[发明专利]一种基于脉冲神经网络的探测器着陆点定位方法

说明书

本发明公开了一种基于脉冲神经网络的探测器着陆点定位方法，包括以下步骤：对星体表面的陨石坑DEM数据进行预处理；采用基于人工神经网络模型ANN的U‑Net网络架构对训练集数据进行训练；将人工神经网络模型ANN的UNET转换为脉冲神经网络模型SNN的UNET模型；对图像进行编码，并采用基于SNN的UNET模型进行测试集检测；通过模板匹配算法，进行陨石坑匹配和定位，构建地形路标库，实现定位。本发明通过将脉冲神经网络首次应用于深空探测领域，通过识别陨石坑，实现探测器着陆点的定位。

技术领域

本发明属于航天器在深空探测任务中基于视觉的下降段自主导航技术领域，特别涉及一种基于脉冲神经网络的探测器着陆点定位方法。

背景技术

进入21世纪后，航天大国纷纷开展了一系列的深空探测任务，其中实现探测器在目标星体表面软着陆，确保设备和人员安全，是我国探索深空、发展航空航天技术的基础。通常情况下，探测器定位技术是通过地面测控站或者GNSS导航技术。然而在深空环境下，该技术存在较大的延迟，同时还会存在星体遮挡，阻断信号传输等问题，因此，自主安全着陆技术是未来探测器进行地外星体着陆的必要技术。

着陆点的精确定位是建立探测器工作坐标系的重要依据，为探测器后续导航以及科学探测提供位置信息，是探测器开展探测任务工作的重要前提。但由于地外天体的环境不可预知性，以及星体地面存在陨石坑或者岩石块等障碍物，都给探测器的安全着陆带来了巨大的挑战。目前常见的方法是：基于计算机视觉的着陆区定位技术，该技术在月球、火星、以及其他小行星探测任务中均得到应用。我国在嫦娥二号任务中利用降落相机图像、导航相机图像、以及数字正射影像对着陆点进行解算，但其定位结果是在探测器落月后数小时完成的；嫦娥三号结合甚长基线干涉测量技术进行着陆点定位；而嫦娥四号着陆区为月球背面，由于星体遮挡、传统测距、测速以及VLBI技术在探测器动力下降阶段无法使用，故采用计算机视觉方法在高精度图像和几何变换的基础上实现着陆区定位。但上述的方法都存在实时性问题。

与本发明最接近对方方法是基于地形路标库的着陆区定位技术，即通过卷积神经网络，识别下降阶段所获取的降落图像，通过识别图像中所包含的陨石坑以及岩石等障碍物，建立地形路标库，从而实现着陆点定位。但为提高模型的准确度，需要较深层的神经网络和大量数据集进行模型训练，会带来大量的能耗损失，同时也存在实时性问题。

发明内容

本发明提供一种基于脉冲神经网络的探测器着陆点定位方法，以解决目前已有的着陆点定位方法存在时延较大、准确度不高以及能耗较高的问题，通过使用脉冲神经网络，识别星体表面的陨石坑，从而实现着陆区定位。

为实现上述目的，本发明采用的技术方案为：

一种基于脉冲神经网络的探测器着陆点定位方法，包括以下步骤：

S1.对星体表面的陨石坑DEM数据进行预处理；

S2.采用基于人工神经网络模型(artificial neural network，ANN)的U-Net网络架构对训练集数据进行训练；

S3.将人工神经网络模型ANN的UNET转换为脉冲神经网络模型(SNN)的UNET模型；

S4.对图像进行编码，并采用基于SNN的UNET模型进行测试集检测；

S5.通过模板匹配算法，进行陨石坑匹配和定位，构建地形路标库，实现定位。

进一步的，所述步骤S1具体为：

S11.原始数据集为184320*61440像素，16bit/pixel，首先对其进行下采样(down-sampled)将其转换为92160*30720像素，8bit/pixel数据；

S12.将S11中的DEM图像随机裁剪成正方形区域，并通过下采样其转为256*256像素的数据集；