MARC

 008240221s2023        ulk                      00        kor
■001000016935856
■00520240214102029
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380828710
■035    ▼a(MiAaPQ)AAI30872941
■035    ▼a(MiAaPQ)0803vireo28193Prabhu
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.1
■1001  ▼aPrabhu,  Kaushik.
■24510▼aDistributed  Estimation  for  Formation  Flying  Spacecraft▼h[electronic  resource]
■260    ▼a[S.l.]▼bTexas  A&M  University.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(142  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-05,  Section:  B.
■500    ▼aAdvisor:  Alfriend,  Kyle  T.
■5021  ▼aThesis  (Ph.D.)--Texas  A&M  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aFormation  flying  is  a  critical  technology  for  future  space  missions.  Distributed  estimation  architectures  will  play  a  key  role  in  achieving  multi-spacecraft  mission  objectives.  In  the  distributed  framework,  each  spacecraft  has  access  only  to  its  local  measurement  data  and  the  goal  is  to  perform  collaborative  estimation  via  information  exchange  with  the  neighboring  spacecraft.  This  dissertation  develops  two  types  of  estimation  algorithms,  namely,  a  distributed  batch  filter  for  static  parameter  estimation  and  a  distributed  real-time  filter  for  dynamic  state  estimation.  The  Least  Squares  (LS)  technique  is  a  popular  approach  for  batch  filtering.  This  method  finds  the  solution  of  an  overdetermined  system  of  linear  equations  by  minimizing  the  sum  of  squares  of  the  residuals.  While  the  LS  estimator  is  known  to  be  optimal  for  Gaussian  measurement  errors,  its  performance  degrades  in  the  presence  of  gross  errors  (outliers)  in  the  measurements.  The  Least  Absolute  Deviations  (LAD)  technique,  on  the  other  hand,  finds  the  solution  that  minimizes  the  sum  of  absolute  values  of  the  residuals  and  is  known  to  be  robust  to  measurement  outliers.  In  this  dissertation,  we  begin  by  formulating  a  linear  programming-based  solution  to  the  LAD  estimation  problem.  The  LAD  solution  for  linear  systems  is  implemented  in  a  nonlinear  framework  to  solve  an  orbit  determination  problem.  Further,  an  estimate  of  the  error  covariance  matrix  for  the  LAD  estimates  is  also  derived.  For  applications  in  multi-agent  systems,  a  distributed  form  of  the  LAD  estimator  is  formulated.  In  the  Distributed  (D-)  LAD  algorithm,  individual  agents  utilize  local  measurement  data  and  iteratively  exchange  information  with  their  immediate  neighbors  via  single-hop  communications  to  collaboratively  compute  the  LAD  estimate.  The  distributed  algorithm  retains  the  robustness  properties  of  the  central  LAD  estimator.  The  D-LAD  solution  for  linear  systems  is  implemented  in  a  nonlinear  framework  to  solve  the  problem  of  distributed  orbit  determination  of  a  target  body  using  a  formation  of  spacecraft.  For  distributed  real-time  filtering,  the  problem  of  autonomous  inertial  localization  of  spacecraft  formations  is  considered.  In  the  case  of  large  formation  sizes,  each  spacecraft  may  not  be  able  to  track  or  communicate  with  all  other  spacecraft.  Further,  for  formations  deployed  in  deep  space,  the  unavailability  of  the  Global  Navigation  Satellite  System  makes  inertial  state  estimation  challenging.  We  propose  the  Distributed  Absolute  and  Relative  Estimation  (DARE)  algorithm  for  autonomous  inertial  estimation  of  spacecraft  formations.  The  algorithm  enables  each  spacecraft  to  maintain  an  accurate  inertial  estimate  of  the  entire  formation  even  in  the  presence  of  observability  and  communication  constraints.  A  modified  version  of  the  algorithm  called  the  Sparse  (S-)  DARE  algorithm  is  also  derived.  This  algorithm  is  computationally  more  efficient  at  the  expense  of  estimation  accuracy  making  it  suitable  for  implementation  on  nano-satellites  where  resources  are  limited.
■590    ▼aSchool  code:  0803.
■650  4▼aAerospace  engineering.
■650  4▼aAstrophysics.
■650  4▼aMechanical  engineering.
■653    ▼aDistributed  estimation
■653    ▼aSpacecraft  formation  flying
■653    ▼aLeast  Absolute  Deviations
■653    ▼aGross  errors
■690    ▼a0538
■690    ▼a0596
■690    ▼a0548
■71020▼aTexas  A&M  University▼bAerospace  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-05B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0803
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935856▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서