基于多尺度空谱特征提取的高光谱遥感图像重建

遥感高光谱图像(HSI)凭借其丰富的光谱信息被广泛地应用于军事、农业、地质等领域。然而,HSI成像因其成本高、传输难等问题限制了其应用规模。通过光谱超分辨(SSR)方法,可以实现输入高分辨率红绿蓝(RGB)图像生成相应的高光谱图像,有效地解决了HSI成本高与传输难的问题。但是,已有的SSR方法对于图像的空间特征提取与光谱之间的相关性关注仍有所不足。针对上述问题,本文提出了一种多尺度空谱特征提取方法,并在SSR领域引入组归一化(GN)方法,关注相邻光谱之间的相关性。同时,还借助条件生成对抗网络进一步优化网络的参数,提升生成图像的真实性,并在DFC2018 Houston数据集上进行实验。结果表明:本文提出的方法可以实现精准的高光谱图像重建,重建的高光谱图像相比当前先进的主流方法性能均明显提高,其中相比CanNet方法,均方根误差下降了48.3%,平均峰值信噪比上升了20.7%。     

基于条件生成对抗模型的遥感卫星影像重建技术研究

为了快速侦察未知区域的地貌信息，遥感卫星可对特定区域进行扫描以获取遥感卫星影像。当卫星经过国外未知区域时，部分卫星无法针对某特定区域进行长时间的驻留扫描，本文提出一种基于条件生成对抗网络模型（Conditional Generative Adversarial Network，CGAN）进行网络训练，前期将某方法获取的区域轮廓地形信息作为CGAN网络的生成网络和鉴别网络中的条件约束信息，通过网络生成器与判别器在训练过程中互相博弈产生特定的输出集，有效地实现由单张电子轮廓图像到对应卫星遥感图像的端到端的非线性映射。本文通过原真实卫星遥感图像与生成卫星遥感图像进行四种对比误差计算，平均误差、均方误差与结构相似度均高于99%，峰值信噪比高于30 dB，生成的图像与原图像之间具备高相似度，实现了在获取坐标定位轮廓信息的先验条件下，对特定区域进行遥感卫星影像内容重建技术。     

基于数据扩充和特征增强的雷达回波无人机检测

针对基于雷达无人机目标识别难度高、精确度低、适应性差等问题，本文提出了利用深度学习的方法，对雷达回波进行无人机检测。首先，利用相参累积的方法生成雷达回波的距离-多普勒图像，增强目标特征并提高信噪比;其次，采用生成对抗模型对距离-多普勒图像进行数据扩充，以获得充足的图像数据减小网络的过拟合并提高网络鲁棒性;最后，使用基于位置感知的卷积神经网络增强特征，通过构建基于距离-多普勒图像的感知模块，实现对目标距离和运动速度的检测。通过在雷达回波序列中弱小飞机目标检测跟踪数据集上验证的结果表明:最终检测结果在召回率89%的情况下达到了91%的准确率。相比于基准方法，本文提出的方案具有更高的检测精度和更好的网络运行效率。     

柔索牵引式力觉交互机器人工作空间分析

为了在地面上实现航天员的虚拟作业训练，基于柔索牵引式并联机器人，研究了与VR技术结合的柔索牵引式力觉交互机器人的力螺旋可行工作空间。建立平面柔索的静力学模型，分析竖直平面内4柔索3自由度末端执行器不同位姿及人机交互力下的力螺旋可行工作空间，对比分析了柔索牵引式力觉交互机器人在实际应用中交叉柔索不同布局方式、外力旋量和末端执行器不同结构参数对力螺旋可行工作空间的影响。确定了合理的柔索牵引式力觉交互机器人的力螺旋可行工作空间、合理的柔索布局、末端执行器的结构参数。因为柔索牵引式力觉交互机器人具有工作空间大、可以提供较大的力及力矩、刚度可变、安全性高、人机交互性强等优点，因此可以满足航天员虚拟作业训练的需求。     

