CN108645416B - 基于视觉测量系统的非合作目标相对导航仿真验证方法 - Google Patents

Abstract

用于非合作目标相对导航仿真验证的视觉测量系统及方法，包括包括物理模拟模块、仿真模拟模块、视觉相对导航模块；物理模拟模块、视觉相对导航模块组成半物理半仿真验证子系统，视觉相对导航模块与仿真模拟模块组成了全仿真验证子系统；物理模拟模块、仿真模拟模块构造非合作目标，而视觉相对导航模块实现双目相机对非合作目标的感知、特征识别、特征提取、特征匹配、状态测量、参数辨识。

Description

基于视觉测量系统的非合作目标相对导航仿真验证方法

技术领域

本发明涉及航天器相对导航、在轨目标感知、参数测量与辨识及航天器视觉等研究领域，特别是用于非合作目标相对导航仿真验证的视觉测量系统及方法。

背景技术

近年来，随着非合作目标在轨服务技术的发展，各个航天大国纷纷提出了在轨服务的概念和演示验证的计划，其中针对非合作目标的相对导航及测量是其中的一项关键技术。

在远距离，由于光线及目标特征数目的影响，一般采用雷达、激光测距仪、GPS、星敏感器或者远场相机等进行相对导航；在近距离导航时，考虑到需要获取非合作目标的位置、姿态、构形及质量特征信息，双目立体视觉相机得到了广泛的应用。在近距离的相对导航中，采用双目视觉对非合作目标进行测量，主要涉及图像的获取、相机标定、特征提取、立体匹配和三维重建等模块，目前针对各个模块的研究相对较多：图像获取的方式很多，主要由具体场合和目的决定；三维重建属于深度信息后处理，是为了恢复场景可视化表面的完整信息；相机标定已经得到了较好的解决，有很多种方法可以使用；特征提取目前没有一种普遍使用的理论，从而导致了立体视觉研究中匹配特征的多样性，因此立体匹配是立体视觉中最重要与困难的问题，也是立体视觉的核心所在。综上所述，针对基于双目相机的立体视觉测量的算法研究已经非常多了，但是在航天工程中，尤其是我国航天工程中，基于双目视觉的非合作目标的近距相对导航与测量技术研究尚未深入，需要从算法、系统设计、地面试验、在轨验证和在轨产品设计等方面开展研究。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供了用于非合作目标相对导航仿真验证的视觉测量系统及方法，通过混合扩展卡尔曼滤波/无迹卡尔曼滤波的非合作目标运动状态预测方法，兼顾了效率与精度；另外建立了绕任意轴旋转的非合作目标的状态方程与观测方程用于进行参数辨识，能够满足非合作目标运动状态复杂的实际工程需求，具有很好的使用效果。

本发明的技术解决方案是：用于非合作目标相对导航仿真验证的视觉测量系统，包括包括物理模拟模块、仿真模拟模块、视觉相对导航模块；物理模拟模块、视觉相对导航模块组成半物理半仿真验证子系统，视觉相对导航模块与仿真模拟模块组成了全仿真验证子系统；物理模拟模块、仿真模拟模块构造非合作目标，而视觉相对导航模块实现双目相机对非合作目标的感知、特征识别、特征提取、特征匹配、状态测量、参数辨识；

物理模拟模块，提供实物非合作目标，根据任务通过运动模拟平台实现非合作目标物运动，包括非合作目标物的位置时程、速度、姿态，在非合作目标运动过程中通过地面双目相机进行成像，得到左眼图像序列、右眼图像序列，组成得到非合作目标运动图像序列并送至视觉相对导航模块；根据非合作目标三维构型、运动状态参数、相对位姿参数、质量特征参数与非合作目标物的实际位置时程、速度、姿态进行对比，完成非合作目标相对导航仿真验证；

仿真模拟模块，提供在轨非合作目标的仿真模型，作为视觉相对导航模块的非合作目标模型输入，并送至视觉相对导航模块；其中，非合作目标模型包括非合作目标的轨道数据、非合作目标构型、运动状态、位置时程、姿态、质量特征；根据非合作仿真目标三维构型、运动状态参数、相对位姿参数、质量特征参数与非合作目标模型中的非合作目标的非合作目标构型、运动状态、位置时程、姿态、质量特征进行对比，完成非合作仿真目标相对导航仿真验证；

