“没错，主要苏俄的进展太快了。
去年他们的东方3号和东方4号虽然不算是对接，但双航天器在轨，还是已经领先我们了。
至少他们能够通过精确的轨道参数，实现两个不同航天器在轨道层面的接近。
我们怀疑他们最早今年，最晚明年就能实现轨道对接。
我们应该要加快进度。”克拉夫特补充道。
林燃随手在黑板上写下方程：“各位，我们的核心问题是实时数学精度的不足。当前的轨道预报算法误差累积严重。让我们分解问题。”林燃指着黑板接着说道：“首先，轨道传播。现在用的是开普勒模型，短期内可以，但长时间模拟中摄动效应会让误差变大。我们需要升级模型，考虑地球扁率和大气阻力。”
突然，林燃说：“海恩斯，还记得我曾经教你的减小误差方法吗？”
海恩斯突然被提起，面露难色：“抱歉，教授，我不知道你指的是什么。
摄动算法好像解决不了这个问题。我们试过恩克法减少误差，但计算量太大，IBM7090撑不住。”
林燃微笑着说道：“恩克法是个好方向，但它太冗长了，你们可以考虑采用变步长龙格-库塔法优化。
步长在近地点小，远地点大，这样既提高精度又减轻计算负担。”
海恩斯若有所思，开始低头在自己的笔记本上演算起来，十来分钟后，他惊喜地抬起头：“这确实能节省不少时间！”
克拉夫特问道：“教授，但传感器数据融合仍是个问题，雷达和惯性导航常不一致。”
克拉夫特想着林燃难得来一次休斯顿，能多薅点羊毛就多薅一点。
作为和林燃共事过的NASA管理层，克拉夫特可是太清楚教授的本事了。
林燃在黑板上画出滤波器示意图：“这可以用卡尔曼滤波解决。它实时融合多源数据，减少噪声。
不知道的就和通用航天商量，他们那肯定有这技术的储备，另外可以用简化的最小二乘法先试试。”
海恩斯好奇问道：“卡尔曼滤波怎么在我们系统里实现？”
林燃解释道：“它分两步：先用轨道模型预测位置，再用传感器数据校正。能有效降低随机误差。”
克拉夫特思索道：“计算机能处理这些矩阵运算吗？”
林燃点头，一副理所当然的样子：“可以。预计算部分矩阵，用汇编语言优化代码，就能满足实时需求。”
克拉夫特接着问：“还有控制系统，推进器响应慢，常过冲。”
林燃写下反馈方程：“试试PID控制器。根据误差、累积和变化率调整推进器，能平滑动作，减少过冲。”
海恩斯想了想，问道：“PID比我们现在的比例控制器先进，但调试复杂吗？”