💻 computer science

GNSS-based Lunar Orbit and Clock Estimation With Stochastic Cloning UD Filter

本文提出了一种基于地面 GNSS 的月球轨道与钟差估计框架，通过引入随机克隆 UD 滤波器和延迟状态平滑技术，结合相对论耦合及多效应传播延迟模型，在蒙特卡洛仿真中实现了米级轨道精度和亚毫米/秒级速度精度，满足了未来月球增强导航服务的严苛要求。

原作者： Keidai Iiyama, Grace Gao

发布于 2026-02-20

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Keidai Iiyama, Grace Gao

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一项关于**如何让月球上的卫星也能像地球上的手机一样，精准地知道自己“在哪里”以及“现在几点了”**的新技术。

想象一下，如果你把手机带到月球上，它还能连上地球的 GPS 吗？答案是：能，但非常困难。这篇文章就是为了解决这个难题而设计的。

我们可以把这项技术比作**“在月球上玩一个高难度的捉迷藏游戏”**。

1. 背景：为什么月球导航这么难？

在地球上，GPS 卫星周围有很多地面站盯着它们，告诉它们“你现在的坐标是 X，时间是 Y"。但在月球上，没有地面站，而且月球离地球太远了（约 38 万公里）。

信号很弱：地球发出的 GPS 信号传到月球时，就像从北京发出的手电筒光，到了上海只剩下一点点余光（主要是旁瓣信号）。
干扰很多：信号穿过地球的大气层（电离层）和太空中的等离子体时，会被“折射”和“延迟”，就像光线穿过晃动的水面，看起来位置是歪的。
时间很乱：月球上的时间流逝速度和地球不一样（相对论效应），而且卫星上的钟表也会因为震动、温度产生微小的误差。

以前的方法（比如 LuGRE 任务）只能做到公里级的精度，就像在月球上只能知道“我在月球背面那个大坑附近”，但不知道具体在哪块石头旁边。而未来的月球导航服务（LANS）要求精度达到米级（甚至厘米级），就像要精准定位到“月球基地的门口”。

2. 核心创新：三个“魔法道具”

为了达到这种高精度，作者开发了一套新的“导航算法”，用了三个关键技巧：

技巧一：给卫星装个“时间记忆” (随机克隆 + 延迟状态)

问题：为了消除误差，科学家通常使用“载波相位”这种极其精确的信号。但这种信号有个特点：它现在的读数，不仅取决于现在的位置，还取决于上一秒的位置。这就好比你在跑步，想知道现在的速度，必须知道上一秒你在哪。
传统做法：普通的导航算法（卡尔曼滤波）通常只记“现在”，不记“过去”。如果强行把“过去”的数据塞进去，算法就会算晕，甚至崩溃（就像一个人同时处理两个互相矛盾的记忆，会精神分裂）。
本文方案：作者发明了一种**“随机克隆”技术。想象一下，算法在每一秒都给自己克隆一个“过去的自己”**。现在的“我”和克隆出来的“过去的我”一起开会，共同商量怎么算出最准的位置。这样，算法就能完美处理这种“跨时间”的数据了。

技巧二：给计算器穿上“防抖鞋” (UD 分解滤波)

问题：月球上的信号几何结构很差（卫星都在地球那一侧，角度很刁钻），加上数据极其精密，普通的数学计算很容易因为微小的“舍入误差”（就像算账时几分钱的误差）而累积成巨大的错误，导致整个导航系统发散（算出你在月球背面，其实你在正面）。
本文方案：作者使用了一种叫**"UD 分解”的数学方法。这就像给计算器穿上了一双“防抖鞋”**。它不直接计算容易出错的“总账”，而是把账本拆解成几个稳定的部分（上三角矩阵和对角矩阵）分别计算。无论数据怎么波动，它都能保证计算结果永远“正正规规”，不会乱套。这在处理极高精度的月球数据时至关重要。

技巧三：开“时光机”进行事后复盘 (平滑器)

问题：导航通常是实时的，但实时计算很难做到完美，因为未来的数据还没发生。
本文方案：作者设计了一个**“平滑器”**。想象一下，你刚跑完马拉松，教练当时只能给你大概的配速。但等你跑完，教练拿着你全程的录像（所有历史数据），回头帮你分析：“其实你在第 30 分钟那个上坡时，速度其实比刚才算的快一点。”
这个“平滑器”就是利用所有过去和未来的数据，回头修正之前的估算。它能把那些因为瞬间信号干扰导致的“毛刺”抹平，让轨迹变得像丝绸一样顺滑。

