基于点云深度学习的对称结构空间目标相对位姿测量

针对对称结构空间目标相对位姿解算过程中点云误匹配带来的误差问题，提出一种基于点云深度学习的对称结构空间目标相对位姿测量方法。首先设计空间目标点云特征提取网络及关键点回归网络，将位姿测量问题转换为空间目标点云关键点回归问题，通过两个并行的回归网络分别输出空间目标平移向量和具有固定标签的目标点云三维边界框角点；其次利用具有连续稳定标签的角点求解目标姿态，可有效解决目标的对称结构导致的点云误配准问题；最后通过仿真数据集的实验表明，该方法相比于传统的点云配准方法有更高的准确率，能够精确求解具有对称结构的空间目标相对位姿。     

基于SoftPOSIT算法的单目视觉非合作目标相对位姿估计

针对模型尺寸已知的非合作目标,在目标三维特征点和图像二维特征点坐标已知但匹配关系未知的条件下,对基于SoftPOSIT算法的非合作目标航天器间相对位姿估计方法进行了研究。SoftPOSIT算法将解决匹配的Softassign和解决位姿的POSIT两种迭代方法融入一个迭代循环,建立全局目标函数,最小化目标函数就可在获得服务航天器与目标航天器相对位姿的同时确定三维点与二维点间的匹配关系。仿真结果表明由SoftPOSIT算法所得位态精度很高,算法正确有效。在不同条件下用该算法对某卫星位姿进行估计,发现算法的相对位置估计精度随目标与服务航天器相对距离增大而提高,而相对姿态角对估计精度的影响较小。     

高轨失稳目标单载荷相对位姿测量方法

针对线阵扫描型激光雷达在探测高轨失稳目标过程中,发生时空非定常点云数据畸变,而需多载荷协同方式测量相对位姿问题,提出一种激光雷达同向差分扫描测量方法。该方法基于运动目标畸变点云信息瞬时拓扑结构不变性,首先对相邻两次扫描的畸变点云进行配准来获取目标运动增量、解算目标瞬时运动参数。其次,逐条恢复畸变扫描线点云所处目标真实几何位置、完成目标三维重建。然后以目标三维模型为初始位姿基准,通过设定增量次数阈值不断更新位姿基准实现误差自标定。最后通过叠加位姿增量获取目标相对位姿。该方法在缺失非合作目标先验信息的情况下,仅使用单一载荷,不仅实现了目标三维点云模型的重建,而且精确测量了空间非合作目标相对位姿。     

改进PointNetLK的点云智能配准与位姿图优化方法

针对空间在轨服务任务中的非合作目标相对位姿测量问题,提出一种目标可测部位点云的智能配准方法。首先,通过Straight Through滤波算法对半物理仿真平台采集得到的点云进行目标提取,以消除背景数据等杂乱信息;其次,改进PointNetLK神经网络点云配准算法,将提取后的点云数据作为输入,从而获得初步配准结果,解决非合作目标先验信息缺失导致的无法配准问题;最后,建立基于位姿图的优化模型,以降低配准误差,提高配准精度。实验结果表明,与传统迭代最近点(ICP)算法相比,配准综合误差从6.3598降低到1.7291,精度提高约 72.81% 单次耗时从33.16 s降低到4.2 s,效率提升约87.33%,与当前SM ICP等其他算法相比,也具有一定的优势。     

GEO非合作目标超近距相对位姿视觉测量

提出一种基于几何特征综合匹配的双目超近距相对位姿视觉测量方法。首先,将失效卫星的矩形太阳帆板作为几何特征,采用综合匹配方法实现了双目图像的高精度匹配,随后基于几何特征指标参数判别和ROI检测方法,实现了卫星太阳帆板特征点组的识别与提取,在此基础上,进一步建立了目标坐标系,通过三维重建完成了超近距阶段失效卫星的相对位姿高精度解算。最后建立了高精度双目视觉超近距相对测量实验系统,结合所提出的综合匹配算法和相对位姿解算方法,完成了动态非合作目标的相对位姿测量实验,实验结果说明所提出的方法具有较好的实时性和较高的精度。     

空间非合作目标超近距离位姿测量技术研究

对一种基于显著特征点的空间非合作目标超近距离位姿测量技术方案进行了研究。给出了方法的流程。介绍了非合作目标捕获与跟踪、特征提取、特征匹配、三维结构重建、相对位置与相对姿态测量等关键技术。仿真结果验证了其可行性。     

