4. 浮标天线姿态对卫星链路丢包的影响分析

姿态数据与丢包记录的联合分析思路

本例要回答的问题不是“姿态是否影响链路”，而是“天线指向偏差在什么姿态区间内开始显著推高丢包率”。浮标姿态传感器给出横摇（roll）、纵摇（pitch）、航向（yaw）三个角度，天线波束相对卫星的指向偏差由这三者共同决定。分析的关键是把姿态角转换为指向偏差角，再与同期丢包率做分箱统计，找出丢包率抬升的敏感区间。

指向偏差的简化几何关系：设浮标天线设计指向在浮标坐标系中为天顶方向，卫星在浮标本地坐标系中的方向由仰角 El 和方位角 Az 描述。姿态旋转后，天线实际指向与卫星方向的夹角即为指向偏差 θ。工程上常用小角度近似：

θ ≈ arccos( cos(El)·cos(roll)·cos(pitch)
            + sin(El)·( sin(pitch)·cos(Az) + cos(pitch)·sin(roll)·sin(Az) ) )

实际分析中不必手推完整旋转矩阵，可直接用姿态四元数或欧拉角旋转矩阵把卫星单位矢量转到浮标天线坐标系，再取夹角。下面给出一个可运行的 Python 分析脚本，输入为姿态与丢包对齐后的 CSV。

可运行的分析脚本

import numpy as np
import pandas as pd

# 输入 CSV 列：timestamp, roll_deg, pitch_deg, yaw_deg,
#             sat_el_deg, sat_az_deg, loss_rate
df = pd.read_csv("buoy_attitude_loss.csv")
df["timestamp"] = pd.to_datetime(df["timestamp"])

def rot_x(a):
    c, s = np.cos(a), np.sin(a)
    return np.array([[1,0,0],[0,c,-s],[0,s,c]])

def rot_y(a):
    c, s = np.cos(a), np.sin(a)
    return np.array([[c,0,s],[0,1,0],[-s,0,c]])

def rot_z(a):
    c, s = np.cos(a), np.sin(a)
    return np.array([[c,-s,0],[s,c,0],[0,0,1]])

def pointing_error(roll, pitch, yaw, el, az):
    # 卫星方向在浮标本地水平坐标系中的单位矢量
    el_r, az_r = np.radians(el), np.radians(az)
    v_sat = np.array([np.cos(el_r)*np.sin(az_r),
                      np.cos(el_r)*np.cos(az_r),
                      np.sin(el_r)])
    # 姿态旋转：Z-Y-X 顺序，把本地水平系转到浮标体系
    R = rot_z(np.radians(yaw)) @ rot_y(np.radians(pitch)) @ rot_x(np.radians(roll))
    v_body = R.T @ v_sat
    # 天线设计指向为浮标体系 +Z
    cos_theta = np.clip(v_body[2], -1.0, 1.0)
    return np.degrees(np.arccos(cos_theta))

df["theta_deg"] = [
    pointing_error(r, p, y, e, a)
    for r, p, y, e, a in zip(df.roll_deg, df.pitch_deg, df.yaw_deg,
                             df.sat_el_deg, df.sat_az_deg)
]

# 按指向偏差分箱统计丢包率
bins = np.arange(0, 31, 2.5)
df["theta_bin"] = pd.cut(df["theta_deg"], bins, right=False)
stat = df.groupby("theta_bin", observed=True).agg(
    n=("loss_rate", "size"),
    loss_mean=("loss_rate", "mean"),
    loss_p90=("loss_rate", lambda x: np.percentile(x, 90)),
).reset_index()
stat["theta_mid"] = stat["theta_bin"].apply(lambda i: i.mid)
print(stat[["theta_mid", "n", "loss_mean", "loss_p90"]].to_string(index=False))

# 识别敏感区间：丢包均值超过基线 2 倍且样本量 >= 30
baseline = df.loc[df.theta_deg < 5, "loss_rate"].mean()
sensitive = stat[(stat.loss_mean > 2 * baseline) & (stat.n >= 30)]
print("基线丢包率:", round(baseline, 4))
print("敏感区间(θ 中点):", sensitive.theta_mid.tolist())

脚本输出两张关键表：分箱统计表给出每个指向偏差区间的样本量、平均丢包率和 90 分位丢包率；敏感区间判定用“超过基线 2 倍且样本量不少于 30”作为门槛，避免小样本区间误判。基线取 θ < 5° 的样本均值，代表天线基本对准时的链路本底丢包。

姿态敏感区间的判读

下图把分析链条和典型判读结果放在一起：左侧是姿态三轴与卫星方向合成指向偏差，中间是分箱统计，右侧是敏感区间的判定逻辑。图中数值为教学示例，用于说明判读方式，不代表真实浮标实测。

结果判读与工程用法

判读时先看分箱表的三列：样本量 n 确认区间是否可信，loss_mean 看整体抬升，loss_p90 看尾部风险。若某区间 loss_mean 已超基线 2 倍但 n 很小，应扩大数据窗口或放宽分箱宽度再复核，而不是直接下结论。示例中 θ ≥ 12.5° 的区间平均丢包率约为基线的 3 倍以上，且样本量充足，可判为敏感区间。

得到敏感区间后，可直接落到两个工程动作：一是把 θ 的敏感阈值写入浮标姿态告警逻辑，当横摇/纵摇组合使 θ 逼近阈值时提前降低发送速率或切换重传策略；二是把敏感区间作为后续过顶仰角分析的协变量，避免把姿态引起的丢包误归因于仰角。分析前务必确认姿态与丢包记录的时间戳已对齐到同一采样周期，否则指向偏差与丢包率的对应关系会被时间错位污染。