视觉相对导航模块，基于非合作目标运动图像序列中的左眼图像序列、右眼图像序列分别进行特征识别、提取，得到左眼图像序列、右眼图像序列中的图像特征点，然后进行特征匹配，得到非合作目标运动过程的三维特征点，进行三维重构、混合卡尔曼滤波、运动估计，得到非合作目标三维构型、运动状态参数、相对位姿参数、质量特征参数并送至物理模拟模块；根据非合作目标模型进行虚拟场景模拟，包括测量卫星、光照环境场景模拟，建立双目相机模型对非合作目标进行成像，得到仿真左眼图像序列、仿真右眼图像序列，组成得到非合作仿真目标运动图像序列，然后进行特征匹配，得到非合作仿真目标运动过程的三维特征点，进行三维重构、混合卡尔曼滤波、运动估计，得到非合作仿真目标三维构型、运动状态参数、相对位姿参数、质量特征参数并送至仿真模拟模块。

所述的运动模拟平台包括多自由度机械臂、气浮台或者磁浮台。

所述的物理模拟模块中的地面双目相机需要进行标定。

基于视觉测量系统的非合作目标相对导航仿真验证方法，包括如下步骤：

(1)提供实物非合作目标，根据任务通过运动模拟平台实现非合作目标物运动，包括非合作目标物的位置时程、速度、姿态，在非合作目标运动过程中通过地面双目相机进行成像，得到左眼图像序列、右眼图像序列，组成得到非合作目标运动图像序列；或者，提供在轨非合作目标的仿真模型，作为视觉相对导航模块的非合作目标模型输入；其中，非合作目标模型包括非合作目标的轨道数据、非合作目标构型、运动状态、位置时程、姿态、质量特征；

(2)基于非合作目标运动图像序列中的左眼图像序列、右眼图像序列分别进行特征识别、提取，得到左眼图像序列、右眼图像序列中的图像特征点，然后进行特征匹配，得到非合作目标运动过程的三维特征点，进行三维重构、混合卡尔曼滤波、运动估计，得到非合作目标三维构型、运动状态参数、相对位姿参数、质量特征参数；或者，根据非合作目标模型进行虚拟场景模拟，包括测量卫星、光照环境场景模拟，建立双目相机模型对非合作目标进行成像，得到仿真左眼图像序列、仿真右眼图像序列，组成得到非合作仿真目标运动图像序列，然后进行特征匹配，得到非合作仿真目标运动过程的三维特征点，进行三维重构、混合卡尔曼滤波、运动估计，得到非合作仿真目标三维构型、运动状态参数、相对位姿参数、质量特征参数；

(3)根据非合作目标三维构型、运动状态参数、相对位姿参数、质量特征参数与非合作目标物的实际位置时程、速度、姿态进行对比，完成非合作目标相对导航仿真验证；或者，根据非合作仿真目标三维构型、运动状态参数、相对位姿参数、质量特征参数与非合作目标模型中的非合作目标的非合作目标构型、运动状态、位置时程、姿态、质量特征进行对比，完成非合作仿真目标相对导航仿真验证。

所述的混合卡尔曼滤波为无迹卡尔曼滤波和扩展卡尔曼滤波，包括三个矩阵控制滤波器，运行过程包括三个参考协方差矩阵，其中：

初始协方差参考矩阵P₁ ^*判定切换无迹卡尔曼滤波和扩展卡尔曼滤波的条件，如果协方差矩阵的迹小于初始协方差矩阵，则由无迹卡尔曼滤切换为扩展卡尔曼滤波进行下一步的滤波，否则下一步采用无迹卡尔曼进行滤波；

当前步协方差参考矩阵

如果当前的预示得到的协方差矩阵的迹小于等于当前步步协方差参考矩阵的迹，则在下一步用当前协方差矩阵更新当前步协方差参考矩阵，否则当前步协方差参考矩阵

不变；

切换协方差矩阵

当无迹卡尔曼滤波切换为扩展卡尔曼滤波时，将当前步协方差参考矩阵

保存在

中，并在解下来的扩展卡尔曼滤波中用

初始化

所述的混合卡尔曼滤波的方法为：

(1)给定初始方差矩阵P₀和初始状态向量X₀，取阈值δ∈[0,1]，初始协方差参考矩阵P₁ ^*＝δ·P₀，第一步k＝1分析采用无迹卡尔曼滤波得到

和

(2)k＝k+1，如果达到最大总迭代次数，则结束，否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到k步的

