本技术涉及一种基于内嵌数理知识神经密度场的小行星引力场重建方法,包括:基于小行星质点群模型完成数据点的采样,构建空间位置到密度的函数求解器;构建空间采样点函数,得到不同位置的空间点的空间密度;针对空间点,利用小行星视觉三维模型得到星体外壳信息,筛选空间点在星体外壳内外部作为先验信息;针对先验信息,对于密度函数求解器的结果进行筛选;进一步使用偏微分方程求解器计算数据点的拉普拉斯方程并使用数值积分计算星体外部空间点的引力加速度方程;构建总的损失函数;进行误差反向传播,同时优化网络参数;重新计算星体内部空间点密度,得到小行星内部密度分布;进一步计算空间各位置引力加速度的值,得到小行星外引力场分布。
背景技术
小行星是太阳系中不可或缺的天体,对于我们理解太阳系的形成和演化过程具有重要的意义。小行星的引力场不仅与其质量和形状密切相关,还对轨道演变和碰撞概率等关键参数产生深远影响。如果能够高精度地建模小行星的引力场,将能够更可靠地规划探测器、巡视器和着陆器的任务,包括环绕轨道、悬停轨道、转移轨道、受控附着和弹道附着轨道的设计及稳定性分析,以及表面巡视路径的鲁棒性规划。
传统的引力场重建技术基于物理驱动,主要有球谐函数法、多面体模型法和质点群模型法。球谐函数法构成一组完全正交函数基,在球面上定义的连续函数都可写成球谐函数的线性组合,但存在布里渊面的限制,不具有全局收敛性,无法适用于小行星引力场计算;多面体模型法将小天体的引力场计算转化成了空间点到多面体每个棱边和三角形面之间的几何关系计算,但其基于均匀质量假设,不符合实际情况;质点群模型法则将小行星视为由众多不同质量的质点构成,通过数值积分计算整体引力场,充分考虑了小行星质量分布的非均匀性,但这类计算的时间成本较高,计算量庞大。
随着深度学习技术的迅速发展,基于数据驱动的神经网络方法已经被应用于引力场的计算。这种方法能够直接拟合引力势函数,具有灵活性高、计算速度快和内存占用少等优点。尽管引力场重建技术取得了显著的进展,但在小行星引力场重建中依然面临诸多挑战。由于多数小行星的形状不规则、质量分布不均且可用观测数据稀缺,导致引力场的重建变得复杂。因此,对引力场重建技术的进一步改进和优化仍然具有重要的研究价值。
针对面向小行星的引力场重建方法研究,现有技术的不足主要表现在以下几个方面:(1)小行星引力场数据稀缺且不确定,网络难以学习到准确的引力场表示;(2)许多重建方法在最初的模型构建过程中做出简化假设,影响重建精度;(3)现有方法面对小行星引力场重建的复杂数值计算存在困难。
实现思路