企业官网建设流程全解析

简介：本资源是一份面向航天工程与卫星导航领域初学者及算法实践者的Python工具脚本，聚焦于CW方程（Cisinski-Wren近似模型，常用于相对运动建模）的数值求解与相对轨道分析，支撑相对导航控制策略设计与短期轨道规划任务。压缩包仅含1个核心文件CW.py（2KB），为轻量级可执行脚本，基于NumPy等基础科学计算库实现四阶Runge-Kutta数值积分，直接求解线性化/非线性化CW方程组，输出两航天器间相对位置、速度随时间演化结果，便于后续控制律嵌入或轨迹可视化。该脚本结构清晰、注释完整，适合作为课程实验、小规模编队飞行仿真或导航算法原型开发的起点。目前已有691人学习下载，读者可直接运行复现标准相对运动轨迹，快速掌握CW方程建模—求解—分析全流程，无需额外依赖复杂仿真平台。

1. 项目概述：从CW方程到轨道规划的实战闭环

在航天器交会对接、星座构型保持或者空间站伴随飞行这些任务里，有一个经典得不能再经典的问题：如何让一个追踪航天器（比如一艘货运飞船）安全、精准地靠近并抵达目标航天器（比如空间站）的指定位置？这背后涉及的核心，就是相对导航、控制与轨道规划。而CW方程，正是打开这扇大门的钥匙。我干了十多年航天器GNC（制导、导航与控制）相关的活儿，从仿真到半实物，再到在轨任务支持，CW方程以及围绕它构建的这套方法，可以说是每个从业者工具箱里的“瑞士军刀”。它不完美，但极其有效，尤其是在近距离（几十公里以内）的相对运动场景下。

这个“CW.zip_CW方程_shake6s2_求解cw方程_相对导航控制_轨道规划”项目，从文件名就能嗅到一股浓浓的工程实践味道。它不是一个纯理论推导，而更像是一个完整的、可运行的仿真工程包。CW.zip是总包，shake6s2可能是一个特定的扰动模型或测试用例，核心动作是“求解CW方程”，最终目标是为了实现“相对导航控制”和“轨道规划”。简单说，这就是一个用CW方程作为核心动力学模型，来设计控制律、规划相对轨道，并可能包含导航滤波的完整仿真验证环境。接下来，我就把这个“压缩包”彻底解压，带你看看里面到底装了哪些干货，以及在实际工程中，我们是怎么玩转这套东西的。

2. CW方程：相对运动的“线性化快照”

在深入项目之前，必须把CW方程本身掰扯清楚。它是整个项目的基石，理解它的来龙去脉和适用边界，比会套公式更重要。

2.1 方程推导与物理意义

CW方程的全称是Clohessy-Wiltshire方程，也有叫Hill方程的。它描述的是在圆参考轨道（比如空间站的轨道）附近，追踪航天器相对于目标航天器的运动。推导的起点是二体问题下的相对运动动力学，核心技巧是在目标航天器的轨道坐标系（通常是LVLH坐标系：原点在目标质心，x轴沿径向向外，y轴沿飞行方向，z轴沿轨道角动量方向完成右手系）下，将非线性方程在目标点（通常是原点）进行线性化，并假设参考轨道是圆轨道。

最终得到的CW方程形式非常优美：

x'' - 2n y' - 3n^2 x = a_x y'' + 2n x' = a_y z'' + n^2 z = a_z

这里，x, y, z是追踪器在LVLH系下的位置分量，n是参考轨道的平均角速度（轨道角速度），a_x, a_y, a_z是作用在追踪器上的控制加速度或摄动加速度在三个方向的分量。

这个方程的物理意义极其深刻：

• x'' - 3n^2 x项：描述了径向运动。-3n^2 x像一个“势阱”，径向偏离平衡位置会受到一个恢复力，但这个恢复力是负的（因为系数是-3），这意味着径向运动本质上是不稳定的！这是理解相对运动的关键。
• -2n y'和+2n x'项：这是科里奥利力项。它耦合了径向（x）和迹向（y）的运动。正是这个耦合项，使得我们可以通过控制y方向的速度来影响x方向的位置，反之亦然，这是许多控制律设计的基础。
• z'' + n^2 z项：描述了法向运动。这是一个简谐振荡方程，系数为正，说明法向运动是稳定的振荡运动，周期等于轨道周期。

