低地球轨道的一次性初始轨道确定
本文提出了一种紧密耦合的扩展卡尔曼滤波器框架，使用训练有素的神经网络来回归三维位移估计和其不确定性，进而在滤波器中实现测量更新步骤，从而解决姿态、速度和传感器偏差问题。与速度积分和AHRS姿态滤波器方法相比，本文的系统在位置和姿态估计方面表现更好，且该网络可用于步行者数据的统计一致的测量和不确定性。
Jul, 2020
本文报道了一种基于卫星本身所拍摄的地球图像的计算机视觉方法，用以确定与地面站失去联系的卫星的轨道，相较现有的Gibbs方法，该方法使初始轨道估计与Kalman滤波器进行差分误差校正的性能得到充分提升，并通过比较ResNet50、ResNet101、VGG19、VGG16、AlexNet和CoAtNet4等各种神经网络的性能进行了进一步的研究。
May, 2023
我们提出了一种名为D-IOD的直接初始轨道确定方法，它通过拟合观察到的划痕图像上的轨道参数来避免LOS向量提取步骤可能导致的不准确性或错误。我们还引入了一种新的非线性最小二乘目标函数，并结合梯度下降方法进行优化，以显示D-IOD方法在各种模拟场景和具有挑战性的实际划痕图像上的有效性。
Aug, 2023
自动驾驶的星际卫星通过结合轨道确定方法与适用于星际自主平台的图像处理流程构建了一个全视觉导航算法，以从深空图像中提取的行星位置作为输入，进而增强了估计准确性，并开发了一种新颖的深空导航分析测量模型，该模型对光离差和光时间效应进行了一阶近似，通过在一个高保真度的地球-火星星际转移上进行算法性能测试，证明了该算法在深空导航中的适用性。
Sep, 2023
这项研究通过扩散模型提出了一种机器学习模型，用于预测参与近距离接触的物体的位置不确定性，特别是对于次要物体（通常是碎片），该物体的预测更加不可预测。与其他最先进的解决方案和朴素的基准方法相比，我们比较了我们的模型的性能，显示出所提出的解决方案有潜力显著提高航天器运行的安全性和效率。
Nov, 2023
通过基于SINDy的方法，该研究发现了描述卫星运动的偏微分方程，对包括轨道倾角、偏心率和高度在内的多个代表性轨道模式进行训练与测试，取得了很高的准确性，为描述卫星在轨运动提供了具有物理解释性、准确性和复杂性的模型。
Nov, 2023
本研究介绍了一种自适应的Kalman-fusion变换器(A-KIT)方法，通过学习实时变化的过程噪声协方差矩阵来提高传感器融合的性能，并通过实验表明，相对于传统的EKF和基于模型的自适应EKF，A-KIT在位置精度上提高了超过49.5%和平均35.4%。
Jan, 2024
通过利用机器学习和时间序列技术，提出了一种利用过去位置和环境变量进行航天器轨道预测的算法，以在非常低的计算成本下产生低定位误差，从而显著提高空间目标位置确定的速度和可靠性。
Jul, 2024