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。     

基于点云的空间非合作目标初始相对位姿获取

针对空间非合作目标相对位姿解算对点云迭代最近点(ICP)算法迭代初值要求较高,易产生误匹配等问题,提出了一种基于点云分割与点云关键点的ICP初始迭代位姿获取方法。首先,考虑到非合作目标可能具有的高度对称外观,基于LCCP点云分割算法与点云Harris关键点,在已知目标外轮廓点云基础上,设计了点云ICP初始迭代位姿获取方法。该方法具体流程为：点云降采样处理与关键部分提取、关键部分点云多角度预变换处理、最佳点云匹配及初始迭代位姿获取。最后,以某通信卫星模型搭建虚拟验证平台,使用本文提出的方法给出ICP迭代初始位姿并进行对比实验。结果表明,本文提出的点云ICP迭代初始位姿获取方法可有效规避非合作目标高度对称带来的误匹配,可给出较精确的相对位姿。     

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。     

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。     

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。     

非合作大目标位姿测量的线结构光视觉方法

空间机器人与非合作大目标交会接近最终段,单目相机不能获取完整的特征图像而无法完成相对位姿测量。针对此问题,提出基于线结构光和单目视觉的相对位姿测量方法。以非合作大目标上的局部矩形特征为测量对象,首先,建立相对位姿测量模型并给出四个测量坐标系之间的关系;其次,通过相机对不完整矩形和线结构光的约束获得四个特征点在相机坐标系下的坐标;然后,利用四个特征点计算相机坐标系与目标坐标系之间的转移矩阵;最后,将转移矩阵分解得到矩形特征的相对位姿。通过改变影响测量精度的输入误差和标定误差等因素对该方法进行仿真验证,结果表明该测量方法是有效的。     

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。     

基于点云的非合作航天器位姿测量方法研究

针对已有基于二维影像的非合作航天器定位定姿方法在目标适应性和稳定性方面的不足,研究了一种基于三维点云的位姿测量方法。提出一种考虑累积误差的参数传递法进行序列点云的配准,用参数传递法获得初始值,在初始值的引导下与基准模型进行快速精确配准,实现了基于实时三维点云的相对运动跟踪,获得了较高的解算精度,方法利用目标的几何形状信息,有更好的普适性和稳健性。分别以仿真模型和现场模型作为测量对象进行位姿跟踪实验,用扫描仪获取动态卫星模型的三维点云并进行位姿解算,测量的运动轨迹与设计值吻合度较好,表明所提方法有较好的稳健性和较高的精度。     

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。     

空间翻滚非合作目标相对位姿估计的视觉SLAM方法

针对空间翻滚非合作目标相对位姿测量中目标先验信息缺失和模型不确定问题,将移动机器人视觉同步定位与建图（SLAM）贝叶斯滤波估计模型推广到非合作目标相对位姿测量中,提出一种基于视觉SLAM的翻滚非合作目标相对位姿估计方法。首先,构建了相对位姿估计的贝叶斯滤波状态转移模型和量测更新模型。其次,为避免平动噪声协方差过大导致滤波性能下降的问题,对状态转移方程进行优化,采用最小二乘估计方法预测位置参数。最后,采用一种联合无损卡尔曼滤波和粒子滤波的贝叶斯滤波方法实现了目标全部位姿参数的快速平滑估计。基于计算机合成图像数据和真实图像序列的仿真实验表明：提出的方法具有较优的速度和精度,且对目标速度变化、特征提取和数据关联误差等具有较好的鲁棒性。     

基于双目视觉的空间非合作目标尺度 测量技术研究

对空间非合作目标的关键结构尺寸进行快速精准测量对于实现对目标的动态跟踪与捕获十分重要。文章针对未知形状的非合作目标,基于双目立体视觉测量原理,提出一种点云轮廓线的直接提取算法,不需要进行目标外形的3D还原,即可直接进行目标尺寸测量,从而可以根据外观轮廓线和外形尺寸来快速预估非合作目标的功能及大小。建立双目视觉立体测量实验平台对一个立方体非合作目标模型进行测量,通过MATLAB软件平台对上述算法进行仿真验证,结果表明测量值与参考值的误差为百μm级。     

联合EKF和EKPF的空间非合作目标单目位姿估计

针对微小卫星自主抵近任务中模型未知的非合作目标的相对位姿估计难题,提出一种联合扩展卡尔曼滤波EKF和扩展卡尔曼粒子滤波EKPF的非合作目标的单目位姿估计方法。以任务星相机坐标系为参考,构建非合作目标的相对运动模型。以目标图像中的特征点坐标为观测值,构建非合作目标测量方程。对相对位姿和特征点三维坐标进行初始化后,利用扩展卡尔曼粒子滤波估计目标相对位姿,利用扩展卡尔曼滤波估计特征点三维坐标。使用OpenGL生成非合作目标空间图像进行仿真验证,结果表明本文提出的非合作目标单目位姿估计方法可获得较高精度的位姿估计,且具有较好的鲁棒性。相比已有方法,本文方法不需要初始位姿假设,且能够有效减小计算时间,提高位姿估计效率。     

