空间目标快速轮廓特征提取与跟踪技术

为满足空间目标交会对接任务中高精度、快速的测量要求,提出了一种空间目标快速轮廓特征提取与跟踪技术。该算法首先从初始帧图像中分割定位目标所在局部区域,作为目标连续跟踪的初始值；其次基于初始帧目标局部区域完成对初始帧目标边缘特征的检测及细化处理；最后采用Hough变换完成对初始帧目标边缘的检测及细化后的局部图像轮廓直线的提取,分别选取目标轮廓四方向最优的直线参数作为最终目标轮廓直线获取的效果,并采用梯度最大法则实现两两求交获取的轮廓特征的优化提取。在目标逼近过程中,结合相邻帧图像间目标尺度动态变化的关联性,根据初始帧提取目标轮廓特征的先验信息,确定目标在第二帧图像中的轮廓位置,并依次根据上一帧图像的轮廓位置信息定位目标在当前帧所在的区域,通过局部处理实现序列图像轮廓区域特征的连续跟踪。该算法无需遍历整个图像,所需处理的目标区域大幅减小,能够有效克服由目标图像较多边缘干扰导致的轮廓提取效果差及处理速度慢的缺点,具有速度快、准确性强、稳定性高等优点。     

失效卫星远距离相对位姿估计与优化方法

针对远距离非合作慢旋目标位姿估计精度问题，提出一种融合图像超分辨与视觉SLAM的相对位姿估计方法。算法主要包含3个步骤：通过梯度引导生成式对抗超分辨技术，提升目标图像的质量以获取更多更高质量的特征点；构建特征数据库实现当前帧与特征数据库的匹配，提升旋转目标的特征跟踪稳定性；利用图优化对多帧图像进行联合位姿优化，消除累计误差，得到更为精确的估计结果。为稳定网络的训练，将自然进化算法引入到对抗训练中。为增强模型的泛化性和鲁棒性，实验中的数据集采用半物理仿真获得。实验结果表明，当等效距离为25 m且失效卫星以25（°）/s的速度旋转时，目标图像经超分辨网络增强后，能够实现连续稳定的长时间测量。     

空间失效慢旋卫星视觉特征跟踪与位姿测量

空间碎片或者失效卫星往往绕其惯性主轴做自旋运动，虽然处于一种稳定状态，但是对其运动状态测量的难度相比三轴稳定目标而言又增加了许多，主要体现在复杂光场环境下和目标观测面周期性进出视场引起的特征点丢失、尺度变化和旋转变化，以及长时间连续观测引起的累积误差增大、位姿解算不收敛等难题。通过构建优化目标特征数据库，将传统测量方式中前后帧的匹配转变为当前帧与特征数据库的匹配和特征点的优化，即使中间过程帧出现了偏差仍然可以较好地跟踪后续图像帧的正确位置。在李代数空间下建立位姿向量微分扰动方程，获得测量值与估计值的残差目标函数，基于贝叶斯法则最大后验概率和李群与李代数的对指变换法则，求取位姿向量最优解。解决了李群空间下由于位姿变换矩阵不可加性而无法优化的问题，提高了连续测量过程中系统的测量精度。实验结果表明，无优化测量方法无法保证整个旋转周期的有效测量；通过增加位姿优化过程，连续稳定测量时间明显延长，针对以12（°）/s自旋运动的目标，测量稳定段误差在2°以内，旋转角速度测量误差为0.12（°）/s。     

非合作目标智能感知技术研究进展与展望

智能感知是实现航天器在轨精细化操控过程的关键技术，是在轨服务技术智能化的重点发展方向之一。空间目标智能感知包括位姿测量、三维重建与部位识别等关键技术，涉及小样本、多模态、模型适应与高维数据等问题。从工程应用角度出发，对非合作目标智能感知技术的研究现状进行系统的梳理与总结。首先，总结典型非合作在轨感知系统与光学敏感器技术的发展现状；其次，归纳总结了非合作目标智能感知涉及的关键技术；最后，基于研究现状总结和关键技术分析，探讨了非合作目标智能感知目前存在的主要问题，并给出后续发展的建议。     

高超声速飞行器纵向系统鲁棒协调控制器设计

飞行器在高超声速阶段，强非线性耦合与不确定性问题给飞行控制系统的设计带来了巨大的挑战。为了研究高超声速飞行器纵向控制系统中的间耦合关系，基于高超声速纵向非线性模型，对其状态变量组与输入变量组进行了耦合采样分析。同时考虑到系统的不确定性提出了一种分层鲁棒协调控制策略。对高超声速纵向的高度和速度子系统设计鲁棒与耦合补偿控制器，对姿态子系统设计鲁棒与耦合转换控制器。利用Lyapunov稳定性理论来分析整个闭环系统的稳定性。仿真表明该控制方法可以有效的应对纵向系统间的强耦合问题。     

