CN111399210B - 大口径大视场望远镜粗对准方法、装置、设备及存储介质 - Google Patents
大口径大视场望远镜粗对准方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111399210B CN111399210B CN202010322438.7A CN202010322438A CN111399210B CN 111399210 B CN111399210 B CN 111399210B CN 202010322438 A CN202010322438 A CN 202010322438A CN 111399210 B CN111399210 B CN 111399210B
- Authority
- CN
- China
- Prior art keywords
- lens group
- neural network
- telescope
- coarse alignment
- correcting
- 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
Images
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B23/00—Telescopes, e.g. binoculars; Periscopes; Instruments for viewing the inside of hollow bodies; Viewfinders; Optical aiming or sighting devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Astronomy & Astrophysics (AREA)
- Optics & Photonics (AREA)
- Telescopes (AREA)
Abstract
本申请公开了一种大口径大视场望远镜粗对准方法、装置、设备及存储介质,包括:在主镜和校正镜组之间构建光学桁架;以光学桁架的测量结果为输入,以单台激光跟踪仪的测量结果为输出,训练第一神经网络;根据第一神经网络,确定校正镜组的初始姿态;根据光学桁架的变化量和Stewart机构运动学模型,得到校正镜组的姿态变化量;根据校正镜组的初始姿态与姿态变化量,计算校正镜组的绝对姿态;将校正镜组的绝对姿态与目标姿态进行比较,根据比较结果控制驱动机构对主镜和校正镜组进行粗对准。本申请在不借助额外测量设备的情况下,仅利用光学桁架测出的距离信息,就可以得到校正镜组的位置信息变化,快速实现望远镜的粗对准,精度高,成本低。
Description
技术领域
本发明涉及望远镜技术领域,特别是涉及一种大口径大视场望远镜粗对准方法、装置、设备及存储介质。
背景技术
望远镜口径的增加不仅有效提高对临近目标的分辨能力,同时还以平方规律提升望远镜的集光能力,有效提升暗弱目标成像信噪比、拓展极限探测能力,最终实现对更加深远的宇宙的探索。因此,大口径大视场望远镜是未来验证宇宙学最新理论、增加时域天文等领域学术话语权的关键。
近二十年来,大口径大视场望远镜获得了飞速发展,为了获得更高的巡天效率与集光能力,其口径与视场都在不断扩大。主动光学作为大口径大视场望远镜的关键技术,已经获得了广泛的应用,其主要对望远镜中的各个主要部件进行独立、实时的面形校正与姿态控制。由于大口径大视场望远镜需要在整个视场中均获得较高的成像质量,而轴外像差会大幅降低大视场望远镜的成像质量,也就是说,大口径大视场望远镜对系统对准的要求高,即需要同时保证轴外视场的像差。因此,需要在大动态范围以及多视场下,实现大口径大视场望远镜的粗对准。
目前,传统上使用的粗对准方法为单台激光跟踪仪。激光跟踪仪作为一种广泛使用的坐标测量仪器,在光学元件轮廓检测、主动光学粗对准以及光学系统准直装调中均发挥着重要的作用。但是,单台激光跟踪仪的精度有限,因此,在使用激光跟踪仪之后,还需要利用多种传感器进行检测,才可以保证望远镜可以正常工作。以上的方法,将严重制约大口径望远镜的粗对准速度,浪费宝贵的观测时间。
因此,如何快速实现大口径大视场望远镜的粗对准且精度高,是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种大口径大视场望远镜粗对准方法、装置、设备及存储介质,可以快速实现大口径大视场望远镜的粗对准且精度高,保证主动光学的顺利运行。其具体方案如下:
一种大口径大视场望远镜粗对准方法,包括:
在望远镜的主镜和校正镜组之间构建光学桁架;
利用单台激光跟踪仪对所述校正镜组进行测量,并以所述光学桁架的测量结果为输入,以所述单台激光跟踪仪的测量结果为输出,训练第一神经网络;
根据训练好的所述第一神经网络,确定所述校正镜组的初始姿态;
根据所述光学桁架的变化量和Stewart机构运动学模型,得到所述校正镜组的姿态变化量;
根据所述校正镜组的初始姿态与姿态变化量,计算所述校正镜组的绝对姿态;
