[发明专利]一种基于深度学习的非合作目标相对位姿测量方法、系统

说明书

本发明公开了一种基于深度学习的非合作目标相对位姿测量方法、系统，通过仿真目标卫星图片及其对应的相对位姿信息构建数据集，其中仿真卫星图片包括覆盖全范围姿态的远距离目标卫星图片和模拟接近过程的近距离目标卫星图片；利用检测算法对图片进行卫星检测并裁剪缩放，得到检测图像，将仿真卫星图片输入到ResNet50残差网络中进行学习训练得到相对位置测量模型，将检测图像输入到ResNet50残差网络中进行学习训练得到相对姿态测量模型，其中相对姿态测量模型包括远距离测量模型和接近段测量模型；训练过程中的模型，通过预测结果与相对位姿标注信息的损失函数进行优化，由此获得的测量模型可以更高精度的对航天器进行相对位姿测量。

技术领域

本发明涉及航天技术领域，具体涉及一种基于深度学习的非合作目标相对位姿测量方法、系统。

背景技术

对空间合作目标、非合作目标的操控任务通常为以下空间活动：航天器间的交会对接、非己方卫星的近距离监视与检查、航天器模块的更换与燃料注入、失效航天器在轨捕获、太空垃圾的清除等。以上任务通常涉及主动和被动两个航天器，主动航天器称为追踪航天器，被动航天器称为目标航天器。空间操控任务成功的前提是获取目标航天器相对于追踪航天器的位置和姿态，即相对位姿信息，信息一般通过追踪航天器上的测量设备获得。获取目标航天器的相对位姿信息是整个测量的核心问题。

测量手段一般包括：GPS系统测量、激光雷达测量、微波雷达测量、视觉测量等。其中，视觉测量在成本、精度、体积、功耗等方面都具有优势，相对位姿可以通过算法较为方便的解算，是航天器间相对导航的首选。之前的视觉测量方法大多基于传统图像算法，基于深度学习的非合作目标相对位姿测量算法目前研究较少。

基于深度学习的计算机视觉技术在地面环境的位姿测量作为目前的研究热点以及未来的发展趋势，将其在太空环境中进行应用研究具有非常重要的研究价值。

现有的技术方案通常采用回归或分类的方法对相对位姿进行预测，如2020年发表的《Neural network-based pose estimation for noncooperative spacecraftrendezvous》设计了基于五个全连接层和三个分支的网络结构，第一个分支实现检测功能，原图片与检测后裁剪缩放的目标卫星图片分别通过其他两个分支的三个全连接层和设计的算法输出相对位姿；2020年发表的《In Deep learning for spacecraft poseestimation from photorealistic rendering》基于ResNet基线结构，设计两个分支，一个输出预测的位置，另一个预测姿态的分布概率拟合出相对姿态。以上算法虽然实现了相对位姿测量功能，但在工程应用环境考虑还有所欠缺，如目前太空环境可以采集RGB图像、接近段卫星主惯性轴平行等，没有充分利用工程条件与图片信息，精度不够高，而应用图片信息也会带来一系列的技术问题，距离实际应用还有待进一步研究。

发明内容

有鉴于此，本发明提供了一种基于深度学习的非合作目标相对位姿测量方法、系统，能够高稳定度、高精度地实现目标卫星相对位置和相对姿态的测量。

本发明的具体技术方案如下：

一种基于深度学习的非合作目标相对位姿测量方法，包括：

步骤一、构建包括仿真卫星图片和相对位姿标注信息的数据集；

所述仿真卫星图片包括覆盖全范围姿态的远距离目标卫星图片和模拟接近过程的近距离目标卫星图片；

步骤二、对所述仿真卫星图片进行卫星检测，得到检测框，对所述检测框内的图像信息进行裁剪缩放，得到检测图像；

步骤三、利用所述仿真卫星图片进行模型训练，得到相对位置测量模型；利用所述检测图像进行模型训练，得到相对姿态测量模型；所述相对姿态测量模型包括远距离测量模型和接近段测量模型；