低照度小样本限制下的失效卫星相对位姿估计与优化

低照度图像信息受损严重，会导致失效卫星的位姿估计精度和鲁棒性降低。基于此，提出了无监督生成式对抗网络低照度图像增强模型。生成器以U-Net网络为基础，并设计密集残差连接结构。判别器设计为全局-局部的双辨别器结构，由传统的单一标量扩展为多标量判别。在小样本的条件下，基于进化训练与并行训练方式改进基于SinGAN的数据增广方法。最后，在基于ORB-SLAM位姿初始化的基础上，建立特征信息的局部地图，克服位姿估计对参考帧的依赖；通过关键帧ROI的稠密匹配，建立关于平面法向量和单目相机安装高度的非线性优化模型求解尺度因子；通过闭环检测后的相似性变换，构建关键帧集合的联合位姿图优化方程，实现对位姿矩阵的全局校正。实验结果表明：测量稳定后，低照度图像的姿态角误差最大值为4°，而图像增强后的姿态角误差最大为0.5°；对于以角速度20°/s运动的失效卫星旋转5周，相对静止下的跟踪测量为5周，1 m水平方向机动下的跟踪测量为4.5周。可以满足失效卫星相对姿态测量的任务需求。     

非合作慢旋目标即时状态位姿确定

对失效卫星等非合作慢旋目标进行在轨服务，需要精确测量追踪航天器与目标之间的姿态信息。因此，如何在复杂的光照条件下快速、准确地对非合作慢旋目标进行即时状态位姿确定具有一定的挑战性。应用ORB-SLAM技术，首先定位关键帧，并估计姿态。然后用当前帧的特征点与地图点对应的特征点进行匹配。最后，将完成匹配的特征点通过重投影确定其在地图中的位置，如果出现跟踪丢失，则根据已有的地图点估计姿态。实验结果表明：在复杂的光照条件下，分别对以10(°)/s角速度运动和以3(°)/s角速度运动的非合作目标进行测量，当测量稳定后，平均角速度误差约为0.1(°)/s和0.02(°)/s，可以满足工程上空间非合作目标相对姿态测量的精度要求。     

基于改进Faster R-CNN的失效卫星部件检测方法

基于光学图像对失效卫星部件的精确检测可以为失效卫星的定位与捕获等任务提供支撑。然而,失效卫星部件多为密集小目标,且其光照条件变化较大,这导致一般主干网络出现特征表征分辨率低,小目标漏检等问题。针对上述问题,提出了一种基于改进Faster R-CNN的失效卫星部件检测方法。该方法在Faster R-CNN的基础上,融合高分辨网络构建新的特征提取主干网络,以获得可靠、高分辨率的特征表达式。其次,在模拟真实空间环境的条件下,利用1：1的嫦娥卫星模型构建了一个信息丰富的失效卫星数据集。用该数据集进行验证,结果表明：本文方法的平均精度为93.6%,其与Faster R-CNN和Cascade R-CNN相比,对小部件检测的准确率与召回率分别平均提高了9.8%与5.4%。该方法可有效检测失效卫星部件。     

空间变化场景下卫星部组件域适应识别研究

针对小样本限制下卫星部组件识别域适应困难的问题,提出一种变化场景下自适应迁移的目标识别算法.卫星部组件的识别模型框架为YOLO,迁移算法包括3个策略:基于特征关联性的样本加权策略,基于模型的参数自适应策略和最优特征变换自适应迁移策略.基于以上策略,YOLO模型建立域特征空间的相似性,选择性地迁移源域知识,同时在适应过程...     

基于飞行时间相机的非合作慢旋卫星稠密重建研究

针对非合作慢旋卫星的模型重建问题，提出基于飞行时间(time-of-flight, TOF)相机和同时定位与制图(simultaneous localization and mapping, SLAM)的稠密重建方法。基于预先检测与自适应阈值方法提高旋转提取与描述(oriented fast and rotated brief, ORB)的特征尺度适应性。利用运动度量方法选取关键帧。利用子模型拼接方法加快重建效率。利用仿真环境制作非合作慢旋卫星的数据集。仿真实验结果表明:该方法能够实现长时间稳定地工作，可在3 min内重建出卫星模型的稠密点云，点云密度大于5 000，重建误差小于5 cm。利用机械臂、卫星模型及光学暗室搭建半物理实验系统，表明算法的精度及抗噪声能力基本满足非合作目标感知的任务的需求。