注意：CW方程是线性化模型，因此它只在相对距离远小于参考轨道半径（通常认为相对距离/轨道半径 < 0.01）时足够精确。对于地轨任务（轨道高度~400km），这意味着相对距离最好在几公里到几十公里内使用。超出这个范围，线性化误差会变得显著。

2.2 方程的解与相对轨道构型

如果不施加控制（a_x = a_y = a_z = 0），CW方程有解析解。这个解清晰地揭示了自然相对运动的轨迹。位置解可以写成：

x(t) = (x0/n) sin(nt) - (3x0 + 2y0'/n) cos(nt) + (4x0 + 2y0'/n) y(t) = (2x0/n) cos(nt) + (6x0 + 4y0'/n) sin(nt) - (6n x0 + 3y0') t + (y0 - 2x0'/n) z(t) = (z0/n) sin(nt) + (z0') cos(nt)

从解中可以看到几个关键点：

1. 径向-迹向耦合：x和y运动强烈耦合。
2. 漂移项：y方向的解里有一个与时间t成正比的项- (6n x0 + 3y0') t。这意味着除非初始条件满足6n x0 + 3y0' = 0，否则追踪器在y方向会持续漂移远离目标。这个条件就是著名的“零漂移条件”。
3. 自然构型：满足零漂移条件的解，在x-y平面内是一个以目标为中心的椭圆，这个椭圆的长轴是短轴的两倍，且长轴在y方向。这就是常见的“绕飞椭圆”轨道。z方向则是独立的简谐振荡。

在实际项目中，求解cw方程通常指两件事：一是数值积分CW动力学方程，用于仿真；二是利用上述解析解进行快速轨迹预测或规划。这个项目包里的求解器，很可能同时包含了这两种功能。

3. 相对导航控制：让航天器“听话”的核心

有了描述相对运动的模型（CW方程），下一步就是如何控制追踪器沿着我们期望的路径运动。这就是“相对导航控制”部分。它通常是一个“导航-制导-控制”（GNC）的闭环。

3.1 状态估计与相对导航

在控制之前，系统必须知道当前自己在哪儿（状态估计）。这就是导航滤波器的任务。在相对导航中，我们通常使用CW方程作为状态转移模型（即系统模型）。

状态向量通常定义为：X = [x, y, z, x', y', z']^T，即位置和速度。系统模型（离散化）可以写为：X_{k+1} = Φ * X_k + Γ * u_k + w_k。 其中，Φ是状态转移矩阵，它可以从CW方程的解析解推导出来，是一个6x6的矩阵，包含了sin(nt)和cos(nt)项。Γ是控制输入矩阵，u_k是控制加速度，w_k是过程噪声。

量测模型取决于你用什么传感器。可能是：

• 相对GPS：直接测量相对位置和速度，量测模型简单（Z = H*X + v，H是单位阵或简单矩阵）。
• 激光雷达/微波雷达：测量斜距、方位角、俯仰角，量测模型是非线性的。
• 光学相机：测量目标在像平面上的像素坐标，需要通过几何关系反算相对状态，非线性更强。

对于非线性量测模型，最常用的滤波器是扩展卡尔曼滤波（EKF）。EKF会在当前估计点对量测方程进行线性化。项目中的shake6s2很可能就是模拟了某种量测噪声或过程扰动（shake），用于测试导航滤波器在干扰下的性能（s2可能代表某种噪声方差或二阶扰动模型）。

实操心得：在仿真中设计EKF时，过程噪声协方差矩阵Q和量测噪声协方差矩阵R的调参是个经验活。Q反映了你对模型不确定度的信任程度，如果模型误差大（比如CW方程本身有线性化误差），或者存在未建模摄动（如大气阻力、光压），Q就要设得大一些。R由你的传感器指标决定。一个常见的技巧是，可以先让滤波器开环运行（不加控制），对比滤波估计值与仿真“真值”，来初步校准Q和R。

3.2 控制律设计：从PID到最优控制

知道了状态，接下来就是计算控制指令。基于CW模型的控制律设计非常成熟。

1. 比例-微分（PD）控制：这是最直观的方法。例如，对于x方向，控制律可以是：a_x = -Kp_x * (x - x_d) - Kd_x * (x' - x'_d)，其中x_d和x'_d是期望的位置和速度。y和z方向类似。这种方法的优点是简单，但需要手动调节三组（Kp, Kd）参数，并且对于强耦合的CW系统，可能不是性能最优的。

