运动基航天飞行模拟器信号缩比策略

对于大幅值的输入信号,三阶多项式缩比法易产生信号畸变且参数配置复杂;而Hermite缩比函数法的触发速度较慢.提出两种改进的缩比方法:基于三阶多项式缩比法的最优参数配置法和加入线性缩比的非线性缩比法.前一种方法通过参数的优化配置最大化稳定区,以防止信号的畸变;后一种方法则利用线性缩比的特性将缩比度限制在稳定区内.仿真结果表明:线性缩比的加入可以防止三阶多项式缩比法信号的畸变;最优配置参数法应用方便且整体效果较好.为航天飞行模拟提供了更有效的缩比策略.     

视觉手势识别技术在航天虚拟训练中的应用研究

针对我国载人航天地面虚拟组装训练需求,研究了基于Kinect的视觉手势识别技术,提出了一种使用深度信息进行手势检测及分割的方法,采用手势图像轮廓曲率分析方法进行指尖检测,并结合Kalman滤波稳定跟踪指尖;同时自定义了几种组装所需的手势,根据图像的指尖特征进行特定手势识别。结合OpenNI、Nite和OpenCV,最终在VC2010环境下实现了航天虚拟组装训练系统。实验结果证明,该手势识别方法识别率较高,鲁棒性好,可应用于载人航天虚拟组装训练。     

运动基航天飞行训练模拟器信号缩比算法研究

当前运动基飞行模拟器对控制信号的缩比以三阶多项式缩比法为主,但其参数确定困难且当缩比幅度较大时易使信号出现较大畸变。而航天飞行模拟中常常会经历线加速度或角速度信号在较大幅值范围内的增大或减小,典型的如返回再入时的过载变化。针对此种情况,一种新的缩比算法——Hermite缩比函数法被提出。首先完善了Hermit缩比法关于最优参数理论的推导和证明;其次,引入变量“缩比度”,在实例仿真中比较了其对两种缩比方法的影响。结果表明,Hermite缩比函数法参数确定方便,其信号单调性的保持不依赖于缩比度的取值,更适合应用于缩比度变化较大的航天飞行模拟中。
     

基于靶标图像的航天员手控交会对接方法

根据国外的工程经验,在交会对接人工控制方式下,航天员通过靶标图像判断两飞行 器间的相对运动状态进而实施控制,本文根据俄罗斯人控模式下靶标模型建模仿真,从理论 分析和图形化描述两个方面说明了基于靶标图像航天员判断相对运动状态的难点,从中分析 了一套航天员手控规律,并通过仿真实例验证了这套规律的可行性,提供航天员手控操作方 法。
     

基于GJB 5000A的航天训练模拟器软件研制创新与应用

针对当前航天训练模拟器软件的研制状况,对实施过程中存在的一些问题进行了分析,结合GJB 5000A—2008《军用软件能力成熟度模型》的思想和内容,重点从软件生存周期、软件开发过程及软件复用三方面提出了一些解决措施,为提升模拟器软件的研制能力、软件过程可视化、软件质量等提供了参考。     

交会对接航天员训练电视图像仿真

以航天员对接过程电视图像仿真为应用背景,研究了近地空间复杂光环境下电视摄像机曝光成像特性和人的视觉成像感知特性,提出了一种基于GPU延迟着色模式下的空间图像浮点纹理着色、光饱和特效、调光和高动态映射显示的电视图像实时渲染方法。采用浮点纹理、高斯模糊等方法实现了逼真源成像和特效渲染;基于降采样的图像平均亮度统计,采用光源亮度和像素亮度两种调节模式实现了实时调光仿真,应用色调映射实现了目标图像的视觉感知高动态渲染显示。经工程验证,仿真图像与实飞图像一致,可以满足航天员训练,具有很好的工程应用价值。     

力封闭虚拟手抓持规则研究

针对航天员虚拟训练虚拟手抓持操作中传统的碰撞检测和几何约束抓持规则判定标准简单、仿真效果不理想的问题,在力封闭判别和稳定静力抓持模型的基础上,提出了力封闭虚拟手抓持规则,实现了通过力与力矩计算判别是否抓持成功。并设计了两组抓持试验,从抓持接触点、被抓持物体材质等角度对抓持规则判定进行验证,结果证明该抓持规则可根据抓持手姿、被抓持物体材质,通过受力模型对抓持是否成功进行判别。通过力封闭计算制定抓持规则的方法,使抓持更符合实际抓持,为基于物理的虚拟手抓持研究提供了一种方法,可以应用到航天员虚拟训练虚拟手抓持中。     

航天飞行训练模拟器研制中的质量管理

航天飞行训练模拟器因其风险小、效率高的优势而得到广泛应用。鉴于其具有技术状态复杂且不确定、进度紧、质量要求高等研制特点,给模拟器研制中的质量管理增加了难度。本文从策划、软件管理、评审控制、外协控制以及质量文化建设5个方面,探讨了模拟器研制中质量管理的一些可行方法。     

航天员混合现实训练与支持技术研究

基于航天员地面单人便携训练、多人协同操作训练、空间在轨操作辅助支持以及远程协同支持等工程任务需要,开展混合现实训练与支持技术研究。设计了航天员混合现实训练与支持的工程实现总体技术框架,针对航天员地面训练环境、在轨任务环境以及远程支持环境等特殊因素,对混合现实头盔头部位姿实时估计技术、多人协同操作技术以及远程支持场景匹配等关键技术进行研究。试验验证和航天员体验表明,技术方法有效、用户体验良好,满足空间站航天员地面与长期在轨典型性训练和支持任务需求,提高了训练支持质量和效率。     

基于深度学习目标识别的航天员训练场景理解技术

增强现实(AR)是航天员训练的有效途径,其关键技术是场景重建与空间定位。针对当前AR设备只能进行场景空间静态识别,无法感知目标动态变化的问题,提出了深度学习与AR技术相结合的目标识别与位姿估计方法。采用YOLO v5神经网络实现了小训练样本量的操作目标识别,结合深度信息实现了目标点云分割,与目标CAD模型点云进行ICP匹配后估计出目标的三维空间位姿,从而在AR显示空间中实现目标的动态定位与虚实融合。结果表明：YOLO v5的识别平均精度可以达到0.995,虚实结构可以准确叠加。该方法可有效提高AR设备的场景理解能力,扩展航天员AR训练手段。