和

(3)判断协方差矩阵的迹是否大于等于初始协方差参考矩阵的迹

如果否，则切换为扩展卡尔曼滤波，进入(7)，否则继续采用无迹卡尔曼滤波，进一步判断协方差矩阵的迹是否大于等于当前步协方差参考矩阵

如果是，进入(4)，否则进入(5)；

(4)k＝k+1，如果达到最大总迭代次数，则结束，否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到k步的

和

进入(3)；

(5)k＝k+1，如果达到最大总迭代次数，则结束，否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到k步的

和

进入(3)；

(6)k＝k+1，如果达到最大总迭代次数，则结束，否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到k步的

和

进入(3)；

(7)令切换协方差矩阵

k＝k+1，判断是否达到最大迭代步，如果达到，结束分析，否则令

然后进行第k步的扩展卡尔曼滤波计算

和

进入(8)；

(8)判断协方差矩阵的迹是否不大于初始协方差参考矩阵的迹

如果是，继续采用扩展卡尔曼滤波进行分析，如果否，切换为无迹卡尔曼滤波，令

进入(3)，如果是，继续采用扩展卡尔曼滤波判断协方差矩阵的迹是否大于初始协方差参考矩阵的迹

若是，则表明协方差是发散的，进入(9)，否则协方差是收敛的，进入(10)；

(9)k＝k+1，如果达到最大总迭代次数，则结束，否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到k步的

和

进入(8)；

(10)k＝k+1，如果达到最大总迭代次数，则结束，否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到k步的

和

进入(8)。

所述的运动估计的方法为：

(1)建立状态方程

其中，k为仿真步数，X_k与X_k+1为第k步和k+1步的状态变量，

为从第 k步到第k+1步的状态转移矩阵，W_k为第k步的系统过程噪声，状态变量X及其导数可表示为：

式中

其中，ω为非合作目标的角速度向量，ω_x、ω_y和ω_z分别为角速度在三个坐标轴上的角速度分量，上标^×表示叉乘，上标-1表示矩阵求逆，I为非合作目标的惯量矩阵，I_xx、I_yy和I_zz为非合作目标的主惯量，I_xy、I_xz和I_yz分别为惯性积， q为非合作目标的姿态四元数，q₁、q₂、q₃和q₄分别为四元数的四个分量；

进而得到状态转移矩阵为

其中，E₁₃为13×13的单位阵，Δt为仿真时间步长,F_AA为状态方程的雅克比矩阵；

(2)将姿态四元素和瞬时角速度作为观测值得到观测方程为

h(X)＝[q₁,q₂,q₃,q₄,ω_x,ω_y,ω_z]^T

测量方程为

其中，V为系统测量噪声，E_7×7为7×7的单位阵，0_3×3为3×3的零阵，

表示当X＝X_k+1时函数f(X)的值。

本发明与现有技术相比的优点在于：

本发明建立了一种针对非合作目标的近距离相对导航的双目立体视觉测量系统的地面仿真验证框架，通过混合扩展卡尔曼滤波/无迹卡尔曼滤波的非合作目标运动状态预测方法，兼顾了效率与精度；另外建立了绕任意轴旋转的非合作目标的状态方程与观测方程用于进行参数辨识，能够满足非合作目标运动状态复杂的实际工程需求，具有很好的使用效果。

附图说明

图1本发明提出的非合作目标相对导航视觉测量系统仿真验证方法框架；

图2为本发明提出混合扩展卡尔曼滤波/无迹卡尔曼滤波流程图；

图3为非合作目标参数估计示意图.

具体实施方式

本发明结合我国航天工程中非合作目标的近距相对导航这一迫切工程需求，建立了一种针对非合作目标近距相对导航的双目视觉测量系统的地面仿真验证系统框架，为了兼顾在轨辨识的效率和精度，提出了一种混合扩展卡尔曼滤波/无迹卡尔曼滤波的非合作目标运动状态预测方法，同时考虑到非合作目标运动状态的任意性，建立了绕任意轴旋转的非合作目标的状态方程与观测方程用于进行参数辨识，该发明可为后续开展非合作目标近距导航的算法验证、系统地面试验奠定基础。

