CN109631911B - 一种基于深度学习目标识别算法的卫星姿态转动信息确定方法 - Google Patents
一种基于深度学习目标识别算法的卫星姿态转动信息确定方法 Download PDFInfo
- Publication number
- CN109631911B CN109631911B CN201811542375.5A CN201811542375A CN109631911B CN 109631911 B CN109631911 B CN 109631911B CN 201811542375 A CN201811542375 A CN 201811542375A CN 109631911 B CN109631911 B CN 109631911B
- Authority
- CN
- China
- Prior art keywords
- satellite
- attitude
- deep learning
- angle
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 206010034719 Personality change Diseases 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 4
- 239000003550 marker Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习目标识别算法的卫星姿态转动信息确定方法，该方法主要包括：卫星三维模型在轨获取；基于深度学习的目标识别算法训练；基于深度学习的相对姿态识别；转动信息确定。本发明通过基于深度学习目标识别算法的卫星姿态转动信息确定方法，实现了通过卫星二维图像信息确定卫星当前姿态角度，并通过数帧图像姿态角度推算出当前卫星运动状态，使得姿态识别由卫星三维模型下的识别问题转化为二维问题，简化了识别流程，降低了识别算法的复杂性，提高了识别效率，并且由于本方法不需要人为提取卫星特征，对合作目标与非合作目标均具有通用性，该方法卫星空间目标识别任务具有重要的工程应用价值。
Description
技术领域
本发明涉及一种基于深度学习目标识别算法的卫星姿态转动信息确定方法，属于空间飞行器智能目标识别领域。
背景技术
目前卫星在轨智能识别的方法，主要包括两类。
针对合作目标的识别，包括航天器上专门设计用于识别的测量标志器(包括发光标识器或角反射镜)；用于相对导航的测量敏感器主要有微波交会雷达、激光交会雷达、相对GPS、视觉敏感器、激光测距仪等设备，使用中，选用某一种敏感器或几种敏感器的组合。
针对非合作目标的识别，包括无扫描机构的闪光测距成像雷达，该雷达能够在一次摄像中获得全景三维图像，能够捕获运动目标；接近非合作目标的图像敏感器，用于识别出非合作目标的卫星标识框架(Satellite frame)。
针对上述的传统在轨目标识别的方法，识别过程难度大，成本高，难以满足在轨实时姿态识别，通用性较差。对于合作目标的识别，前期的机械结构设计较多，需要设计和安装专门的辅助测量标志器，识别的算法也是针对特定结构；对于没有特定结构的非合作目标需要采取双目立体视觉相机以及闪光测距雷达等有效载荷手段进行空间三维建模后，才能获取运动信息，流程复杂。
本发明涉及的基于深度学习目标识别算法的卫星姿态转动信息确定方法，利用深度学习进行目标的特征提取与姿态预测，具有简化结构设计，实现实时性，准确度高，通用性强等优点。
发明内容
本发明的目的是针对现有技术的不足，提供一种基于深度学习目标识别算法的卫星姿态转动信息确定方法。
本发明的目的是通过以下技术方案来实现的：
一种基于深度学习目标识别算法的卫星姿态转动信息确定方法，包括如下步骤：
1)卫星三维模型在轨获取；
2)基于深度学习的目标识别算法训练；
3)基于深度学习的相对姿态识别；
4)转动信息确定。
其中步骤1)卫星三维模型在轨获取，是先对于目标卫星在轨进行图像获取，利用在轨实际图像进行三维重建。
步骤2)基于深度学习的目标识别算法训练，具体是：由在轨得到的三维模型生成图像数据集，进行卫星当前姿态角度计算与标记，标记精度根据任务需求进行调整。识别算法基于深度学习目标识别算法改进，由卷积神经网络预测出角度信息，读取标记信息，设计角度惩罚函数监督训练过程，迭代训练，获得权重矩阵，回归得到角度信息。
角度惩罚函数如下：
其中，λang表示角度误差的权重,s表示将图像划分为s行s列的网格单元，
表示目标是否出现在网格单元i中，是为1，否为0，根据该单元实际上是否有目标确定，()括号中内容分别表示三个姿态角预测值与标记值之差。
步骤3)基于深度学习的相对姿态识别，具体是：卫星在轨获取目标的图片信息，经过卷积神经网络对图片特征进行提取，经权重矩阵计算，回归得出当前角度信息。
步骤4)具体是：当前识别出的角度信息在卫星姿态的表示属于欧拉角式，卫星姿态可由此确定。通过欧拉角式与欧拉四元素式的换算关系，可得到当前卫星转轴信息与欧拉转角信息；通过两张以上图片的三轴姿态角信息，可通过两次姿态的变化得出姿态矩阵，进而可以计算出参考坐标系下的角速度。
本发明与现有技术相比具有的有益效果：
1)本发明提供一种基于深度学习目标识别算法的卫星姿态转动信息确定方法，利用深度学习进行目标的特征提取与姿态预测，不需要人为提取卫星特征，对合作目标与非合作目标具有通用性，该方法对卫星空间目标识别任务具有重要的工程应用价值；
