做了哪些创新，来提高整体导航的精确性。
我们用了卷积神经网络进行月球地形相对导航，以进行视觉层面的陨石坑检测。
地形相对导航可以通过检测全局特征来提高航天器位置估计的精度，这些特征充当补充测量以校正惯性导航系统中的漂移。
我们主要使用卷积神经网络和图像处理方法构建了一套算法，这套算法通过扩展卡尔曼滤波器跟踪模拟航天器的位置。
这样就能在过程中直观地检测模拟相机帧中的陨石坑，并将这些检测结果与当前估计航天器位置区域中的已知月球陨石坑相匹配。
这些匹配的陨石坑被视为使用卷积神经网络跟踪的特征。
进而这套系统能够对图像亮度变化进行更可靠的位置跟踪，并且在整个轨迹中逐帧进行更可重复的陨石坑检测。
我们在使用标准亮度图像的轨迹上进行测试时，与使用基于图像处理的陨石坑检测方法的卡尔曼滤波器相比，新方法平均最终位置估计误差降低了90%，平均最终速度估计误差降低了50%。
哦，对了，这套方法你们可以在2020年阿美莉卡控制会议接受的一篇论文上看到，我们在那篇论文上做了一些小小的优化工作。
我们通过这个算法，确保了我们能够检测到陨石坑和石块，找到平坦地面。”
动作快的俄国专家已经在自己笔记本电脑上开始查起来了。
“在传感器探测层面，我们和我们国家的科技型企业进行了合作，他们有着丰富的经验，我们结合激光雷达、摄像头和IMU数据，使用粒子滤波和卡尔曼滤波算法融合多源数据，减少单传感器误差。
好吧，我还是简单说一下吧，这里主要是基于TerrainRelativeNavigation方法做的月球着陆器导航解决。
在按比例缩放的模拟月球情景上开发算法，在该背景上构建了一个三轴移动框架来重现着陆轨迹。
在三轴移动架的尖端，安装了远程和短距离红外测距传感器以测量高度。
我们都知道距离传感器的校准对于获得良好的测量结果至关重要。
为此，通过使用最小二乘法优化非线性传递函数和偏置函数来校准传感器。
因此，传感器的协方差是用距离的二阶函
本章未完，请点击下一页继续阅读！