⚡ electrical engineering

Machine Learning-Based Evaluation of Attitude Sensor Characteristics Using Microsatellite Flight Data

本研究表明，一种基于一维卷积神经网络的机器学习方法通过有效学习并修正实际飞行数据中的非线性传感器误差模式，能够将微小卫星姿态确定精度显著提高，使均方根误差从传统 TRIAD 方法的约 7 度降低至 2–3 度。

原作者： Yuji Sakamoto

发布于 2026-01-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuji Sakamoto

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

核心思想：教卫星学会更好地“猜”

想象一下，你正在黑暗中驾驶汽车。你拥有一套高科技 GPS 和一个完美的指南针（“星敏感器”和“陀螺仪”），但当阳光太刺眼时，它们有时会发生故障或停止工作。同时，你还拥有一张廉价的旧地图和一个基础磁罗盘（“太阳传感器”和“磁力计”）。

通常情况下，当高科技设备失效时，飞行员会依靠严格的数学规则来使用这些廉价设备。这篇论文提出了一个想法：“如果我们教计算机从汽车过去的行程中学习，而不是仅仅遵循数学规则，会怎样呢？”

研究人员利用了一颗已经完成任务的小型卫星（“微纳卫星”）的数据。他们将该卫星过去“完美”的数据作为“标准答案”（真值/Ground Truth）来训练机器学习模型。然后，他们让模型观察那些“廉价”的传感器数据，并预测卫星的指向位置。

问题所在：“粗糙”的传感器

这颗卫星有两种类型的传感器：

VIP 嘉宾： 星敏感器和光纤陀螺仪。它们就像高端 GPS。它们非常精确，但容易被阳光或地球的反光所干扰。
苦力员工： 太阳传感器和磁场传感器。它们就像廉价的指南针和亮度计。它们始终处于开启状态，但数据很“嘈杂”，且经常给出粗略、不准确的方向（误差约为 7 度）。

在过去，工程师使用一种称为 TRIAD 的标准数学方法来组合这些粗糙的传感器。这就像是试图在一团乱麻中画出一条直线。虽然可行，但误差很大（约 7 度）。

解决方案：“模式识别器”

研究人员没有使用严格的数学公式，而是使用了一种名为 Conv1D（一种类型的神经网络）的机器学习工具。

你可以把这个工具想象成一个观察力极强的学生：

老师： “VIP”传感器（星敏感器 + 陀螺仪）提供了正确答案。
作业： “苦力员工”传感器（太阳传感器 + 磁力计）提供了杂乱的数据。
课程： 学生观察了成千上万个“杂乱数据”与“正确答案”配对的例子。它不仅仅是在学习规则，它还在学习其中的“怪癖”。它学会了：“哦，当磁力计读到这个特定的奇怪数值，且太阳传感器读到那个数值时，尽管数学计算的结果并非如此，但卫星实际上是指向这里的。”

该模型通过观察短序列的数据（例如 5 秒钟的传感器读数视频片段）来预测卫星的角度。

研究结果：从“粗糙”到“精准”

研究人员在五次不同的飞行路径（过境）上测试了该模型。他们用其中四次的数据进行训练，并在第五次（模型从未见过的路径）上进行测试。

旧方法（TRIOD 数学法）： 误差约为 7 度。（想象一下，你正指着一扇门，但偏离目标很远）。
新方法（机器学习）：
- 在它学习过的数据上：误差降至 0.7 度。（你完美地击中了门把手）。
- 在它未见过的新数据上：误差为 2 到 3 度。（虽然还是没能精准击中把手，但比以前接近多了）。

关键发现与惊喜

从“杂乱”数据中学习： 即使只有“廉价”传感器，模型也能变得更擅长猜测。它学会了忽略噪声并寻找隐藏的模式。
“地球反射”技巧： 太阳传感器既能看到直接的阳光，也能看到从地球反射回来的光（反照率）。传统的数学方法通常会忽略地球反射。而 AI 意识到这种“背景噪声”实际上有助于它判断位置。
一个传感器也足够（有时）： 即使卫星失去了太阳传感器，仅靠磁力计（例如在全食期间），AI 仍能以相当高的准确度（误差约 2.1 度）猜出方向。这对于卫星处于黑暗环境时的运行至关重要。
无需“神奇”的初始化： 模型不需要知道卫星的初始位置。它只需观察数据的流动即可推断出来。

注意事项（论文实际表达的内容）

论文非常谨慎地说明了它没有做到的事情：

它需要“老师”： AI 之所以能学会，是因为在训练期间有“VIP”传感器向它展示正确答案。你不能只给卫星一个廉价传感器，就指望它在从未见过“正确”答案的情况下也能完美运行。
它是为了处理“粗糙”情况： 这并不是要取代用于火箭着陆的高精度 GPS。它的目的是帮助卫星“接近”目标，以便开启高精度传感器，或者在昂贵传感器损坏或被遮蔽时继续维持运行。
这是一项“后验式”研究： 他们使用的是已经完成任务的卫星数据。他们是在证明这一概念的可行性，暗示未来的卫星可以利用这一点来节省开发过程中的时间和成本。

总结类比

想象你在尝试猜测房间的温度。

旧方法： 你根据加热器的设置值来计算。通常会偏差 10 度。
新方法： 你给计算机看 1,000 张房间加热器设置的照片以及实际的温度（由完美的温度计测量）。计算机学会了：“当加热器处于设置 5 且窗户微开时，房间实际是 72 度，而不是 65 度。”
结果： 现在，即使你只给计算机加热器的设置值，它也能比旧公式猜得准得多。