本发明解决的技术问题是：建立了一种针对非合作目标的近距离相对导航的双目立体视觉测量系统的地面仿真验证框架，提出了一种混合扩展卡尔曼滤波/无迹卡尔曼滤波的非合作目标运动状态预测方法，同时考虑到非合作目标运动状态的任意性，建立了绕任意轴旋转的非合作目标的状态方程与观测方程用于进行参数辨识，为后续算法验证、系统地面试验奠定基础，下面结合附图对本发明方法进行详细说明。

如图1所示，本发明提出的一种非合作目标相对导航视觉测量系统仿真验证系统的框架，主要由三部分模块组成：物理模拟模块、视觉相对导航模块和仿真模拟模块三部分组成，物理模拟模块和视觉相对导航模块组成了半物理半仿真验证子系统，而视觉相对导航模块与仿真模拟模块组成了全仿真验证子系统。在整个系统中，物理模拟模块和仿真模拟模块主要是构造非合作目标，而视觉相对导航模块则主要实现双目相机对非合作目标的感知、特征识别、特征提取、特征匹配、状态测量及参数辨识，下面对系统中各个子系统进行描述：

(1)物理试验模块

物理模拟模块，提供实物非合作目标，根据任务通过运动模拟平台实现非合作目标物运动，包括非合作目标物的位置时程、速度、姿态，在非合作目标运动过程中通过地面双目相机进行成像，得到左眼图像序列、右眼图像序列，组成得到非合作目标运动图像序列并送至视觉相对导航模块；根据非合作目标三维构型、运动状态参数、相对位姿参数、质量特征参数与非合作目标物的实际位置时程、速度、姿态进行对比，完成非合作目标相对导航仿真验证；

(2)仿真模拟模块

仿真模拟模块，提供在轨非合作目标的仿真模型，作为视觉相对导航模块的非合作目标模型输入，并送至视觉相对导航模块；其中，非合作目标模型包括非合作目标的轨道数据、非合作目标构型、运动状态、位置时程、姿态、质量特征；根据非合作仿真目标三维构型、运动状态参数、相对位姿参数、质量特征参数与非合作目标模型中的非合作目标的非合作目标构型、运动状态、位置时程、姿态、质量特征进行对比，完成非合作仿真目标相对导航仿真验证；

(3)视觉相对导航模块

视觉相对导航模块，基于非合作目标运动图像序列中的左眼图像序列、右眼图像序列分别进行特征识别、提取，得到左眼图像序列、右眼图像序列中的图像特征点，然后进行特征匹配，得到非合作目标运动过程的三维特征点，进行三维重构、混合卡尔曼滤波、运动估计，得到非合作目标三维构型、运动状态参数、相对位姿参数、质量特征参数并送至物理模拟模块；根据非合作目标模型进行虚拟场景模拟，包括测量卫星、光照环境场景模拟，建立双目相机模型对非合作目标进行成像，得到仿真左眼图像序列、仿真右眼图像序列，组成得到非合作仿真目标运动图像序列，然后进行特征匹配，得到非合作仿真目标运动过程的三维特征点，进行三维重构、混合卡尔曼滤波、运动估计，得到非合作仿真目标三维构型、运动状态参数、相对位姿参数、质量特征参数并送至仿真模拟模块。

在针对非合作目标的测量辨识模块中本发明提出了混合扩展卡尔曼滤波/ 无迹卡尔曼滤波的参数估计方法，并建立了非合作目标绕任意轴自旋的状态和观测方程。

1)混合扩展卡尔曼滤波

非合作目标相对导航与测量过程中图像处理的速度受到CPU计算的限制，同时测量结果的输出频率不高，使得给出的视觉测量信息往往与目标的当前运动状态不一致，存在延迟现象，因而需要对翻滚目标的运动状态进行实时的预测与估计。

非合作目标的运动特性往往比较复杂，根据图像平面中的特征计算三维空间中的位姿是一个非线性过程，应用卡尔曼滤波器，可以先根据目标物的投影计算目标物体的位姿，以目标物体的位姿为观测值，以目标物相对于相机的位姿和速度为状态向量。目前的方法只考虑了简单的情况，假定非合作目标围绕主惯性轴旋转，这样只有部分参数能被估计，惯性积常常被忽略。在实际应用中，非合作目标的姿态、角速度和惯性参数对于轨迹规划和控制具有非常重要的意义。因此需要考虑提出一种针对绕主惯性轴旋转和绕任意轴旋转的同时估计姿态、角速度和全部惯性参数的方法。扩展卡尔曼滤波对于线性系统的迭代非常快速，而无迹卡尔曼滤波对于非线性系统可以获得更好的参数估计，因此本发明提出一种混合扩展卡尔曼滤波(EKF)/无迹卡尔曼滤波(UKF)的参数辨识方法。

