XiaoMi-AI文件搜索系统
World File Search SystemCISLUNAR
地月空间交通管理
空间交通管理 (STM) 和空间态势感知 (SSA) 在近地区域得到了积极的研究和应用。然而，包括武装部队和商业利益在内的航天事业正在向地月区域扩张，从而产生了对地月领域 STM 和 SSA 的需求。本文展示了实现全面地月 SSA (CSSA) 的实际步骤，目的是建立对整个地月区域的监视。为此，研究了地月 2:1 共振轨道的适用性。该轨道系列允许在不到 20 圈的时间内构建覆盖整个地月区域的周期性轨道。使用地面传感器，可以对轨道进行覆盖观测。月球地面传感器带来的好处不大。不确定性传播和轨道测定表明，2：1 共振轨道非常适合这样的星座，并且比地月区域的许多其他经典轨道具有更好的轨道特性。
地月安全国家技术愿景
预计月球和地月空间活动将会增加，这带来了安全隐患，也要求加强地月领域的态势感知能力。这些已在多份美国政府文件中有所概述，包括国家空间委员会的《深空探索和发展的新时代》11、美国国家航空航天局与美国太空部队 (USSF) 之间的谅解备忘录 (MOU)、9、太空部队太空顶点出版物 (Spacepower)10 和 2021 年太空工业基础状况报告。3 地月空间系统独特的轨道特性——复杂、通常不稳定的轨道以及围绕拉格朗日点的准稳定晕轨道——对态势感知能力提出了挑战。在地月空间内从一个轨道移动到另一个轨道，以及从地月空间移动到地球静止轨道或日地拉格朗日点，都十分容易，这既为态势感知带来了挑战，也为新颖的任务设计带来了机遇。在本文中，我们描述了对地月安全至关重要的任务类型，重点关注技术差距和需求，并推荐了国家层面所需的具体政策和技术开发，以确保美国在地月领域的利益安全。
地月物体的被动射频观测
Thomas Joyce 亚利桑那大学天文系、物理系月球与行星实验室 Ryland Phipps 亚利桑那大学航空航天与机械工程系 Craig Jacobson 亚利桑那大学月球与行星实验室 Tanner Campbell 亚利桑那大学航空航天与机械工程系 / 月球与行星实验室 Adam Battle 亚利桑那大学月球与行星实验室 Daniel Estévez 博士 独立研究员，西班牙 Roberto Furfaro 教授 亚利桑那大学系统与工业工程系、航空航天与机械工程系 Vishnu Reddy 教授 亚利桑那大学月球与行星实验室
AAS 21-290 地月空间情境...
空间态势感知 (SSA)，有时也称为空间领域感知 (SDA)，可以理解为对特定区域内所有物体的全面了解的总结性术语，而不必与这些物体直接通信。空间交通管理 (STM) 作为一个外推术语，正在应用 SSA 知识来管理该区域以实现可持续利用。这三个术语传统上都适用于近地空间领域，通常从低地球轨道 (LEO) 扩展到超地球静止轨道 (hyper-GEO)，感兴趣的物体是轨道运动中的物体，其主要天体动力学项是地球的中心引力势。空间交通管理 (STM) 旨在设计解决方案、方法和协议，以便以一种可持续利用空间的方式管理空间整流罩。因此，SSA 和 SDA 为 STM 提供了知识基础，这些领域紧密交织在一起。
地月空间自主轨迹规划
随着地月空间民用和国防基础设施的不断扩大，有效的轨迹规划技术将成为地月空间探索的关键组成部分。通过在地月空间快速部署资产来应对可能存在的威胁，需要一种能够快速向决策者提供多种可行轨迹选项的方法。本研究展示了一种使用聚类和其他机器学习技术快速生成穿越地月空间的候选轨迹的过程。本文介绍了几种在各种周期轨道之间自主构建转移的示例。本研究侧重于减少用户输入以开发轨迹，而传统方法则需要行业专家进行耗时的分析。与近地动力学相比，敏感的地月动力学是一种新范式，本研究试图利用新技术应对有效评估和生成穿越该空间的可行路径的挑战。
月球轨道测定的好处 基于月球的...
我们分析了将月球传感器测量结果与地月空间传感器在地月拉格朗日点 1 晕轨道上融合的轨道质量性能优势。假设了十几种传感器架构来量化跟踪不同系列地月目标的轨迹估计误差。我们使用了各种几何视角以及仅角度和距离测量。使用无迹卡尔曼滤波器处理度量观测值，底层动力学模型由圆形限制三体运动方程组成。整体轨道质量性能以惯性位置、速度和加速度估计误差的平均值和标准差来表示。结果表明，由四个中纬度窄视野仅角度观察者组成的月球传感器架构可以保持 100% 的轨道保管。对所有地月目标的平均位置 RSS 误差均低于 1 公里。我们发现，增加一个仅基于太空的角度观测者可将平均位置估计 RSS 误差降低五倍。总体而言，最佳架构性能组合包含基于月球和基于太空的角度和范围观测。
预测Cislunar空间中物体的监护权
在地面域中同样重要，因此从业者继续尝试延长可以将特定轨道编号保留到特定目标的时间长度。在地面域中发现有用的一种方法称为特征辅助跟踪（FAT）（有时在文献中也称为签名辅助跟踪（SAT）或分类辅助跟踪（CAT））。脂肪是一种在雷达系统中最常见的技术，尽管它也在光学跟踪系统中使用了。在脂肪中，正常的监视模式通过雷达模式大小中断，该模式仅产生仅取决于目标相对于雷达传感器的姿势和速度的测量值。模式，例如合成孔径雷达（SAR）和高范围分辨率雷达（HRR），因为一旦考虑到姿势和LOS速度，它们就会产生一些不变的签名。可以在[1]中找到有关这种方法的一种实现的详细讨论。一种简单的方法来了解问题以及如何使用脂肪来帮助解决该问题，如图1。两个目标接近交叉点，并结束一段时间。也许其中一个或多个停在十字路口，让另一个人不受阻碍。对于接地移动目标指示器（GMTI）雷达模式，这是用于接地监视雷达的典型度量观察模式，这意味着一个或两个目标在停止时消失在混乱中。即使它们足够放慢，它们也会消失在混乱中。某个时候，目标到达另一个十字路口并通过不同的路径退出。由于两个目标都可能已经停止或至少足够缓慢地移动，并且由于它们暂时靠近一段时间，并且雷达仅在定期进行定期对目标进行采样，而不是仅根据度量观测值来确定沿哪个路径沿着哪个目标撤离。如果使用脂肪，则目标离开交叉点并进行了足够分离（取决于传感器的分辨率）后，将采用HRR模式并用于与为每个目标维护的签名库匹配。假设两个目标的匹配性能足够不同，则可以解决歧义，并且如果需要，可以将适当的轨道编号重新分配到这些目标时。