多视场遥感图像虚拟焦面拼接理论误差分析

随着遥感对地观测技术的发展,对大视场、宽幅数据的需求日益增加,经常需要通过多幅遥感图像拼接来满足图像幅宽的要求。由多台相机同轨同时成像并拼接获取大幅宽遥感图像可以解决图像幅宽的问题。目前主要采用基于匹配的图像域拼接方法或根据成像几何关系生成虚拟拼接图像的方法获取宽幅图像。而生成虚拟拼接图像的方法物理意义明确且拼接后图像具有经典成像几何关系,成为图像拼接发展的趋势。文章根据同轨多视场图像虚拟焦面拼接原理,由摄影测量严格共线方程几何定位模型推导了多台相机不同视场图像的理论拼接误差计算公式,得出拼接误差的主要误差源;并仿真实验分析了拼接理论误差对图像拼接的影响,为多台相机拼接获取宽幅图像的设计和应用提供一定参考。     

跨传感器异步迁移学习的室内单目无人机避障

针对强化学习策略由仿真环境向实际迁移困难的问题，以提高无人机采用无深度信息单目视觉时的行人规避能力为目标，提出一种基于异步深度神经网络结构的跨传感器迁移学习方法。首先，在仿真环境中仅使用虚拟单线激光雷达作为传感器，通过基于确定性策略梯度(DDPG)的深度强化学习方法，训练得到一个稳定的初级避障策略。其次，用单目摄像头和激光雷达同步采集现实环境中的视觉和深度数据集并逐帧绑定，使用上述初级避障策略对现实数据集进行自动标注，进而训练得到无需激光雷达数据的单目视觉避障策略，实现从虚拟激光雷达到现实单目视觉的跨传感器迁移学习。最后，引入YOLO v3-tiny网络与Resnet18网络组成异步深度神经网络结构，有效提高了存在行人场景下的避障性能。     

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 。     

柔索驱动式航天员虚拟微重力训练系统控制与实验

针对现有的航天员地面微重力训练设备存在成本高、单次训练时间短、模拟精度低等问题,提出了一种柔索驱动的航天员虚拟微重力训练系统。通过采样航天员对作业对象的操作力,控制柔索驱动虚拟物体(末端执行器)运动,使虚拟物体符合在微重力环境中的运动规律。建立了柔索驱动训练系统的动力学模型,分析了系统的特性。针对传统力伺服系统多余力对控制力精度影响较大且难以克服的问题,提出了一种使用弹簧产生柔索张力的并联柔索全位置型控制方法,并引入力/速局部反馈的控制策略。实验结果表明,系统克服多余力效果明显,可以获得较高的驱动力控制精度;虚拟质量在操作力作用下的运动符合在微重力环境中的运动规律,且有较高的模拟精度;系统稳定性良好,可以实现微重力环境中移动不同质量物体的虚拟作业训练。     

舱外活动过程中代谢的评价

舱外活动（EVA）是现代空间任务必不可少的部分。在EVA期间，有如下大量的问题要解决：维修作业、实验研究、额外太阳电池的安装，桁架的装配和新设备的实验，以及使航天员自由移动的移动系统。航天员成功完成这些操作的结果已经表明：在空间站项目上通过提高EVA强度来提高轨道操作的效率是可能的，在EVA期间进行许多科学实验也是可行的。对EVA期间航天员行为的分析表明，到目前为止，航天员在外太空的工作仍然是航天员在太空飞行时完成的最危险的工作之一。安全和高效的EVA需要航天员EVA作业时代谢率或能量消耗的客观信息，以便进一步完善EVA技术和开发先进的设备。代谢评估还是一种控制EVA航天员工作效率和优化作息制度的有用方法。在EVA的时候，俄罗斯评价实时代谢率的二种方法如下：     

一种卷积神经网络非合作目标姿态测量方法

针对空间非合作目标姿态测量问题，提出一种基于卷积神经网络的非合作目标姿态视觉测量方法。该方法先设计特征提取网络并利用公开数据集进行预训练，用少量实际目标图像进行迁移学习，实现非合作目标图像高层抽象特征的自动提取；再设计基于回归模型的姿态映射网络，建立图像高层特征与三轴姿态角之间的非线性关系，实现非合作目标的姿态测量。实验验证了两类特征提取网络测量精度和参数量大小，测量精度可达 0.711° (1σ),表明了“单目相机+卷积神经网络”方法的可行性。