荣誉和奖项·安东尼奥·鲁贝蒂(Antonio Ruberti)青年研究员奖:“他对网络物理安全,复杂网络和数据驱动控制的理论的基本贡献,” IEEE Control Systems Society。2023年12月·O。HugoSchuck最佳纸张奖:“准确性可防止基于感知的控制中的鲁棒性”,《美国控制大会》,1838- 1844年,丹佛,CO,2020年7月。2021年5月·控制系统信件杰出纸张奖:“线性系统的数据驱动最小能量控制”,IEEE LCSS 3(3),589-594,2019。2020年12月·Roberto Tempo最佳CDC论文奖:“控制人脑功能连接的框架”,IEEE决策与控制会议,4697-4704,尼斯,法国,2019年12月。2020年12月·ACC最佳学生纸奖决赛入围者(高级作者):“准确性阻止基于感知的控制中的鲁棒性”,美国控制会议,丹佛市,2020年7月·AFOSR青年研究者研究奖:“数据驱动的动态网络控制”。2019年10月·ACC最佳学生纸奖(高级作者):“库拉莫托振荡器集群同步的精确而近似的稳定条件”,宾夕法尼亚州费城美国控制会议。 2019年7月·ARO Young Deskuckator计划奖:“安全多代理网络的设计和操作”。2017年9月
本文介绍了一种新颖的框架,该框架将用于特征检测的卷积神经网络 (CNN) 与协变高效 Procrustes 视角 n 点 (CEPPnP) 求解器和扩展卡尔曼滤波器 (EKF) 相结合,以实现对非合作航天器周围近距离操作的稳健单目姿态估计。在役服务航天器对非活动航天器的相对姿态估计是当前和计划中的太空任务设计中的一项关键任务,因为它与近距离操作相关,例如在轨服务和主动碎片清除。这项工作的主要贡献在于通过将协方差矩阵与 CNN 为每个检测到的特征返回的热图相关联,从图像处理步骤中获取统计信息。此信息包含在 CEPPnP 中,以提高滤波器初始化期间姿态估计步骤的准确性。导出的测量协方差矩阵用于紧密耦合的 EKF,以便更好地表示特征检测步骤中的测量误差。这提高了滤波器在 CNN 检测不准确时的鲁棒性。在目标的光照条件和部分掩蔽条件下,所提出的方法能够返回相对姿态以及相对平移和旋转速度的可靠估计值。欧洲航天局 Envisat 航天器的合成 2D 图像用于生成数据集,用于训练、验证和测试 CNN。同样,这些图像用于重建代表性的近距离场景,以验证所提出的方法。