸上谈兵。 而他们现在看到的，阿波罗科技的自动导航，直接就实现了最难的南极边缘软着陆。 大家都想知道你到底是怎么做到的。 瓦连京也不例外，他感受到了他带来专家们窃窃私语，和内心的渴望，他问道：“教授，这真是一项了不起的成就，阿波罗科技又创造了奇迹，请容许我向您表示诚挚的恭喜。” 瓦连京的恭维很真诚，这既是因为他看完全过程之后确实心服口服，也是因为阿波罗科技的成就毋庸置疑。 高考考Top2，别人赞扬你前途无量，和高考考大专，别人赞扬你前途无量，就算都是真心实意的夸奖，后者你听上去也会觉得他在阴阳怪气。 “但教授，能不能给我们解答一下，您是如何做到的？”瓦连京问道，“我们都非常好奇。” 林燃想了想，然后说道：“关于这个，我们用到了太多的技术创新。 我就随便找几个我认为大家会感兴趣的点来讲讲吧。 我主要讲讲我们在算法领域做了哪些创新，来提高整体导航的精确性。 我们用了卷积神经网络进行月球地形相对导航，以进行视觉层面的陨石坑检测。 地形相对导航可以通过检测全局特征来提高航天器位置估计的精度，这些特征充当补充测量以校正惯性导航系统中的漂移。 我们主要使用卷积神经网络和图像处理方法构建了一套算法，这套算法通过扩展卡尔曼滤波器跟踪模拟航天器的位置。 这样就能在过程中直观地检测模拟相机帧中的陨石坑，并将这些检测结果与当前估计航天器位置区域中的已知月球陨石坑相匹配。 这些匹配的陨石坑被视为使用卷积神经网络跟踪的特征。 进而这套系统能够对图像亮度变化进行更可靠的位置跟踪，并且在整个轨迹中逐帧进行更可重复的陨石坑检测。 我们在使用标准亮度图像的轨迹上进行测试时，与使用基于图像处理的陨石坑检测方法的卡尔曼滤波器相比，新方法平均最终位置估计误差降低了90%，平均最终速度估计误差降低了50%。 哦，对了，这套方法你们可以在2020年阿美莉卡控制会议接受的一篇论文上看到，我们在那篇论文上做了一些小小的优化工作。 我们通过这个算法，确保了我们能够检测到陨石坑和石块，找到平坦地面。” 动作快的俄国专家已经在自己笔记本电脑上开始查起来了。 “在传感器探测层面，我们和我们国家的科技型企业进行了合作，他们有着丰富的经验，我们结合激光雷达、摄像头和IMU数据，使用粒子滤波和卡尔曼滤波算法融合多源数据，减少单传感器误差。 好吧，我还是简单说一下吧，这里主要是基于Terrain Relative Navigation方法做的月球着陆器导航解决。 在按比例缩放的模拟月球情景上开发算法，在该背景上构建了一个三轴移动框架来重现着陆轨迹。 在三轴移动架的尖端，安装了远程和短距离红外测距传感器以测量高度。 我们都知道距离传感器的校准对于获得良好的测量结果至关重要。 为此，通过使用最小二乘法优化非线性传递函数和偏置函数来校准传感器。 因此，传感器的协方差是用距离的二阶函数近似的。 这两个传感器有两个不同的工作范围，它们在一个小区域内重迭。 为了在重迭范围内获得最佳性能，开发了一种switch策略。 在评估开关策略后，找到距离的单个误差模型函数。 由于环境因素不同，在陨石边缘的温度偏差很大，因此会评估两个传感器的偏置漂移，并在算法中适当考虑。 为了在导航算法中反映月球表面的信息，已经考虑了模拟月球表面的数字高程模型。 导航算法被设计为扩展卡尔曼滤波器，它使用高度测量、数字高程模型和来自移动坐标系的加速度测量。 导航算法的目标是估计模拟航天器在从3公里高度着陆到陨石坑边缘附近的着陆点期间的位置。 并且在着陆过程中不断更新算法，为此我们特意构思了一个陨石坑峰值检测器，以便使用新的状态向量和新的状态协方差重置导航滤波器。” 大家都听的很认真。 此时阿廖沙已经找到了前面林燃提到的那篇阿美莉卡控制协会的论文，亚历山大看了下摘要片刻后低声来了一句：“变态！” 阿廖沙没有问为什么变态。 因为在阿美莉卡那篇论文里写的摘要是平均最终位置估计误差降低了 60%，平均最终速度估计误差降低了 25%，到了林燃那，所谓对方案做了个小小的优化，结果却是降低了90%的误差。 两位俄国专家，想破脑袋也想不到，华国这小小的优化到底是怎么做到的。 第(2/3)页