相比较于UKF，EKF滤波效率高，但是EKF需要对非线性状态转移进行局部线性化处理，因此对于非线性系统，该方法的滤波效果与实际值偏差较大，甚至出现滤波器发散。与EKF不同，UKF是通过多个加权的采样点来近似模拟状态向量均值的分布情况，并直接根绝这些采样点记过非线性方程后的分布状态拟合得到转移以后的状态向量的均值和协方差的分布状态，可以有效避免 EKF中线性化的近似，避免了其精度低、稳定性差及易发散的缺点，混合卡尔曼滤波的计算流程如图2所示：

(a)给定初始方差矩阵P₀和初始状态向量X₀，取阈值δ∈[0,1]，初始协方差参考矩阵P₁ ^*＝δ·P₀，然后第一步k＝1分析采用无迹卡尔曼滤波得到

和

(b)；

(b)进入下一步k＝k+1，如果达到最大总迭代次数，则结束；否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到k步的

和

进入(c)；

(c)判断协方差矩阵的迹是否大于等于初始协方差参考矩阵的迹

如果否，则表明当前分析结果置信度高，可切换为扩展卡尔曼滤波，进入(g)；否则表明当前结果置信度低，需要继续采用无迹卡尔曼滤波，进一步判断协方差矩阵的迹是否大于等于当前步协方差参考矩阵

如果是，表明当前步的协方差矩阵是收敛的，进入(d)步；否则表明是发散的，进入(e)步；

(d)进入下一步k＝k+1，如果达到最大总迭代次数，则结束；否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到k步的

和

进入(c)；

(e)进入下一步k＝k+1，如果达到最大总迭代次数，则结束；否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到k步的

和

进入(c)；

(f)进入下一步k＝k+1，如果达到最大总迭代次数，则结束；否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到 k步的

和

进入(c)；

(g)令切换协方差矩阵

然后进入k＝k+1，判断是否达到最大迭代步，如果达到结束分析；否则令

然后进行第k步的扩展卡尔曼滤波计算

和

进入(h)；

(h)判断协方差矩阵的迹是否不大于初始协方差参考矩阵的迹

如果是，说明当前分析置信度较高，可继续采用扩展卡尔曼滤波进行分析，进一步判断；如果否，表明当前分析置信度较差，下一步需要切换为无迹卡尔曼滤波，令

进入(c)；如果是，表明当前分析置信度高，下一步可继续采用扩展卡尔曼滤波，进一步判断协方差矩阵的迹是否大于初始协方差参考矩阵的迹

如果是，则表明协方差是发散的，进入(i),否则协方差是收敛的，进入(j)；

(i)进入下一步k＝k+1，如果达到最大总迭代次数，则结束；否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到 k步的

和

进入(h)；

(j)进入下一步k＝k+1，如果达到最大总迭代次数，则结束；否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到k步的

和

进入(h)；

(2)基于混合扩展卡尔曼滤波的绕任意主轴旋转的非合作目标参数估计

基于混合卡尔曼滤波的非合作目标参数估计如图3所示。由于非合作目标没有任何先验知识，运动状态具有任意性，因此必须建立绕任意轴旋转的非合作目标状态方程与观测方程。

(a)建立状态方程

其中k和k+1为仿真步数，X_k与X_k+1为第k步和k+1步的状态变量，

为从第 k步到第k+1步的状态转移矩阵，W_k为第k步的系统过程噪声。状态变量X及其对时间的导数

可表示为：

式中

其中ω为非合作目标的角速度向量，ω_x、ω_y和ω_z分别为角速度在三个坐标轴上的角速度分量，上标×表示叉乘，上标-1表示矩阵求逆，I为非合作目标的惯量矩阵，I_xx、I_yy和I_zz为非合作目标的主惯量，I_xy、I_xz和I_yz分别为惯性积，q为非合作目标的姿态四元数，q₁、q₂、q₃和q₄分别为四元数的四个分量。