空间失稳目标线阵成像畸变分析与三维重建

针对线阵扫描型激光雷达在非合作失稳航天器三维模型重建过程中，存在运动目标线扫数据畸变且目标因失稳导致运动特性难以准确估计问题，提出一种带畸变自修正式三维重建方法，并进行畸变容忍度临界值分析。该方法基于测量系统的角精度与测距精度设计畸变容忍度临界值判定条件，首先根据实际工况与判定条件进行比对，判定是否对线扫数据进行初始畸变恢复；其次，对相邻扫描带畸变点云依次进行配准获取目标运动增量、解算目标瞬时运动参数；然后对目标运动参数进行自修正式处理，去除特征突变点干扰；同时依次恢复点云到初始几何位置，完成初始目标三维重建；最后，通过系统进一步迭代，位姿增量自收敛直至最终满足重建精度要求。仿真结果表明，该方法在缺失非合作目标先验信息的情况下，能够有效避免因线扫描导致的畸变问题，并较为快速地实现满足精度要求的目标三维重建，有较强的鲁棒性。     

基于主动特征选择的非合作航天器鲁棒视觉导航方法研究

面向非合作目标航天器近距离操作任务,针对采用自然特征的单目视觉相对位姿参数确定过程中特征提取与匹配导致的粗大误差增加导致结果不准确甚至错误,以及特征数量多增大计算量等问题,提出一种融合随机采样一致性(RANSAC)算法和主动特征选择的鲁棒视觉导航方法。用RANSAC算法剔除有粗大误差的特征点,给出了基于RANSAC的特征点选择步骤;根据不同特征点组合所计算的克拉美罗(CRLB)不同,用参数化CRLB下限选择对位姿确定精度有显著影响的点以减少参与计算的特征数量,给出了基于CRLB的特征点选择流程。仿真结果表明:综合RANSAC和CRLB的特征点选择方法可显著减少特征点数量,提高了位姿解算精度。     

基于2D/3D多特征融合的近距离空间非合作目标相对测量方法

面向空间在轨服务重大应用需求,以提高系统自主性和空间环境适应性为目标,发展了一种空间非合作目标三维重建、目标识别和位姿估计一体化的近距离相对测量方法。该方法基于二维图像信息和深度数据,通过数据融合并重建出非合作目标的稠密三维模型,接着基于快速迭代最近点配准算法,提出基于SIFT和SHOT特征融合的三维识别方法,为系统的相对位姿估计提供有效的参数初始化。本文方法可进一步减少地面的干预,增强在轨服务系统的自主性,扩展系统的工作范围。地面仿真实验验证了该方法的可行性和有效性。     

非合作目标超近距离光学相对导航方法及半物理仿真系统研究

针对非合作目标研究了一种可实时应用的超近距离相对导航方法,用相机主动获取目标飞行器图像,对图像进行预处理得到有效的边缘段信息。选取立方体卫星作为非合作目标的通用模型,用轮廓精化提取方法进行轮廓的三维重建,并给出了轮廓三维位置和姿态估计信息获取的具体步骤。建立了用四元数和相对欧拉角表示的追踪器与目标器相对姿态的轨道动力学模型,设计了基于衰减扩展卡尔曼滤波的相对导航算法。构建了一套基于运动导轨的半物理仿真系统,以验证算法的有效性和可行性。给出了仿真系统的硬件组成和软件功能。结果表明:所建仿真系统获得的相对距离10~0.5m内非合作目标相对位姿精度分别为0.03~0.15m,0.5°~1.5°,可用于非合作目标超近距离相对导航研究的相关验证;用所提方法可实现非合作目标的实时超近距离相对导航,能同时获得位姿及相关速度类导航信息,精度满足工程要求。该仿真系统在工程中有较大的应用价值。     

空间失稳目标线阵雷达成像机理及三维重建

利用线阵激光雷达载荷小、抗干扰能力强等优势，研究空间失稳目标动态测量技术。探究线阵激光雷达成像机理，建立空间失稳目标运动模型，提出基于双切片法的目标可测区域提取机制，实现线阵激光雷达对空间失稳目标的驻留观测扫描；以ICP(Iterative closest point)配准结果为先验信息，提出逆序重建方案，建立重建点云精度以及平均密度评价机制，分析数据冗余对重建精度的影响，采用采样降维的方法进行配准重建计算，提高重建结果精度；最后进行仿真实验检验分析，实验结果表明空间目标可测部位数据提取合理准确，数据输出频率可达 1 Hz ，重建结果满足任务指标要求，重建点云平均密度达到19 mm，重建点云精度达到90 mm，为地面验证及在轨应用提供数据支撑和参考。     