2)本发明将姿态识别由卫星三维模型下得识别问题转化为二维问题，简化了识别的流程与传统识别算法的复杂性，使识别效率得到较大提高，具有简化结构设计，实现实时性，准确度高，通用性强等优点。
附图说明
图1是本发明方法流程图；
图2是卫星三维模型的在轨获取的方法流程；
图3是基于深度学习的目标识别算法训练的方法流程；
图4是转动信息确定的方法流程。
具体实施方式
下面结合实施例和附图来详细说明本发明，但本发明并不仅限于此。上述技术方案中，所述的基于深度学习目标识别算法的卫星姿态转动信息确定方法是在轨获取目标卫星的三维模型，生成数据集经过深度学习的目标识别算法训练，识别出相对姿态，最后确定出转动信息。
卫星三维模型的在轨获取1，具体方法是卫星在轨获取目标卫星的图像5，再进行三维重建6，在轨得到卫星三维模型。
基于深度学习的目标识别算法训练2，具体方法是，首先由获得的卫星三维模型进行数据集生成7，数据集角度标记批量自动完成，精度可按需求调整，具体可基于stk软件实现，经过设计算法与训练8，得到权重矩阵，用于新图片角度的预测，具体方法如下：
识别算法基于深度学习目标识别算法改进，以端到端网络Yolov3为例，读取输入图像后，卷积神经网络自动提取出图像特征，由全连接层预测出角度信息(算法改进中可以给出先验角度量，以提高预测精度与速度)，读取标记信息，设计角度惩罚函数监督训练过程，迭代训练，最终得到权重矩阵，权重矩阵用于角度预测值的计算。其中，角度惩罚函数如下：
其中，λang表示角度误差(angle error)的权重,s表示将图像划分为s行s列的网格单元，
表示目标是否出现在网格单元i中(是为1，否为0，根据该单元实际上是否有目标确定。()括号中内容分别表示三个姿态角预测值与标记值之差。
基于深度学习的相对姿态识别3，具体方法是，首先进行在轨图像获取，将新图像输入卷积神经网络进行特征提取，最终经过权重矩阵计算，得到角度信息预测值。
转动信息确定4，具体方法是，先进行转动轴计算9，转动方式确定10，转动速度计算 11，具体方法如下：
欧拉四元素式用于描述当前卫星欧拉轴的方向以及欧拉轴转角(Φ)，其定义为
其中前三个参数代表欧拉轴的方向，第四个代表欧拉转角。
卫星当前姿态角已知
结合预先定义好的旋转方向，可以得到欧拉参数式与姿态角的换算关系：
已知上一时刻三轴姿态角为E(T)，当前时刻的姿态角为E(T+ΔT)，通过姿态矩阵变化可算出姿态矩阵为A(T)和A(T+ΔT)，那么本时刻的卫星姿态运动可以描述成：
A(T+ΔT)＝A′A(T)
其中，A'是T时刻变换到T+ΔT的旋转矩阵，在卫星角速度不大的情况下，该矩阵可以近似表示为：
A′＝I-ωΔT
其中ω为相对于本体的角速度的斜对称矩阵：
因此，上式可以展开成
A(T+ΔT)＝A(T)-ωA(T)ΔT
由上式可计算出参考坐标系下的角速度ω。
本发明方法实现了通过卫星二维图像信息确定卫星当前姿态角度，并通过数帧图像姿态角度推算出当前卫星运动状态，使得姿态识别由卫星三维模型下的识别问题转化为二维问题，简化了识别流程，降低了识别算法的复杂性，提高了识别效率，并且由于本方法不需要人为提取卫星特征，对合作目标与非合作目标均具有通用性，该方法卫星空间目标识别任务具有重要的工程应用价值。
对所公开实例的上述说明，使本领域专业技术人员能够实现或使用本发明。对此实例的多种修改对本领域的专业技术人员来说将是显而易见的。本文中所定义的，仅为本发明的一种基于深度学习目标识别算法的卫星姿态转动信息确定方法应用实例，但是其中的深度学习目标识别算法并不限于Yolov3，对其他通用的深度学习算法都应落入本发明相应的权利要求保护范围内，以及转动信息确定方法也不限于欧拉四元素式与欧拉角式之间的转换法，其余转动信息确认方法也都应落入本发明相应的权利要求保护范围内。因此，本发明将不会被限制于本文所示的这一实例，而是要符合与本文所公开的原理一致的最宽的范围。
Claims (2)
1.一种基于深度学习目标识别算法的卫星姿态转动信息确定方法，其特征在于，包括如下步骤：
1)卫星三维模型在轨获取；
2)基于深度学习的目标识别算法训练；具体为：由在轨得到的三维模型生成图像数据集，进行卫星当前姿态角度计算与标记，标记精度根据任务需求进行调整；改进基于深度学习目标识别算法，由卷积神经网络自动提取出图像特征，由全连接层预测出角度信息，读取标记信息，设计角度惩罚函数监督训练过程，迭代训练，得到权重矩阵用于角度预测值的计算，其中，角度惩罚函数如下：
其中，
表示角度误差的权重,s表示将图像划分为s行s列的网格单元，
表示目
标是否出现在网格单元i中，是为1，否为0，根据该单元实际上是否有目标确定，()括号中
内容分别表示三个姿态角预测值与标记值之差；
3)基于深度学习的相对姿态识别，卫星在轨获取目标的图片信息，经过卷积神经网络对图片特征进行提取，经导入的权重矩阵计算，回归得出当前角度信息；
4)转动信息确定，当前识别出的角度信息在卫星姿态的表示属于欧拉角式，卫星姿态可由此确定；通过欧拉角式与欧拉四元素式的换算关系，可得到当前卫星转轴信息与欧拉转角信息；通过两张以上图片的三轴姿态角信息，可通过两次姿态的变化得出姿态矩阵，进而可以计算出参考坐标系下的角速度。