2. 线性二次型调节器（LQR）：这是处理CW系统这类线性时不变系统的“大杀器”。LQR寻找一个状态反馈控制律u = -K * X，使得性能指标J = ∫ (X^T Q X + u^T R u) dt最小化。其中Q和R是权重矩阵，分别惩罚状态偏差和控制量消耗。

• Q矩阵：决定你对状态误差的重视程度。如果你希望尽快消除位置误差，就把Q矩阵中对应位置状态的权重设得很大。如果对速度误差容忍度低，就提高速度状态的权重。
• R矩阵：决定你对控制消耗（燃料）的重视程度。R越大，控制越“温柔”，但收敛可能变慢；R越小，控制越“激进”，收敛快但耗燃料。

LQR的魅力在于，一旦确定了Q和R（这本身是设计的一部分），通过求解代数Riccati方程就能得到最优反馈增益矩阵K，这个控制律在数学上保证了在给定权重下的最优性。项目中“相对导航控制”部分，极有可能实现了LQR控制器。

3. 脉冲控制：对于轨道转移，特别是基于CW方程的转移，经常使用脉冲控制模式。即在特定时刻施加一个瞬间的速度增量（ΔV），在两个脉冲之间进行无控的自由漂移。这种模式更接近真实航天器轨控发动机的工作方式（大推力、短时间工作）。规划脉冲控制的时间、大小和方向，就是轨道规划要解决的问题。

4. 轨道规划：计算通往目标的“太空路径”

轨道规划，在这里特指基于CW方程的相对运动轨道规划。它的任务是：给定初始相对状态X_i和期望的终端相对状态X_f，以及任务约束（如时间、燃料、安全禁区等），求出一条满足CW动力学的轨迹，并计算出所需的控制量（通常是速度增量ΔV序列）。

4.1 两脉冲交会（Lambert问题在相对运动中的近似）

最简单的规划是两脉冲交会：在初始时刻施加一个脉冲ΔV1，使追踪器进入一条转移轨道，在终端时刻再施加一个脉冲ΔV2，使其精确到达目标状态并实现速度匹配。在CW方程框架下，这个问题有解析解。

利用CW方程的状态转移矩阵Φ(t)，我们知道X_f = Φ(T) * X_i + ∫ Γ(τ) * u(τ) dτ，其中T是转移时间。对于脉冲控制，u(τ)是狄拉克δ函数，积分结果就是速度增量。通过这个关系，可以直接解出所需的两个脉冲ΔV1和ΔV2。这个解是近似的，但在近距离、短时间转移中非常有效，计算量极小，常用于在线快速重规划。

4.2 多脉冲优化与燃料最优

两脉冲解不一定是最省燃料的。为了寻找燃料最优（总|ΔV|最小）或时间-燃料综合最优的轨迹，就需要引入优化算法，进行多脉冲规划。

问题建模：

1. 决策变量：通常是一系列脉冲施加的时刻t_k和对应的速度增量矢量ΔV_k。
2. 动力学约束：状态演化必须服从CW方程。这可以通过状态转移矩阵方便地写成线性等式约束。
3. 边界约束：初始状态X_i和终端状态X_f。
4. 路径约束：例如，避免进入一个以目标为中心、半径为R的“安全球”（Keep-Out Sphere），即要求sqrt(x^2+y^2+z^2) >= R。这是一个非线性约束。
5. 目标函数：最小化总速度增量J = Σ |ΔV_k|（燃料最优）或J = Σ ΔV_k^T ΔV_k（能量最优）。

求解方法：

• 直接法：将连续时间问题离散化，把状态和控制量在离散时间点上都作为优化变量，将微分方程约束转化为代数等式约束，最终形成一个大规模的非线性规划（NLP）问题。然后用序列二次规划（SQP）或内点法等求解器（如SNOPT、IPOPT）来解。这种方法功能强大，能处理各种复杂约束，但计算量较大。
• 间接法：利用庞特里亚金极大值原理，推导出最优控制必须满足的一阶必要条件（协态方程、横截条件等），将问题转化为两点边值问题（TPBVP）来求解。这种方法能得到理论上的最优解，但对初值非常敏感，推导复杂。