基于视觉的含章动小天体运动状态估算方法

针对航天器在轨运行以及空间垃圾处理等任务中需要获得两个物体之间的相对位姿,由于测量距离较大且测量目标上不能装载对应的合作靶标,需要进行大视距非合作目标位姿测量的问题,文章在绕飞段深空探测器能够捕获到近距离高清晰的目标天体图像的基础上,提出了一种基于视觉的同步定位与建图(SLAM)的翻滚小天体相对位姿估算方法,将移动机器人视觉SLAM理论推广到"相机静止,目标运动"的空间翻滚小天体相对位姿测量中,经仿真验证,结果表明:此方法可以得出翻滚小天体的位姿信息,可为视觉估计小天体位姿提供参考。     

单目-无扫描3D激光雷达融合的非合作目标相对位姿估计

针对传统的利用单一视觉传感器难以实现复杂非合作空间操控导航的问题,提出一种基于单目相机与无扫描三维激光雷达融合的非合作目标相对位姿估计方法。首先,设计了基于成像几何关系的单目纹理-非扫描距离图像的快速配准与融合方法;之后,在构建目标同步定位与建图（SLAM）贝叶斯滤波模型基础上,提出一种扩展卡尔曼滤波-无损卡尔曼滤波-粒子滤波联合的滤波估计算法,可实现尺度模糊下相对位姿的快速鲁棒估计;其次,针对估计中的尺度模糊问题,提出基于融合图像的全局尺度系数确定方法,将尺度系数估计问题转化为简单线性滤波问题。基于OpenGL生成的2D/3D图像实验表明：所提出的方法具有较优的精度和鲁棒性;相对位置估计误差与尺度估计误差相关,二者近似成线性正比关系。     

空间绳系机器人单目视觉伺服控制系统

为解决空间绳系机器人近距离交会对接中的目标测量问题,设计了一种单目视觉伺服控制系统。该系统针对小模板在大场景中匹配时存在鲁棒性差、耗时长等缺点,采用了一种新的模板匹配算法。匹配模板借鉴FAST算法的空心圆环结构,使得算法具有旋转不变性,也减小了因背景变化引起的累积误差。同时匹配准则采用灰度值+梯度值的复合算子,具有较强的抗噪声和抑制光照变化的能力。为避免因错误匹配和遮挡等引起的跟踪失败,还设计了动态模板更新策略;最后结合最小二乘综合位置预测方法和PD控制器,实现了对复杂场景中的非合作目标的实时跟踪逼近。     

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。     

非结构化环境下月球车快速即时定位与制图方法

激光雷达的实时环境扫描与已构建环境模型之间的匹配是月球车即时定位与制图(SLAM)过程中的关键步骤,其收敛速度和准确性直接决定了SLAM的成败。月球表面是一种典型非结构化环境,其环境场景特征复杂。若通过三维激光匹配方式则传感器数据量大,特征匹配的难度高,实时性差。针对于此,本文提出了一种基于ICP算法的激光点扫描匹配方法－类等高线匹配方法,将二维激光雷达的实时扫描数据与已构建的三维环境高程图相匹配,利用RBPF粒子滤波实现位姿与地图状态的估计,采用自行研制的小型激光雷达硬件平台,较好地实现了月球车原理样机的快速SLAM过程。实验表明,基于该方法的即时定位与制图过程对于月球车位姿估计的鲁棒性强,实时性好。     

一种参数化非合作目标相对位姿和惯量估计方法

针对故障卫星、失效航天器、空间碎片等空间非合作目标无先验模型,且无法直接获得其角速度及惯量参数等问题,提出一种参数化非合作目标相对位姿和惯量参数估计方法。首先,基于自由航天器姿态动力学模型,用反双曲正切函数来描述含两个独立变量的惯量参数,建立非合作目标角速度传播模型方程;基于立体视觉测量模型,建立非合作目标上若干特征点的量测方程。然后,结合Clohessy-Wiltshire方程描述的航天器间相对运动学模型,以非合作目标的相对位置、相对线速度、相对姿态、惯性角速度及惯量参数为状态量,设计扩展卡尔曼滤波器以估计各状态量。最后,进行不同场景的数值仿真验证。蒙特卡洛仿真结果表明,所设计的滤波器在不同噪声水平下能够高精度地有效估计出非合作目标的相对位姿和惯量参数。     

面向在轨服务的相对位姿单目视觉确定的凸松弛优化方法

针对非合作目标之间基于特征点的相对位姿单目视觉确定问题,考虑利用自然特征导致误差增大等因素,提出一种基于凸松弛理论和LMI算法的相对位姿求解迭代方法。该方法在基于逆投影线构建的优化模型基础上,首先利用松弛理论将姿态矩阵的单位正交非凸等式约束松弛为不等式凸约束,并证明了松弛后的优化问题与原问题等价,即松弛后的凸问题取得最值时,姿态矩阵满足原等式约束。进一步将松弛后的姿态矩阵不等式凸约束表示成线性矩阵不等式形式,进而利用内点法进行求解,并利用全局收敛性定理证明了该算法的全局收敛性。以在轨服务为背景,仿真试验表明,利用该算法相对位姿可在7次迭代达到收敛,与传统SVD算法相比,在噪声较大的情况下,该算法计算精度提高近一倍,能够快速收敛并具有较强的鲁棒性。