1. 课程导入与GNC蒙特卡洛评估定位

航天器GNC（制导、导航与控制）系统是决定任务成败的核心分系统之一。它要在真实飞行中同时面对推力器安装偏差、陀螺零偏、星敏安装矩阵误差、大气密度摄动、风切变、质量特性不确定性、控制参数整定误差以及敏感器量测噪声等大量随机因素。若只用一组“标称参数”做一次确定性仿真，即使结果完全收敛，也无法回答“这套GNC方案在真实散布条件下有多大概率满足指标”这一工程问题。蒙特卡洛评估正是为回答该问题而建立的方法体系：它把不确定性显式建模为随机输入，通过大量独立抽样仿真，得到性能指标的统计分布，从而支撑方案取舍、参数整定与风险量化。

评估对象：从GNC回路到可量化指标

本课程评估的对象不是抽象的“GNC系统”，而是可被建模、可被注入扰动、可被观测的闭环回路。以姿态控制回路为例，其核心链路为：敏感器量测 → 导航滤波估计 → 制导律解算 → 控制律输出 → 执行机构动作 → 航天器动力学响应 → 再次被敏感器观测。蒙特卡洛评估要在这条链路的每一个环节上定义随机变量，并定义链路末端可观测的性能指标。

常见的评估指标包括：姿态稳定度（如滚动/俯仰/偏航角速度均方根）、姿态指向精度（三轴指向误差）、控制力矩峰值与推进剂消耗、太阳翼对日跟踪误差、轨道保持的位置偏差、以及任务级指标如成像质量、通信链路可用度等。指标必须可量化、可复现、可判定，否则蒙特卡洛结果无法形成工程结论。

蒙特卡洛方法在GNC评估中的角色

蒙特卡洛方法在GNC评估中承担三类角色。第一类是统计推断：给定输入分布，估计输出指标的均值、标准差、分位数与置信区间。第二类是灵敏度与贡献度分析：通过相关性分析或方差分解，识别对指标影响最大的误差源，指导工程上优先控制哪些偏差。第三类是风险量化与设计验证：以“满足指标的概率”替代“单次仿真是否通过”，为设计评审提供概率性证据。

需要强调的是，蒙特卡洛不是“多跑几次仿真”的同义词。它的有效性取决于三个前提：输入分布有依据、抽样方式合理、样本量足以支撑目标置信度。若输入分布拍脑袋给定，或样本量不足导致分位数估计不可信，则结果只是“看起来像统计”的伪结论。

课程学习路径与工程产出目标

本课程按“建模—抽样—仿真—统计—决策”的主线展开，共30章。前段建立概率与统计基础，明确随机变量、分布、置信区间与样本量之间的关系；中段进入GNC专业建模，分别处理敏感器误差、执行机构偏差、环境扰动、初始状态散布与质量特性不确定性；后段聚焦工程实现，包括拉丁超立方抽样、方差缩减、并行仿真调度、结果可视化与灵敏度分析；最后以典型姿态控制与轨道控制案例完成端到端评估。

学习完成后，应能独立完成一份可交付的GNC蒙特卡洛评估报告，其核心产出包括：

• 不确定性输入表：列出每个随机变量的物理含义、分布类型、分布参数、取值依据与单位；
• 评估指标定义表：列出指标名称、计算公式、采样窗口、合格阈值与判定规则；
• 仿真配置与运行记录：包括样本量、抽样方法、随机种子、单次仿真时长与步长；
• 统计结果与结论：指标分布直方图、分位数、达标概率、灵敏度排序与改进建议。

一个最小示例：姿态稳定度评估

为建立直观认识，给出一个简化示例。设某对地观测卫星在轨稳定模式下，评估滚动轴角速度均方根是否满足≤0.005°/s。随机输入取三项：陀螺零偏（正态，均值0，标准差0.001°/s）、飞轮摩擦力矩偏差（均匀，±5%额定值）、太阳光压力矩（正态，均值0，标准差为标称值的8%）。控制参数固定为标称增益。

若进行N=1000次独立仿真，每次仿真时长600s、步长0.01s，记录稳定段最后300s的滚动角速度并计算均方根。假设某次评估得到样本均值0.0038°/s、标准差0.0009°/s，则可用正态近似估计达标概率约为P(X≤0.005)≈0.91。该数值仅为示例说明，实际结果取决于模型与分布设定。若发现达标概率不足，可通过灵敏度分析定位主要贡献项，再决定是收紧陀螺零偏筛选、优化飞轮润滑，还是调整控制带宽。