SpaceMocap：在轨人体运动捕捉系统

SpaceMocap是一套基于多RGB-D相机的计算机视觉航天员运动捕捉系统。地面准备阶段，扫描航天员模型，并分别标定彩色相机的内参数。在轨采集阶段，3~4台相机布置在舱内角落，同步采集航天员任务视频。地面处理阶段，通过相机外参数标定和ICP方法实现点云融合，采用深度神经网络对人体关节点位置进行检测并初始化位姿参数，再用改进的ICP方法进行位姿求精，实现序列图像中关节角度跟踪。本系统搭载TG-2升空，对SZ-11航天员的任务视频进行了采集和处理，首次获取了在轨航天员的姿态(包括中性体位)、占位空间、运动参数等重要数据。结果表明，运动捕捉的模型与点云具有良好的重合度，关节点位置与关节角度具有较高的跟踪精度。SpaceMocap是我国首个在轨运动捕捉系统，它小型、轻质，具有计算机视觉特有的非接触测量、直观、高精度优势，无需在人体上粘贴任何标志，具有良好的抗遮挡能力，完全适用于微重力、狭小空间环境下的在轨应用 。     

Vision-based pose estimation for cooperative space objects

Imaging sensors are widely used in aerospace recently. In this paper, a vision-based approach for estimating the pose of cooperative space objects is proposed. We learn generative model for each space object based on homeomorphic manifold analysis. Conceptual manifold is used to represent pose variation of captured images of the object in visual space, and nonlinear functions mapping between conceptual manifold representation and visual inputs are learned. Given such learned model, we estimate the pose of a new image by minimizing a reconstruction error via a traversal procedure along the conceptual manifold. Experimental results on the simulated image dataset show that our approach is effective for 1D and 2D pose estimation.     

一种新的无人机监控图像实时目标识别算法

提出一种新的无人机监控图像实时目标识别算法。首先将获取的无人机监控图像应用自适应阈值分割将其转换为二值图像。对二值图像进行形态学处理,定位潜在目标出现的位置。最后对潜在目标区域再次应用局部自适应阈值分割获取目标,同时给出每个目标的图像坐标位置。飞行试验表明该算法保证实时性的情况下,有较高的识别正确率。     

空间站脉冲编码被动式交会对接合作目标三维跟踪

针对空间站交会对接(RVD)过程中合作目标在视频中周期性发光的特点,提出基于累积帧差法的合作目标检测方法及相应的跟踪窗口确定方法,建立合作目标状态的识别机制。在跟踪过程中,针对均值漂移算法容易受到图像背景干扰产生较大跟踪偏差的问题,在光流计算的基础上,提出一种基于线搜索的二维跟踪算法。通过分析敏感器采集的视频,验证了文中提出的算法能够准确地检测和跟踪图像序列中的合作目标,进而结合像机位姿估计算法,连续地估计像机位姿在三维空间中的变化。     

太空非合作遥感卫星三维重建点云的平面滤波方法

受太空环境光照条件弱、卫星高速运动、卫星表面纹理匮乏等因素的影响,太空非合作遥感卫星的三维重建点云中往往会存在大量噪声,给太空非合作目标的准确探测带来了非常不利的影响。文章以非合作遥感卫星的形状特征作为先验知识,提出一种三维重建点云的平面滤波方法。针对点云噪声的不同特点,首先利用统计分析滤波方法消除离群离散点噪声;其次,利用改进的区域生长聚类方法,分割出点云模型中的平面结构与离群点簇噪声;然后,分别用RANSAC算法和最小二乘法对平面结构进行滤波,并将平面结构附近的噪声点垂直投影至平面内,去除模型表面噪声。实验结果表明,该优化方法可以有效去除非合作遥感卫星三维重建点云中的大部分噪声,得到卫星平面结构的光滑点云数据。     

面向自动驾驶仿真的虚拟LiDAR传感器建模

在自动驾驶仿真领域，虚拟传感器输出数据的精准度是仿真结果可靠性的重要保障。激光雷达（LiDAR）作为车辆环境感知的关键传感器，其采集的点云数据的准确性是实现车辆对三维环境理解的关键。但在虚拟环境中，通过3D渲染技术模拟的点云数据难以真实反映传感器在复杂工况下的变化规律。本文提出一种用于自动驾驶仿真的虚拟LiDAR传感器建模方法。该方法首先基于Unity 3D引擎构建LiDAR的几何测量模型。其次，结合真实传感器的衰变特性推导简化的LiDAR物理模型。最后，基于蒙特卡罗方法在随机模型上对仿真数据进行噪声模拟，从而实现高保真的LiDAR数据输出。所提出的方法可结合精细化的虚拟场景进行数据验证，实验结果表明：该方法能够有效地在虚拟环境下模拟LiDAR数据，从而应用于自动驾驶仿真算法验证过程。