XiaoMi-AI文件搜索系统
World File Search System机载应用
10+ Gbps 收发器 - Radiall
自 2007 年以来，D-Lightsys ® 收发器一直在军用和商用飞机上使用，并已被证明是要求苛刻的应用的完美解决方案。新的 10+ G 系列采用 D-Lightsys ® 技术，并提供独特的优势，包括非常小的占用空间和扩展的链路预算，适用于需要长期数据传输可靠性的应用。低功耗使这些模块特别适合机载应用（飞机、无人机、卫星）。
8200 - 美高森美
8200 是一款坚固耐用的铷原子振荡器，专为地面战术、舰载和机载应用而设计，这些应用需要在各种环境条件下实现卓越的频率稳定性。先进的通信、导航和瞄准系统需要精密振荡器，这些振荡器能够承受各种操作环境，同时将频率精度和稳定性的下降降至最低。8200 以卓越的相位噪声和出色的短期和长期频率稳定性支持这些应用。
年度报告2023-24
Shri Jayadeva E. P.于1987年加入HAL，在制造，组装，大修，升级，客户支持，土著化和其他管理职能方面拥有各种经验。他一直在为飞机制造/大修建立新的基础设施，并在印度生态系统内的机载应用和地面支持要求中开发土著解决方案。早些时候，作为班加罗尔LCA Tejas部门的负责人，他建立了将结构集成的战略外包给印度行业，并采取了提高产品质量和生产能力的计划。
面向低延迟机器学习系统的认证...
摘要 — 近年来，机器学习 (ML) 领域的非凡进步吸引了人们对在航空领域使用该技术的极大兴趣。ML 的可能机载应用包括安全关键功能，这些功能必须按照航空业的严格认证标准进行开发。航空业的现行认证标准是在 ML 复兴之前制定的，没有考虑到 ML 技术的具体特点。传统设计保证方法与基于 ML 的系统的某些方面之间存在一些根本的不兼容性。在本文中，我们分析了当前的机载认证标准，并表明如果应用有关 ML 开发工作流程的某些假设，则可以为低关键性基于 ML 的系统实现标准的所有目标。
海军 C2 和机载数据/信息融合概念...
本报告是之前 3 份关于数据/信息融合演示报告的多平台扩展。它总结了“哈利法克斯级护卫舰和机载协作平台之间的多平台数据融合演示”(DFCP) 合同 # W2207-E1V01（Alexandre Jouan 博士，首席研究员）在 Éloi Bossé 博士的科学授权下完成的成果。机载平台为 CP-140 Aurora，其数据融合概念、算法和性能在三份 DRDC-V 报告中进行了描述，这三份报告分别为“机载海上监视和 C 2 行动的信息融合概念”（TM-2004-281）、“信息融合算法在分类中的机载应用”（TR-2004-282）和“机载海上监视行动数据/信息融合概念演示”（TR-2004-283）。
3D 主动红外探测器和摄像机技术...
主动系统采用近红外脉冲激光和快速门控探测器，目前已用于大多数远程成像应用。这一概念通常称为突发照明激光雷达或 BIL。SELEX 固态探测器基于 HgCdTe 雪崩光电二极管阵列和定制设计的 CMOS 多路复用器，用于执行快速门控和光子信号捕获。这些混合阵列产生的灵敏度低至 10 个光子，这主要是由于 HgCdTe 二极管中非常高且几乎无噪声的雪崩增益。激光门控成像的优势之一是将物体从背景中分割出来，从而提供信噪比优势。然而，在复杂的场景中，在伪装和隐蔽的情况下，系统的主要增强功能是能够生成 3D 图像。在这里，探测器逐个像素地感知范围以及激光脉冲强度，为每个激光脉冲提供深度背景。 3D 数据能够更有效地从背景杂波中提取物体。距离信息受过度对比度、相干性和闪烁效应的影响较小，因此图像比传统的 2D BIL 图像更清晰。在机载应用中，拥有 3D 信息尤其有用，可以在动态环境中提供距离选通的灵活反馈控制。本报告介绍了一些可用于生成 3D 信息的探测器技术以及导致选择 SELEX 探测器的论据
AWACS 监视雷达 - 鹰的眼睛
E-3 哨兵是一种机载预警和控制系统 (AWACS) 飞机，可提供空中战术部队指挥官所需的全天候监视、指挥、控制和通信。AWACS 已在沙漠风暴、盟军和最近的持久自由等战时行动以及正在进行的维和和人道主义努力中得到验证，是当今世界上首屈一指的空战指挥和控制飞机。诺斯罗普·格鲁曼电子系统公司 (ES) 在机载预警 (AEW) 雷达的开发和生产方面有着悠久的历史。作为波音公司在 E-3 上使用的 AN/APY-1 和 AN/APY-2 雷达系统以及在 E-767 上使用的 AN/APY-2 雷达系统的供应商，ES 继续在机载应用雷达技术开发方面处于领先地位。AWACS S 波段（E-F 波段）监视雷达安装在飞机机身顶部的旋转圆顶中，能够以 10 秒为间隔对 AWACS 周围超过 200,000 平方英里（500,000 平方公里）或所有方向超过 250 英里（400 公里）的空域进行勘察。雷达使用高脉冲重复频率 (PRF) 脉冲多普勒波形来区分飞机目标和杂波回波。超低旁瓣天线是用于在所有地形（包括城市和山区）上获得性能的重要技术元素。旋转圆顶的机械旋转通过 360 度方位角扫描天线波束，以覆盖所有方向的目标。天线波束的电子扫描用于测量目标高度和
