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Terrain Relative Navigation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数近似的。
这两个传感器有两个不同的工作范围，它们在一个小区域内重迭。
为了在重迭范围内获得最佳性能，开发了一种switch策略。
在评估开关策略后，找到距离的单个误差模型函数。
由于环境因素不同，在陨石边缘的温度偏差很大，因此会评估两个传感器的偏置漂移，并在算法中适当考虑。
为了在导航算法中反映月球表面的信息，已经考虑了模拟月球表面的数字高程模型。
导航算法被设计为扩展卡尔曼滤波器，它使用高度测量、数字高程模型和
…。。