在工程实践中，对于CW方程这样的线性系统，常采用凸优化方法。通过一些技巧（如将非凸的禁飞区约束进行线性化近似，或将燃料最优中的L1范数用线性规划处理），可以将问题转化为二阶锥规划（SOCP）或线性规划（LP），然后用内点法高效、可靠地求解。这可能是当前项目中“轨道规划”模块的高级功能。

注意事项：无论用哪种方法，规划出的轨迹必须用高精度轨道动力学模型（如包含J2项摄动）进行复核仿真。因为CW方程是简化模型，规划出的开环轨迹在实际摄动影响下会偏离。通常的流程是：用CW模型快速规划出一条基准轨迹，然后以此作为初值，送入高精度模型中进行闭环仿真或进一步优化校正。

5. 项目实战：搭建仿真验证环境

一个完整的“CW.zip”项目，应该是一个能够将上述所有环节串联起来的仿真环境。下面我以一个典型的工程实现思路，来拆解这个项目可能包含的模块和实操流程。

5.1 仿真框架与模块划分

一个典型的仿真框架会包含以下模块：

1. 环境与参数配置模块：定义参考轨道参数（半长轴、偏心率、倾角等，对于CW通常偏心率设为0）、计算平均角速度n、设置仿真步长、总时长。
2. 动力学模块：
   • 高精度模型：包含地球非球形引力（J2, J3等）、大气阻力、太阳光压、第三体引力等摄动的轨道积分器（如Runge-Kutta 78）。它用于生成“真实”的航天器轨道，作为衡量导航与控制性能的基准。
   • CW模型：基于CW方程的线性动力学模型，用于GNC算法中的状态预测和控制律设计。
3. 导航模块：实现EKF或其他滤波器。输入是“传感器”从“真实”轨道添加噪声后生成的模拟量测数据，输出是对相对状态的估计值。
4. 控制与规划模块：
   • 控制器：实现LQR或PD控制律，根据导航模块提供的状态估计和期望状态，计算连续控制加速度或脉冲指令。
   • 规划器：根据任务目标（如从对接初始点转移到最终对接点），调用两脉冲或多脉冲规划算法，生成一条参考轨迹和对应的控制脉冲序列。
5. 执行机构与传感器模块：
   • 执行机构：将控制指令（加速度或ΔV）转化为实际的推力，并考虑推力器安装偏差、最小脉冲、延迟等效应。
   • 传感器：模拟GPS接收机、星敏感器、雷达、相机等，根据“真实”相对状态生成带噪声和误差的观测数据。
6. 可视化与日志模块：实时或事后绘制相对轨迹、状态误差、控制量、燃料消耗等曲线，并记录所有数据用于分析。

5.2 核心实现步骤与代码要点

假设我们使用Python（因其在算法原型验证上的高效性）来构建核心部分。

步骤一：定义CW方程动力学

import numpy as np class CWDynamics: def __init__(self, n): self.n = n # 平均角速度 (rad/s) def state_transition_matrix(self, dt): """计算CW方程的状态转移矩阵 Phi(dt)""" nt = self.n * dt cos_nt = np.cos(nt) sin_nt = np.sin(nt) Phi = np.zeros((6,6)) # 位置-位置部分 Phi[0,0] = 4 - 3*cos_nt Phi[0,1] = 0 Phi[0,2] = 0 Phi[0,3] = sin_nt/self.n Phi[0,4] = 2*(1-cos_nt)/self.n Phi[0,5] = 0 Phi[1,0] = 6*(sin_nt - nt) Phi[1,1] = 1 Phi[1,2] = 0 Phi[1,3] = 2*(cos_nt-1)/self.n Phi[1,4] = (4*sin_nt - 3*nt)/self.n Phi[1,5] = 0 Phi[2,0] = 0 Phi[2,1] = 0 Phi[2,2] = cos_nt Phi[2,3] = 0 Phi[2,4] = 0 Phi[2,5] = sin_nt/self.n # 速度-位置部分 (行4-6对应状态索引3-5) Phi[3,0] = 3*self.n*sin_nt Phi[3,1] = 0 Phi[3,2] = 0 Phi[3,3] = cos_nt Phi[3,4] = 2*sin_nt Phi[3,5] = 0 Phi[4,0] = 6*self.n*(cos_nt-1) Phi[4,1] = 0 Phi[4,2] = 0 Phi[4,3] = -2*sin_nt Phi[4,4] = 4*cos_nt - 3 Phi[4,5] = 0 Phi[5,0] = 0 Phi[5,1] = 0 Phi[5,2] = -self.n*sin_nt Phi[5,3] = 0 Phi[5,4] = 0 Phi[5,5] = cos_nt return Phi def propagate(self, state, dt, accel=np.zeros(3)): """使用状态转移矩阵传播状态， accel为控制加速度""" Phi = self.state_transition_matrix(dt) # 控制输入矩阵 Gamma (近似，对于小dt和常值accel) # 更精确的Gamma需要积分，这里用简单近似 Gamma = np.zeros((6,3)) Gamma[0:3, :] = 0.5*dt**2 * np.eye(3) Gamma[3:6, :] = dt * np.eye(3) new_state = Phi @ state + Gamma @ accel return new_state