这篇论文表明，对于小型卫星而言，利用 AI 从过去的飞行数据中学习，可以让“廉价”传感器表现得像“昂贵”的传感器一样，从而降低成本并提高空间作业的可靠性。

技术摘要：基于机器学习的微卫星飞行数据姿态传感器特性评估

问题陈述
传统的卫星姿态确定通常依赖于基于预定义物理模型和白噪声假设的批量估计或卡尔曼滤波。虽然这些方法对于满足任务需求是有效的，但它们可能无法充分捕捉实际观测数据中嵌入的复杂、结构性和非线性误差模式，特别是对于太阳敏感器和磁力计等粗略姿态传感器而言。传统方法通常将这些未建模效应视为随机误差。此外，随着对高效卫星运行、降低发射成本以及低轨快速部署的需求日益增长，迫切需要能够减少人力工作量和运行时间的技术。本研究旨在解决如何利用已完成的微卫星任务的实际飞行数据，超越传统的滤波方法，探索机器学习（ML）在重新评估姿态确定性能和传感器误差特性方面的能力。

研究方法
本研究利用了 RISING-4 微卫星（由东北大学在 2021 年至 2023 年间运行的 50 厘米级卫星）的飞行数据。研究采用了监督学习方法，其中由星敏感器和光纤陀螺仪（FOG）获得的高质量姿态确定结果作为“地面真值（Ground Truth）”。

数据准备： 使用了五组在轨观测日志。其中四次经过（P1–P4）被指定为训练集，一次独立经过（P5）被用作测试集。输入数据 ( $X$ ) 由粗略传感器（太阳敏感器和磁力计）的时序测量值、模型推导的矢量（惯性系下的太阳、磁场和地球方向）以及陀螺角速率组成。输出 ( $Y$ ) 为姿态四元数，并转换为修正罗德里格斯参数（MRP）。
模型架构： 采用了一维卷积神经网络（Conv1D）。该架构处理连续的时间步传感器测量值（采用 $n=5$ 的时间窗口作为基准）以回归预测姿态。模型通过扩展特征维度（从 21 到 64 再到 128）处理输入向量，并使用 ReLU 激活函数和 1% 的 Dropout 率将其压缩回输出（3 个元素），以防止过拟合。
训练策略： 模型通过最小化预测姿态与地面真值之间的均方根（RMS）旋转角误差进行训练。为了避免时间偏差，从时序数据生成的训练集在训练前进行了随机打乱。

主要贡献

回顾性机器学习应用： 本研究展示了将机器学习技术应用于最初在没有 AI 参与的情况下开发和运行的任务飞行数据的可行性，证明了机器学习可以从历史数据中提取结构化误差模式。
传感器特性表征： 通过将星敏感器/FOG 数据视为地面真值，本研究重新评估了太阳敏感器和磁力计的误差特性，发现非线性偏差和对准误差是可以被学习并进行修正的。
单传感器可行性研究： 研究探讨了使用单类传感器（例如在食掩期间仅使用磁力计）或在没有显式物理模型的情况下进行组合进行姿态确定的可行性，表明即使在输入特征未严格满足传统可观测性约束（如需要两个矢量的 TRIAD 方法）的情况下，机器学习仍能学习传感器测量值与姿态之间的关系。

结果

性能对比： 使用 TRIAD 方法的传统姿态确定产生的 RMS 误差在 7.34 deg 量级。相比之下，所提出的机器学习方法实现了显著更低的误差：
- 训练集： 对于最优配置（例如包含太阳传感器、磁力计以及模型矢量和陀螺数据的 Case C1e 和 C1f），实现了约 0.7 deg 的 RMS 误差。
- 测试集： 在独立测试经过（P5）上，表现最好的模型实现的 RMS 误差在 2.1 deg 至 3.0 deg 之间，具体取决于传感器组合。
传感器组合：
- 太阳传感器、磁力计和模型推导矢量的组合提供了良好的性能。
- 当排除陀螺测量值时，太阳传感器和磁力计的组合仍然有效。
- 至关重要的是，研究发现仅使用磁场测量值（Case C3f）进行姿态确定时，测试集 RMS 达到了 2.1 deg，这表明在太阳传感器不可用的食掩条件下，仍可以实现一定水平的精度。
- 使用不带模型矢量的单一传感器类型（例如仅使用太阳传感器）会导致显著更高的误差，这表明了补充数据或学习上下文的重要性。
泛化能力： 研究指出，在训练集上表现最好的模型并不总是在测试集上取得最佳结果，这强调了评估泛化能力的重要性。由于训练和测试经过之间的时序数据剖面高度相似（由于标准化的机动策略），这有助于提高模型的有效性。

意义与主张
本文声称，基于机器学习的方法是未来卫星机载计算和既往任务离线分析的有力竞争者。研究强调，所提方法对于以下方面特别有价值：

初始获取支持： 在不依赖星敏感器的情况下，引导航天器转向有利于星敏感器获取或地面站通信的最佳姿态。
冗余备份： 当主要传感器失效或不可用时，提供辅助姿态估计。
运行效率： 减少卫星运行中对复杂物理建模和人工干预的需求。

然而，作者对这些发现的普适性保持了审慎的态度。他们明确指出，结果依赖于存在高质量地面真值（来自星敏感器/FOG）的监督学习。本文并不声称在缺乏此类地面真值或模拟数据的情况下，仅使用单个粗略传感器即可实现姿态确定。相反，它认为机器学习模型隐式地嵌入了实际飞行环境中存在的非线性传感器偏差和航天器特有的扰动特性。作者建议，未来的工作可以探索使用间接地面真值信息（如地球观测图像或鱼眼相机数据）来训练那些缺乏直接高精度姿态数据的模型，但这属于对未来研究的提议，而非本研究已证实的成果。