状态转移矩阵可写为：

其中E₁₃为13×13的单位阵，Δt为仿真时间步长,F_AA为状态方程的雅克比矩阵,具体可写为：

其中：

(b)建立观测方程为

把姿态四元素和瞬时角速度作为观测值，即有

h(X)＝[q₁,q₂,q₃,q₄,ω_x,ω_y,ω_z]^T

则测量方程可表示为

其中V为系统测量噪声，E_7×7为7×7的单位阵，0_3×3为3×3的零阵，

表示当X＝X_k+1时函数f(X)的值。

综上所述，本发明具体框架构成如下：

(1)系统由物理模拟模块、视觉相对导航模块和仿真模拟模块三部分组成，物理模拟模块和视觉相对导航模块可组成半物理半仿真模型验证子系统，仿真模拟模块和视觉相对导航模块可组成全仿真验证子系统；

(2)物理模拟模块主要由非合作目标物和运动模拟平台(多自由度机械臂、气浮台或磁浮台组成)，双目相机组成，用于为视觉相对导航模块提供实时的观测图像序列，同时接受视觉相对导航模块的辨识结果输入，通过对比辨识结果与设计参数，完成算法与系统的验证。

(3)仿真模拟模块主要建立非合作目标的在轨模型，设计参数包括轨道、构型、运动状态、质量特征等，向视觉相对导航模块输入非合作目标，同时接受视觉相对导航模块的辨识结果输入，通过对比辨识测量结果与设计参数，完成算法与系统的验证；

(4)视觉相对导航模块主要是基于图像完成目标的特征识别、特征提取、特征立体匹配及三维重建、混合卡尔曼滤波、运动估计等。混合卡尔曼滤波采用本发明提出的混合扩展卡尔曼滤波方法/无迹卡尔曼滤波方法，兼顾精度与效率；同时在卡尔曼滤波过程中，非合作目标的状态方程与观测方程采用本发明提出的绕任意轴翻转的非合作目标的建模方法。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (3)

1.基于视觉测量系统的非合作目标相对导航仿真验证方法，包括如下步骤：

S1.1、提供实物非合作目标，根据任务通过运动模拟平台实现非合作目标物运动，包括非合作目标物的位置时程、速度、姿态，在非合作目标运动过程中通过地面双目相机进行成像，得到左眼图像序列、右眼图像序列，组成得到非合作目标运动图像序列；或者，提供在轨非合作目标的仿真模型，作为视觉相对导航模块的非合作目标模型输入；其中，非合作目标模型包括非合作目标的轨道数据、非合作目标构型、运动状态、位置时程、姿态、质量特征；

S1.2、基于非合作目标运动图像序列中的左眼图像序列、右眼图像序列分别进行特征识别、提取，得到左眼图像序列、右眼图像序列中的图像特征点，然后进行特征匹配，得到非合作目标运动过程的三维特征点，进行三维重构、混合卡尔曼滤波、运动估计，得到非合作目标三维构型、运动状态参数、相对位姿参数、质量特征参数；或者，根据非合作目标模型进行虚拟场景模拟，包括测量卫星、光照环境场景模拟，建立双目相机模型对非合作目标进行成像，得到仿真左眼图像序列、仿真右眼图像序列，组成得到非合作仿真目标运动图像序列，然后进行特征匹配，得到非合作仿真目标运动过程的三维特征点，进行三维重构、混合卡尔曼滤波、运动估计，得到非合作仿真目标三维构型、运动状态参数、相对位姿参数、质量特征参数；

S1.3、根据非合作目标三维构型、运动状态参数、相对位姿参数、质量特征参数与非合作目标物的实际位置时程、速度、姿态进行对比，完成非合作目标相对导航仿真验证；或者，根据非合作仿真目标三维构型、运动状态参数、相对位姿参数、质量特征参数与非合作目标模型中的非合作目标的非合作目标构型、运动状态、位置时程、姿态、质量特征进行对比，完成非合作仿真目标相对导航仿真验证；

所述的混合卡尔曼滤波为无迹卡尔曼滤波和扩展卡尔曼滤波，包括三个矩阵控制滤波器，运行过程包括三个参考协方差矩阵，其中：

初始协方差参考矩阵P₁ ^*判定切换无迹卡尔曼滤波和扩展卡尔曼滤波的条件，如果协方差矩阵的迹小于初始协方差参考矩阵的迹，则由无迹卡尔曼滤切换为扩展卡尔曼滤波进行下一步的滤波，否则下一步采用无迹卡尔曼进行滤波；