步骤二：实现LQR控制器

from scipy.linalg import solve_continuous_are class LQRController: def __init__(self, dynamics, Q, R): self.dynamics = dynamics self.n = dynamics.n # 构建CW系统的连续时间状态空间矩阵 A, B A = np.zeros((6,6)) A[0,3] = 1; A[1,4] = 1; A[2,5] = 1 A[3,1] = 2*self.n; A[3,0] = 3*self.n**2 A[4,0] = -2*self.n A[5,2] = -self.n**2 B = np.vstack([np.zeros((3,3)), np.eye(3)]) # 求解连续时间代数Riccati方程 P = solve_continuous_are(A, B, Q, R) # 计算最优反馈增益矩阵 K self.K = np.linalg.inv(R) @ B.T @ P def compute_control(self, state, desired_state): """计算控制加速度""" error = state - desired_state u = -self.K @ error return u # 返回 [a_x, a_y, a_z]

步骤三：搭建闭环仿真流程

def closed_loop_simulation(): # 1. 初始化 n = np.sqrt(3.986e14 / (6771e3**3)) # 约500km圆轨道角速度 dyn = CWDynamics(n) Q = np.diag([1e4, 1e4, 1e4, 1e2, 1e2, 1e2]) # 更看重位置误差 R = np.eye(3) * 1e3 # 控制权重 controller = LQRController(dyn, Q, R) ekf = ExtendedKalmanFilter(...) # 假设EKF已实现 # 初始状态：在目标后方1000米，径向偏离100米 state_true = np.array([100, -1000, 50, 0, 0, 0]) state_est = state_true + np.random.randn(6)*10 # 带初始误差的估计 desired_state = np.zeros(6) # 期望对接点 dt = 1.0 # 仿真步长1秒 sim_time = 3600 # 仿真1小时 history = [] for t in np.arange(0, sim_time, dt): # 2. 导航：基于上一周期控制后的“真实”状态生成模拟量测，EKF估计 measurement = simulate_sensor(state_true) # 添加噪声 state_est = ekf.update(state_est, measurement, dt) # 3. 控制：基于估计状态计算控制量 control_accel = controller.compute_control(state_est, desired_state) # 4. 动力学：用高精度模型（此处简化为CW+噪声）推进真实状态 # 真实动力学可能包含未建模扰动，用过程噪声模拟 process_noise = np.random.randn(6) * 0.01 state_true = dyn.propagate(state_true, dt, control_accel) + process_noise # 5. 记录数据 history.append({'t': t, 'true': state_true.copy(), 'est': state_est.copy(), 'control': control_accel.copy()}) # 6. 后处理与绘图 plot_trajectories(history) plot_errors(history) plot_control_history(history)

6. 常见问题与工程实践陷阱

在实际使用CW方程进行相对导航控制与规划时，会遇到许多理论仿真中不明显的问题。

6.1 模型误差与滤波器发散

问题：CW方程是线性化模型，忽略了J2摄动、大气阻力等。在长时间仿真或相对距离较大时，模型误差会成为过程噪声的主要部分，如果EKF中预设的过程噪声协方差Q太小，滤波器会“过于相信模型”，导致估计误差越来越大，最终发散。