3. 他们是怎么验证的？

作者没有真的把卫星发射到月球，而是搭建了一个超级逼真的“月球模拟器”：

模拟环境：他们模拟了地球、月球、太阳的引力，甚至模拟了地球大气层中电子密度的变化（就像模拟天气一样模拟太空天气）。
模拟信号：他们模拟了 GPS、伽利略（欧洲）和 QZSS（日本）多套卫星系统发出的信号，包括信号穿过大气层时的延迟。
模拟误差：他们故意给卫星的钟表加了误差，给轨道加了偏差，看看新算法能不能把这些错误找出来并修正。

4. 结果如何？

经过 40 次模拟测试，结果非常惊人：

位置精度：从以前的“公里级”提升到了米级（误差约 2.8 米）。
速度精度：达到了毫米/秒级别（比蜗牛爬得还慢的精度）。
结论：这套方法完全满足了未来“月球增强导航服务”（LANS）的苛刻要求。

总结

简单来说，这篇论文就像是为月球导航设计了一套**“超级大脑”。它通过“克隆记忆”来理解时间，通过“防抖计算”来保证稳定，再通过“时光复盘”**来修正错误。

这意味着，未来人类在月球上建立基地、驾驶月球车，甚至进行深空探测时，将不再需要依赖地面站的频繁指令，月球上的卫星和探测器可以像地球上的手机一样，自主、精准地知道自己在哪里。这是人类迈向“月球互联网”和“月球生活”的关键一步。

这是一篇关于基于地面 GNSS 的月球导航卫星轨道与钟差估计的高水平技术论文。作者来自斯坦福大学，提出了一种结合**随机克隆（Stochastic Cloning）与UD 分解（UD Factorization）**的滤波及平滑框架，旨在解决月球距离下低可观测性环境中的高精度定轨授时问题。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

背景：随着 NASA、ESA 和 JAXA 等机构计划建立“月球增强导航服务”（LANS）和月球通信中继与导航系统（LCRNS），月球导航卫星需要实现高精度的轨道和钟差确定，以满足信号空间误差（SISE）要求（位置<40m，速度<10mm/s；LCRNS 要求更严，位置<13.43m，速度<1.2mm/s）。
核心挑战：
1. 低可观测性：月球距离地球极远，GNSS 卫星几何构型差，且缺乏月球表面的地面监测站，导致传统滤波难以收敛。
2. 测量噪声与精度：仅使用伪距（Pseudorange）精度有限（米级至公里级），而载波相位（Carrier Phase）精度虽高但存在整周模糊度。
3. 时间差分载波相位（TDCP）的处理难点：TDCP 能消除模糊度并提供高精度相对距离变化，但其测量值依赖于当前状态和上一时刻状态（延迟状态测量），违反了标准卡尔曼滤波的马尔可夫独立性假设，且极易导致标准协方差矩阵数值不稳定（失去正定性），引起滤波器发散。
4. 物理效应建模缺失：现有研究往往忽略了广义/狭义相对论对轨道与钟差的耦合效应、地月时间尺度转换、以及从地球到月球轨道传播过程中的电离层和等离子层延迟（后者在低仰角时可达数米至十米）。

2. 方法论 (Methodology)

论文提出了一套完整的基于地面 GNSS 的月球轨道与钟差确定（ODTS）框架，主要包含以下核心模块：

A. 动力学与测量模型

状态定义：包含月球卫星在月球天球参考系（LCRF）下的位置、速度、钟差、钟漂、钟漂率以及太阳辐射压力（SRP）系数。
相对论效应：
- 显式建模了轨道状态与钟差状态之间的相对论耦合（引力红移和运动时间膨胀）。
- 建立了从地球时间（GPST）到月球坐标时（TCL）及月球时（LT）的转换模型。
- 计算了信号传播中的夏皮罗（Shapiro）延迟。
测量模型：
- 使用无电离层组合（Ionosphere-Free, IF）的伪距和时间差分载波相位（TDCP）。
- 利用射线追踪技术（IRI 和 GCPM 模型）模拟并修正电离层和等离子层延迟，特别是针对低切向高度（Tangential Altitude）的信号。