2.根据权利要求1所述的基于深度学习目标识别算法的卫星姿态转动信息确定方法，其特征在于，步骤1）具体为对于目标卫星在轨进行图像获取，利用在轨实际图像进行三维重建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811542375.5A CN109631911B (zh) | 2018-12-17 | 2018-12-17 | 一种基于深度学习目标识别算法的卫星姿态转动信息确定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811542375.5A CN109631911B (zh) | 2018-12-17 | 2018-12-17 | 一种基于深度学习目标识别算法的卫星姿态转动信息确定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109631911A CN109631911A (zh) | 2019-04-16 |
| CN109631911B true CN109631911B (zh) | 2021-02-05 |
Family
ID=66074700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811542375.5A Active CN109631911B (zh) | 2018-12-17 | 2018-12-17 | 一种基于深度学习目标识别算法的卫星姿态转动信息确定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109631911B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110132287B (zh) * | 2019-05-05 | 2023-05-05 | 西安电子科技大学 | 一种基于极限学习机网络补偿的卫星高精度联合定姿方法 |
| CN110779531B (zh) * | 2019-09-16 | 2020-11-20 | 北京航空航天大学 | 一种天基仅测角差分进化一次精确定轨方法 |
| CN111063021B (zh) * | 2019-11-21 | 2021-08-27 | 西北工业大学 | 一种空间运动目标的三维重建模型建立方法及装置 |
| CN112093082B (zh) * | 2020-09-25 | 2022-03-18 | 中国空间技术研究院 | 高轨卫星抓捕机构的在轨抓捕导引方法和装置 |
| CN111915674B (zh) * | 2020-09-30 | 2021-01-01 | 浙江智慧视频安防创新中心有限公司 | 一种物体姿态识别精度的计算方法、装置、存储介质及终端 |
| CN112651437B (zh) * | 2020-12-24 | 2022-11-11 | 北京理工大学 | 一种基于深度学习的空间非合作目标位姿估计方法 |
| CN113033072A (zh) * | 2021-02-08 | 2021-06-25 | 浙江大学 | 一种基于多头注意力指针网络的成像卫星任务规划方法 |
| CN114913230B (zh) * | 2022-05-13 | 2024-09-20 | 哈尔滨工业大学 | 绕飞背景下多种类空间目标姿态信息识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202956107U (zh) * | 2012-09-13 | 2013-05-29 | 北京同步科技有限公司 | 获取摄像机姿态数据的装置 |
| CN104406598A (zh) * | 2014-12-11 | 2015-03-11 | 南京航空航天大学 | 一种基于虚拟滑模控制的非合作航天器姿态估计方法 |
| CN104457761A (zh) * | 2014-11-18 | 2015-03-25 | 上海新跃仪表厂 | 基于多目视觉的相对位置和姿态的特征接力方法 |
| CN104501779A (zh) * | 2015-01-09 | 2015-04-08 | 中国人民解放军63961部队 | 基于多站测量的无人机高精度目标定位方法 |
| CN107917700A (zh) * | 2017-12-06 | 2018-04-17 | 天津大学 | 基于深度学习的小幅度目标三维姿态角测量方法 |
| CN108540311A (zh) * | 2018-03-16 | 2018-09-14 | 哈尔滨工业大学 | 卫星执行机构的故障检测深度学习网络处理方法及装置 |
| CN108645416A (zh) * | 2018-03-30 | 2018-10-12 | 北京空间飞行器总体设计部 | 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 |
| CN108680165A (zh) * | 2018-05-04 | 2018-10-19 | 中国人民解放军63920部队 | 基于光学图像的目标飞行器姿态确定方法和装置 |
| CN108830224A (zh) * | 2018-06-19 | 2018-11-16 | 武汉大学 | 一种基于深度学习的高分辨率遥感影像舰船目标检测方法 |
-
2018
- 2018-12-17 CN CN201811542375.5A patent/CN109631911B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202956107U (zh) * | 2012-09-13 | 2013-05-29 | 北京同步科技有限公司 | 获取摄像机姿态数据的装置 |