解决：

1. 自适应滤波：使用Sage-Husa自适应滤波或强跟踪滤波器，在线估计并调整Q或R矩阵。
2. 增大过程噪声：根据经验，在Q矩阵中适当增加位置和速度状态对应的噪声方差，特别是对于沿迹方向（y），因为J2摄动对沿迹方向的漂移影响显著。
3. 定期重置：在工程上，有时会采用相对GPS等绝对测量信息，定期对相对导航滤波器进行校正或软重置。

6.2 控制饱和与执行机构误差

问题：LQR计算出的控制加速度可能是连续的，但真实航天器的推力器只能提供有限大小、离散的脉冲。直接将连续加速度指令送给推力器模型会导致控制性能下降，甚至失稳。

解决：

1. 脉冲调制：设计脉冲调制器（如PWPF脉宽脉频调制器），将连续指令转化为一系列开关指令，驱动推力器工作。
2. 考虑死区和最小脉冲：在控制律设计或规划时，就考虑推力器的最小点火时间和最小冲量，避免发出无法执行的指令。
3. 指令限幅：在控制器输出端增加限幅环节，确保指令在推力器的实际能力范围内。

6.3 禁飞区（Keep-Out Sphere）约束处理

问题：在最终逼近段，为了保证安全，要求追踪器不能进入一个以目标为中心的球形区域。这是一个非凸约束，在优化问题中处理起来比较麻烦。

解决：

1. 线性化近似：在禁飞球边界上线性化约束，将非凸约束转化为一系列线性不等式约束。这种方法在轨迹离禁飞区较近时有效，但需要迭代或序列凸优化。
2. 势函数法：在控制律中引入人工势场，当追踪器靠近禁飞区时，产生一个排斥力。这种方法简单，但可能使问题非线性化，并可能引入局部极小点。
3. 路径点约束：在规划时，强制要求轨迹通过某些特定的安全点，从而绕开禁飞区。这需要合理选择路径点。

6.4shake6s2的含义推测与测试

项目名中的shake6s2很有可能是为了测试系统鲁棒性而引入的特定扰动场景。

• shake：可能指抖动、扰动。例如，模拟航天器结构挠性振动对质心运动的耦合，或者模拟推力器点火引起的姿态抖动对相对测量的影响。
• 6s2：可能指“6状态，2阶”扰动。一种合理的解释是，在标准的6状态（位置速度）CW模型基础上，引入了2阶的扰动加速度。例如，J2摄动在LVLH坐标系下的表达式可以展开到二阶项；或者，s2可能代表噪声功率谱密度在某个频段（如2Hz）有突出成分，模拟特定频率的振动干扰。

在仿真中实现它，可能是在动力学模型里额外添加一个特定的扰动加速度项，或者在传感器量测中注入一种相关性的噪声（区别于白噪声）。测试的目的，就是看导航滤波器能否在这种有特色的扰动下保持稳定的估计，以及控制器能否依然稳定收敛。

7. 从仿真到现实的鸿沟与填补

最后必须强调，基于CW方程的仿真到真实在轨应用，中间还有巨大的鸿沟需要填补。仿真给我们提供了算法原型和性能预期，但真实世界要复杂得多。

1. 时间延迟：从传感器测量、到数据处理、到滤波解算、到控制律计算、再到指令上传和执行，存在不可忽略的时间延迟。必须在仿真中引入这些延迟环节，测试系统的相位裕度。
2. 测量异常与故障：传感器可能跳点、丢失目标、甚至暂时失效。滤波器需要具备故障检测与隔离（FDI）能力，或者采用多源信息融合（如视觉+雷达）提高鲁棒性。
3. 燃料管理与姿态耦合：轨道控制消耗燃料，改变质心，影响转动惯量。大的轨控脉冲可能需要姿态机动配合。这是一个轨控与姿控耦合的问题，更复杂的仿真需要六自由度（6-DOF）联合仿真。
4. 地面验证：在算法上天之前，必须经过桌面仿真、半物理仿真（硬件在环）、闭路仿真等多个层次的充分验证。CW.zip这样的项目，往往是这一系列验证工作的起点和核心算法库。

这个项目包的价值，就在于它提供了一个干净、清晰的算法框架，让我们能够聚焦于相对导航、控制与规划的核心原理，并在此基础上，逐步增加复杂度，向真实的工程系统迈进。理解并熟练运用CW方程及其衍生方法，是每一位从事航天器近距离相对运动工作的工程师的基本功。

本文还有配套的精品资源，点击获取