利用人工智能进行机载处理，实现更加自主、功能更强大的卫星系统
尽管人工智能 (AI) 在地面工业中的应用越来越受欢迎，例如汽车工业中的自主导航和制造过程中的预测性维护，但它在航天工业中的应用却很少。因此，本论文旨在研究在轨道上运行的地球轨道卫星上使用人工智能进行机载处理的可能性。第一步，研究在卫星上部署人工智能的兴趣和趋势，然后研究阻碍其发展进程的挑战。第二步，选择五种潜在的机载应用，研究它们与航天工业的总体相关性，以及与传统方法相比的优势。其中，选择使用人工智能预测电池退化的可能性进行进一步研究，因为它显示出最大的潜力。当今用于监测卫星电池退化的方法严重不足，对新方法的需求很大。文献中提出了几种基于人工智能的方法，但很少用于直接机载处理。因此，我研究了将这种算法用于星上应用的可行性，包括评估不同算法的适用性，以及输入参数和训练数据的选择。我发现使用人工智能可以极大地改善卫星在平台和有效载荷层面的各个方面的性能，使其更高效，也更强大，比如星上在轨电池预测。然而，由于缺乏对太空中人工智能的验证和验证标准，加之太空环境的限制，制约了卫星设计，其实施仍然受到严重阻碍。在调查将人工智能用于星上电池预测时，我发现这将是低地球轨道星座卫星的合适应用，特别是为了延长它们的运行时间，使其超出计划寿命，同时仍能确保安全退役。我估计，假设使用该应用程序将卫星寿命从 7 年延长到 7.5 年，那么在一个拥有 500 颗卫星的星座中，每年平均至少可以节省 2200 万美元的卫星更换成本。根据文献中的参考文献，我发现使用长短期记忆 (LSTM) 算法可以做出最复杂的预测，而门控循环单元 (GRU) 算法的处理量较小，但会损失准确性。训练需要在地面进行，可以使用过去类似任务的遥测数据或来自模拟的合成数据。未来的研究需要调查其实施情况，包括选择合适的框架，还要进行基准测试以评估必要的处理能力和内存空间。
Milani 使命 - IRIS Re.Public@polimi.it
引言 太阳系中的小天体代表着当今太空探索的前沿。 各种任务例如罗塞塔号 [ 1 ]、隼鸟 1 号 [ 2 ] 和隼鸟 2 号 [ 3 ] 以及奥西里斯-雷克斯 [ 4 ] 都已向这些目标发射，而其他任务也计划在未来执行 [ 5, 6 ]。 当到达小天体附近时，深空立方体卫星具有多样化和补充大型航天器任务的优势 [ 7 ]。 事实上，一旦主航天器到达目标，它们就可以被用作机会性有效载荷，部署在现场。 NASA 和 ESA 之间的 AIDA (小行星撞击和偏转评估) 合作就是一个例子，旨在研究和描述与 Didymos 小行星系统的撞击 [ 8 ]。作为此次合作的一部分，NASA 发射了 DART（双小行星重定向测试）动能撞击器航天器 [9]，LICIACube 将于 2022 年秋季对其与次级小行星 Didymos 的撞击进行观测和表征 [10]。作为此次合作的一部分，ESA 将于 2024 年 10 月发射 Hera 任务 [6]，同时发射两颗深空立方体卫星，分别是 Juventas [11] 和 Milani [12-14]，以研究和表征该系统。2027 年 1 月 Hera 抵达后不久，在 20 到 30 公里的距离之间将进行早期表征阶段，旨在确定天体的形状和重力场。随后将在约 10-20 公里的距离处进行详细表征阶段。在此阶段，两颗立方体卫星将从 Hera 母舰上释放，增强任务的科学回报。 Juventas 将配备单基地低频雷达和加速度计，而 Milani 将携带 ASPECT [ 15 ] 可见光和近红外成像光谱仪以及 VISTA 热重仪 [16]，以表征小行星周围的尘埃环境。自主光学导航 (OpNav) 是现在和未来探索任务的一项使能技术。这种技术利用图像处理 (IP) 方法提取一组光学可观测量，用于生成具有相关不确定性的状态估计。这种估计通常通过滤波获得，滤波将来自动力学的信息与观察模型相结合，以实现比单独应用 IP 高得多的精度。由于可以使用低成本和低质量的传感器在机载以低成本生成图像，因此 OpNav 的机载应用越来越受到关注。这对于立方体卫星任务尤其重要，因为立方体卫星任务通常在质量和功率方面受到严格限制。在接近小型飞机的情况下，可以利用 OpNav 通过允许自主操作和解锁执行关键操作的能力来降低运营成本。通过将 OpNav 功能与制导和控制算法相链接，在不久的将来，可以预见自主 GNC 系统将出现在自主探索任务中，届时将减少或完全消除人类在环。在这项工作中，我们首次介绍了 Milani 任务基于 OpNav 的 GNC 系统的主要特征，以及任务状态的最新概述。本文的其余部分组织如下。第二部分提供了 Milani 任务的一般概述。第三部分详细介绍了 Milani 的 GNC 系统。从第三部分 A 中的 IP 开始，然后是第三部分 B 中的导航和第三部分 C 中的制导和控制。最后介绍 Milani 的 GNC，简要概述了该系统的初步设计