当前步协方差参考矩阵

如果当前的预示得到的协方差矩阵的迹小于等于当前步协方差参考矩阵的迹，则在下一步用当前协方差矩阵更新当前步协方差参考矩阵，否则当前步协方差参考矩阵

不变；

切换协方差矩阵

当无迹卡尔曼滤波切换为扩展卡尔曼滤波时，将当前步协方差参考矩阵

保存在

中，并在接下来的扩展卡尔曼滤波中用

初始化

2.根据权利要求1所述的基于视觉测量系统的非合作目标相对导航仿真验证方法，其特征在于：所述的混合卡尔曼滤波的方法为：

(1)给定初始方差矩阵P₀和初始状态向量X₀，取阈值δ∈[0,1]，初始协方差参考矩阵P₁ ^*＝δ·P₀，第一步k＝1分析采用无迹卡尔曼滤波得到

和

(2)k＝k+1，如果达到最大总迭代次数，则结束，否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到第k步的

和

(3)判断协方差矩阵的迹

是否大于等于初始协方差参考矩阵的迹trace(P₁ ^*)，如果否，则切换为扩展卡尔曼滤波，进入(7)，如果是，则继续采用无迹卡尔曼滤波，进一步判断协方差矩阵的迹

是否小于等于当前步协方差参考矩阵的迹

如果是，进入(4)，否则进入(5)；

(4)k＝k+1，如果达到最大总迭代次数，则结束，否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到第k步的

和

进入(3)；

(5)k＝k+1，如果达到最大总迭代次数，则结束，否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到第k步的

和

进入(3)；

(6)k＝k+1，如果达到最大总迭代次数，则结束，否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到第k步的

和

进入(3)；

(7)令切换协方差矩阵

k＝k+1，判断是否达到最大总迭代次数，如果达到，结束分析，否则令

然后进行第k步的扩展卡尔曼滤波计算

和

进入(8)；

(8)判断协方差矩阵的迹是否不大于初始协方差参考矩阵的迹

如果否，切换为无迹卡尔曼滤波，令

进入(6)，如果是，继续采用扩展卡尔曼滤波进行分析，判断协方差矩阵的迹

是否大于等于当前步协方差参考矩阵的迹

若是，则表明协方差是发散的，进入(9)，否则协方差是收敛的，进入(10)；

(9)k＝k+1，如果达到最大总迭代次数，则结束，否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到第k步的

和

进入(8)；

(10)k＝k+1，如果达到最大总迭代次数，则结束，否则令当前步协方差参考矩阵

然后第k步采用无迹卡尔曼滤波方法计算得到第k步的

和

进入(8)。

3.根据权利要求2所述的基于视觉测量系统的非合作目标相对导航仿真验证方法，其特征在于：所述的运动估计的方法为：

S2.1、建立状态方程

其中，k为仿真步数，X_k与X_k+1为第k步和第k+1步的状态向量，

为从第k步到第k+1步的状态转移矩阵，W_k为第k步的系统过程噪声，状态变量X及其导数可表示为：

式中

I₂＝[I_xx,I_yy,I_zz,I_xy,I_xz,I_yz]^T

其中，ω为非合作目标的角速度向量，ω_x、ω_y和ω_z分别为角速度在三个坐标轴上的角速度分量，上标^×表示叉乘，上标-1表示矩阵求逆，I为非合作目标的惯量矩阵，I_xx、I_yy和I_zz为非合作目标的主惯量，I_xy、I_xz和I_yz分别为惯性积，q为非合作目标的姿态四元数，q₁、q₂、q₃和q₄分别为四元数的四个分量；

进而得到状态转移矩阵为

其中，E₁₃为13×13的单位阵，Δt为仿真时间步长,F_AA为状态方程的雅克比矩阵；

S2.2、将姿态四元数和瞬时角速度作为观测值得到观测方程

h(X)＝[q₁,q₂,q₃,q₄,ω_x,ω_y,ω_z]^T

测量方程

其中，V为系统测量噪声，E_7×7为7×7的单位阵，0_3×3为3×3的零阵，

表示当X＝X_k+1时函数f(X)的值。

Images