| CN104457761A (zh) * | 2014-11-18 | 2015-03-25 | 上海新跃仪表厂 | 基于多目视觉的相对位置和姿态的特征接力方法 |
| CN104406598A (zh) * | 2014-12-11 | 2015-03-11 | 南京航空航天大学 | 一种基于虚拟滑模控制的非合作航天器姿态估计方法 |
| CN104501779A (zh) * | 2015-01-09 | 2015-04-08 | 中国人民解放军63961部队 | 基于多站测量的无人机高精度目标定位方法 |
| CN107917700A (zh) * | 2017-12-06 | 2018-04-17 | 天津大学 | 基于深度学习的小幅度目标三维姿态角测量方法 |
| CN108540311A (zh) * | 2018-03-16 | 2018-09-14 | 哈尔滨工业大学 | 卫星执行机构的故障检测深度学习网络处理方法及装置 |
| CN108645416A (zh) * | 2018-03-30 | 2018-10-12 | 北京空间飞行器总体设计部 | 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 |
| CN108680165A (zh) * | 2018-05-04 | 2018-10-19 | 中国人民解放军63920部队 | 基于光学图像的目标飞行器姿态确定方法和装置 |
| CN108830224A (zh) * | 2018-06-19 | 2018-11-16 | 武汉大学 | 一种基于深度学习的高分辨率遥感影像舰船目标检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109631911A (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109631911B (zh) | 一种基于深度学习目标识别算法的卫星姿态转动信息确定方法 | |
| CN109974693B (zh) | 无人机定位方法、装置、计算机设备及存储介质 | |
| CN110070615B (zh) | 一种基于多相机协同的全景视觉slam方法 | |
| Peng et al. | Pose measurement and motion estimation of space non-cooperative targets based on laser radar and stereo-vision fusion | |
| CN108428255B (zh) | 一种基于无人机的实时三维重建方法 | |
| WO2020113423A1 (zh) | 目标场景三维重建方法、系统及无人机 | |
| CN111429574A (zh) | 基于三维点云和视觉融合的移动机器人定位方法和系统 | |
| CN106529538A (zh) | 一种飞行器的定位方法和装置 | |
| CN110319772B (zh) | 基于无人机的视觉大跨度测距方法 | |
| CN113627473A (zh) | 基于多模态传感器的水面无人艇环境信息融合感知方法 | |
| CN111623773B (zh) | 一种基于鱼眼视觉和惯性测量的目标定位方法及装置 | |
| CN109900274B (zh) | 一种图像匹配方法及系统 | |
| CN113587934B (zh) | 一种机器人、室内定位方法、装置和可读存储介质 | |
| CN109871739B (zh) | 基于yolo-sioctl的机动站自动目标检测与空间定位方法 | |
| CN110515088B (zh) | 一种智能机器人的里程计估计方法及系统 | |
| CN110032965A (zh) | 基于遥感图像的视觉定位方法 | |
| CN113240813A (zh) | 三维点云信息确定方法及装置 | |
| CN111812978B (zh) | 一种多无人机协作slam方法与系统 | |
| CN117541655B (zh) | 融合视觉语义消除radar建图z轴累积误差的方法 | |
| CN106767841A (zh) | 基于自适应容积卡尔曼滤波和单点随机抽样的视觉导航方法 | |
| CN112785686A (zh) | 一种基于大数据的林区地图构建方法及可读存储介质 | |
| CN109341685B (zh) | 一种基于单应变换的固定翼飞机视觉辅助着陆导航方法 | |
| Su et al. | Accurate Pose Tracking for Uncooperative Targets via Data Fusion of Laser Scanner and Optical Camera | |
| CN114170376B (zh) | 一种针对室外大场景的多源信息融合分组式运动恢复结构方法 | |
| CN115471555A (zh) | 一种基于图像特征点匹配的无人机红外巡检位姿确定方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |