[发明专利]一种空间非合作目标位姿预测方法

权利要求书

1.一种空间非合作目标位姿预测方法，其特征在于，包括以下步骤：

步骤一、设计自回归高斯过程模型，建立自回归高斯过程多步预测的表达式；

步骤二、对非合作目标的位置进行预测：

根据轨迹三个方向的运动是相互独立的，将轨迹写为x，y，z三个独立变量，然后分别通过对三个变量进行高斯过程回归，用历史的位置进行未来位置的预测；

步骤三、对非合作目标的姿态进行预测：

将姿态看作分别绕三个轴相互独立转动的运动，使用欧拉角分别表示绕ZYX顺序转动的目标姿态，对未来某一时刻的欧拉角进行预测，得到未来某一时刻的姿态。

2.根据权利要求1所述空间非合作目标位姿预测方法，其特征在于，所述步骤一自回归高斯过程多步预测的表达式按照以下步骤进行建立：

由均值函数和协方差函数表示高斯过程：f(x)～GP(m(x),k(x,x′))；

上式中，m(x)是高斯过程的均值函数，k(x,x′)是高斯过程的协方差函数；

假设为输入数据，为输出数据，对于一个有噪声的数据集，观测模型为：

y_i＝f(x_i)+ω_i；

式中：为均值为零，协方差为的高斯白噪声，那么y_i与y_j之间的协方差写为：

cov(yi,yj)=k(xi,xj)+σω2δij;]]>

其中：δ_ij是克罗内克函数，当i＝j时δ_ij＝1，否则，δ_ij＝0；

k(x_i,x_j)＝<φ(x_i),φ(x_j)>是基于非线性映射φ的协方差函数，即机器学习领域的核函数；

将y_i与y_j之间的协方差关系式表示为矩阵的形式：

上式中，y为输出向量y＝[y₁ … y_n]^T，K为核矩阵，矩阵元素分别为：[K_ij]＝k(x_i,x_j)；

在新的输入为x_*的条件下，新的输出y_*表示为：

新的均值函数为：

使用这个均值作为新数据的预测值，而y_*的协方差函数为：

上式中，是已有数据和新数据x_*之间的协方差向量，[k_*]_i＝k(x_*,x_i)；

自回归高斯过程多步预测的表达式为：

y^t+h=fh(yt,yt-1,yt-2,...,yt-M+1).]]>