B. 核心算法：随机克隆 UD 滤波与平滑

为了解决 TDCP 带来的数值不稳定和延迟状态问题，作者开发了：

随机克隆（Stochastic Cloning）：将上一时刻的状态作为“克隆”状态引入增广状态向量，从而在标准卡尔曼滤波框架内处理依赖历史状态的 TDCP 测量。
UD 分解滤波（UD-Factorized Filter）：
- 不直接传播协方差矩阵 $P$ ，而是传播其 $UDU^T$ 分解形式（ $U$ 为单位上三角矩阵， $D$ 为对角矩阵）。
- 优势：从构造上保证了协方差矩阵的对称性和正定性，极大提高了在低噪声 TDCP 数据下的数值稳定性，避免了滤波器发散。
- 提出了针对增广状态的卡尔曼增益计算优化策略，通过调整测量更新顺序（先处理延迟状态测量，再处理当前状态测量）来降低计算成本。
固定区间平滑（Fixed-Interval Smoothing）：
- 推导了适用于随机克隆系统的平滑方程。
- 修正了标准 Rauch-Tung-Striebel (RTS) 平滑器，利用增广状态下的后验互协方差来正确处理由 TDCP 测量引入的状态间相关性，从而利用所有历史数据优化过去状态的估计。

C. 估计流程

预处理：信号捕获、时间转换、光行时修正、高度掩模（剔除低仰角信号以减少电离层影响）、异常值剔除（针对周跳）。
滤波：使用 UD 分解的随机克隆 EKF 进行实时状态估计。
平滑：利用固定区间平滑器进行后处理，进一步提升精度。

3. 关键贡献 (Key Contributions)

数值稳定的滤波架构：首次将随机克隆技术与UD 分解结合，解决了在月球低可观测性环境下处理高精度 TDCP 测量时的数值发散问题。
物理模型完备性：构建了包含相对论耦合、地月时间尺度转换、以及电离层/等离子层射线追踪延迟的高保真模型，填补了以往研究中对等离子层延迟（可达数米）建模不足的空白。
平滑算法推导：推导了适用于延迟状态测量系统的固定区间平滑方程，显著提升了后处理精度。
高保真仿真验证：构建了包含多星座（GPS, Galileo, QZSS）、真实星历误差、射线追踪电离层模型的高保真蒙特卡洛仿真环境。

4. 仿真结果 (Results)

通过 40 次蒙特卡洛仿真（模拟 180 小时，约 6 个轨道周期），对比了三种配置：(1) 仅 L1 伪距；(2) 仅无电离层伪距；(3) 无电离层伪距 + TDCP。

精度提升：
- 仅伪距：位置 SISE 均方根（RMS）约为 18.4m，受未建模的等离子层延迟影响较大。
- 仅无电离层伪距：位置 RMS 降至 6.05m，速度 RMS 为 0.46 mm/s。
- 伪距 + TDCP（滤波）：位置 RMS 进一步降至 4.53m（相比仅伪距提升约 25%），速度 RMS 保持在 0.45 mm/s。
- 伪距 + TDCP（平滑后）：位置 RMS 降至 2.79m，速度 RMS 降至 0.30 mm/s。
平滑效果：平滑器显著降低了误差分布的长尾（99.7% 分位数），特别是抑制了由 TDCP 偶尔出现的周跳或异常值引起的速度估计尖峰。
指标达成：组合方案（IF PR + TDCP + Smoother）实现了**亚米级（~~2.8m）的位置精度和亚毫米/秒级（~~0.3mm/s）**的速度精度，满足了 LANS 甚至更严格的 LCRNS 速度要求（1.2 mm/s @ 3σ）。

5. 意义与展望 (Significance & Future Work)

意义：该研究证明了利用地面 GNSS 信号（包括旁瓣和主瓣溢出信号）进行月球卫星自主高精度定轨授时的可行性。提出的 UD-克隆滤波框架为未来月球导航系统（如 LunaNet）提供了关键的算法基础，能够减少对地面站的依赖。
未来工作：
- 优化切向高度掩模阈值和测量噪声膨胀策略，以平衡可用性与偏差。
- 在状态向量中显式估计残余电离层/等离子层延迟和多系统偏差，减少对高度掩模的依赖。
- 结合星间测距和地面站跟踪数据，进一步提升速度和钟漂估计精度，以满足 LCRNS 的 3σ 速度要求。
- 探索直接处理原始伪距和 GRAPHIC 观测量的方法，以提高单频接收机的鲁棒性。

总结：这篇论文通过引入数值稳定的 UD 分解滤波器和严谨的物理建模，成功解决了月球 GNSS 导航中低可观测性和高精度测量处理的矛盾，为未来月球导航服务系统的实现奠定了坚实的理论与技术基础。