将所述校正镜组的绝对姿态与目标姿态进行比较,根据比较结果控制驱动机构对所述主镜和所述校正镜组进行粗对准。
优选地,在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,在望远镜的主镜和校正镜组之间构建光学桁架,具体包括:
在望远镜的主镜和校正镜组的周边分别设置多个观测点作为连接接头,所述主镜的观测点与所述校正镜组的观测点依次首尾相连构成光学桁架。
优选地,在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,所述主镜和所述校正镜组的观测点分别至少有三个。
优选地,在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,
在训练第一神经网络之前,还包括:
在检测环境下,以单台激光跟踪仪对所述校正镜组的多次测量结果为输入,以多台激光跟踪仪对所述校正镜组的多次测量结果为输出,建立用于折光误差修正的第二神经网络;
通过建立的所述第二神经网络对所述单台激光跟踪仪进行校标。
优选地,在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,所述第一神经网络和/或所述第二神经网络中使用小波函数作为隐藏层激活函数。
优选地,在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,在训练第一神经网络的同时,还包括:
利用误差反向传播结合粒子群算法和遗传算法,优化所述第一神经网络的权值和尺寸因子、平移因子、节点之间的权重值与阈值。
优选地,在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,根据所述光学桁架的变化量和Stewart机构运动学模型,得到所述校正镜组的姿态变化量,包括:
根据Stewart机构运动学模型,建立雅克比矩阵数从数学空间到机构空间的映射;
根据所述光学桁架的变化量和建立的所述雅克比矩阵映射,得到所述校正镜组的姿态变化量。
本发明实施例还提供了一种大口径大视场望远镜粗对准装置,包括:
光学桁架构建模块,用于在望远镜的主镜和校正镜组之间构建光学桁架;
神经网络训练模块,用于利用单台激光跟踪仪对所述校正镜组进行测量,并以所述光学桁架的测量结果为输入,以所述单台激光跟踪仪的测量结果为输出,训练第一神经网络;
初始姿态确定模块,用于根据训练好的所述第一神经网络,确定所述校正镜组的初始姿态;
姿态变化量得到模块,用于根据所述光学桁架的变化量和Stewart机构运动学模型,得到所述校正镜组的姿态变化量;
绝对姿态计算模块,用于根据所述校正镜组的初始姿态与姿态变化量,计算所述校正镜组的绝对姿态;
粗对准控制模块,用于将所述校正镜组的绝对姿态与目标姿态进行比较,根据比较结果控制驱动机构对所述主镜和所述校正镜组进行粗对准。
本发明实施例还提供了一种大口径大视场望远镜粗对准设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如本发明实施例提供的上述大口径大视场望远镜粗对准方法。
本发明实施例还提供了一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如本发明实施例提供的上述大口径大视场望远镜粗对准方法。
从上述技术方案可以看出,本发明所提供的一种大口径大视场望远镜粗对准方法、装置、设备及存储介质,包括:在望远镜的主镜和校正镜组之间构建光学桁架;利用单台激光跟踪仪对校正镜组进行测量,并以光学桁架的测量结果为输入,以单台激光跟踪仪的测量结果为输出,训练第一神经网络;根据训练好的第一神经网络,确定校正镜组的初始姿态;根据光学桁架的变化量和Stewart机构运动学模型,得到校正镜组的姿态变化量;根据校正镜组的初始姿态与姿态变化量,计算校正镜组的绝对姿态;将校正镜组的绝对姿态与目标姿态进行比较,根据比较结果控制驱动机构对主镜和校正镜组进行粗对准。
本发明在不借助额外测量设备的情况下,仅利用光学桁架测出的距离信息,就可以得到校正镜组的位置信息变化,获得校正镜组的高精度空间位置,并通过反馈控制,降低驱动机构的绝对精度要求,大幅减少结构成本,进而可以快速实现大口径大视场望远镜的粗对准且精度高,保证主动光学的顺利运行。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的大口径大视场望远镜粗对准方法的流程图;
图2为本发明实施例提供的大口径大视场望远镜和光学桁架组成的立体结构示意图;
图3为本发明实施例提供的大口径大视场望远镜和光学桁架组成的结构俯视图;
图4为现有的激光跟踪仪在折射率影响下的光径现象示意图;
图5为本发明实施例提供的大口径大视场望远镜粗对准方法对应的校标过程示意图;
图6为本发明实施例提供的Stewart运动学模型示意图;
图7为本发明实施例提供的大口径大视场望远镜粗对准装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种大口径大视场望远镜粗对准方法,如图1所示,包括以下步骤:
S101、在望远镜的主镜和校正镜组之间构建光学桁架;需要说明的是,光学桁架指的是利用距离测量手段控制元件位置的方法,由于类似于杆件所组成的机械桁架,因此被称为“Optics Truss”,本发明正是基于光学桁架的概念,提出一种基于光学桁架的大口径大视场望远镜实时粗对准方法,保证主动光学的顺利运行;
S102、利用单台激光跟踪仪对校正镜组进行测量,并以光学桁架的测量结果为输入,以单台激光跟踪仪的测量结果为输出,训练第一神经网络;在实际应用中,光学桁架的测量结果是可以通过高精度距离测量获得;
S103、根据训练好的第一神经网络,确定校正镜组的初始姿态;
S104、根据光学桁架的变化量和Stewart机构运动学模型,得到校正镜组的姿态变化量;
S105、根据校正镜组的初始姿态与姿态变化量,计算校正镜组的绝对姿态;
S106、将校正镜组的绝对姿态与目标姿态进行比较,根据比较结果控制驱动机构对主镜和校正镜组进行粗对准。
在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,在不借助额外测量设备的情况下,仅利用光学桁架测出的距离信息,就可以得到校正镜组的位置信息变化,获得校正镜组的高精度空间位置,并通过反馈控制,降低驱动机构的绝对精度要求,大幅减少结构成本,进而可以快速实现大口径大视场望远镜的粗对准且精度高,保证主动光学的顺利运行。
在具体实施时,在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,步骤S101在望远镜的主镜和校正镜组之间构建光学桁架,具体可以包括:在望远镜的主镜和校正镜组的周边分别设置多个观测点作为连接接头,主镜的观测点与校正镜组的观测点依次首尾相连构成光学桁架。以图2和图3为例,主镜周边设置有观测点P1、P2、P3,校正镜组周边设置有观测点P4、P5、P6,具体P1、P4、P2、P6、P3、P5依次首尾相连;另外,主镜周边设置还有观测点P7、P8、P9,校正镜组周边设置有观测点P10、P11、P12,具体P7、P10、P9、P11、P8、P12依次首尾相连;由此,P1~P12中P1、P4、P2、P6、P3、P5依次首尾相连和P7、P10、P9、P11、P8、P12依次首尾相连共同构成光学桁架。连接标志的两点之间的距离数据作为光学桁架的测量结果,也可以称之为光学桁架的支腿长度。
在具体实施时,在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,为了得到准确的姿态信息,减少测量过程中由于轴晃所带来的误差,主镜和校正镜组的周边设置的观测点分别可以至少有三个。
一般来讲,使用多个激光跟踪仪交汇测量可以提高测量精度,但是一味的增多设备会造成极大的硬件浪费。因此,本发明仅仅依靠距离变量求解校正镜组的姿态。假设反射靶标(即用于反射P1~P12中两点连接光线的装置)中心所对应坐标为Pi(xi,yi,zi)i=1...M-1,
其中Li为靶标与基准之间的距离。
在具体实施时,在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,在执行步骤S102训练第一神经网络之前,还可以包括:首先,在检测环境下,以单台激光跟踪仪对校正镜组的多次测量结果为输入,以多台激光跟踪仪对校正镜组的多次测量结果(与实际距离接近或相同)为输出,建立用于折光误差修正的第二神经网络;然后,通过建立的第二神经网络对单台激光跟踪仪进行校标。
需要说明的是,由于大口径大视场望远镜的尺寸较大,同时望远镜结构的热容较小,在检测的过程中会由于气流扰动而造成光程的变化。激光跟踪仪的误差是由其光机电等各个部分综合作用的结果:一方面,需要考虑由于折射率变化所引入的误差;另一方面,在特殊情况下,需要激光跟踪仪进行周向大范围的测量,激光跟踪仪的转动所带来的周期误差也需要考虑。激光跟踪仪在进行测距时,由于大气折射率的变化,光线将不再沿着直线传播,形成“光径”。基于“光径”方程,可对折光改正进行研究。
根据Barrel-Sears公式,不同压强温度下的大气的折射率如下式所示:
如图4所示,以激光跟踪仪的原点为基准建立坐标系,水平出射情况下,折光改正数为下式所示:
其中ψZ(η)、ψY(γ)均为关于温度梯度,折射率的函数,S为“光径”长度,D为测量基线长度。通过分析上式可得,所有折光补偿的符号是一致的,故无法依靠多次测量平均抵消“光径”的影响。
因此,当现有规则和公式无法描述望远镜系统的常见像差和系统误差时,如图5所示,本发明在检测环境中进行先验多次测量,并用该结果进行第二神经网络训练,由第二神经网络去处理大量数据,然后对单台激光跟踪仪进行校标,这样基于较高精度的基准,可以降低由于环境所引入的误差,具有极大的灵活性和自适应性。之后,以校标好的单台激光跟踪仪进行测量,并以光学桁架的测量结果为输入,以激光跟踪仪所获得的绝对定位为输出,训练用于获取校正镜组姿态的第一神经网络,使第一神经网络输出与实际位置误差的二次方和最小。最后利用第一神经网络得到主镜与校正镜组之间的误差,包括倾斜、平移、面内旋转等。由于此时,检测环境较为理想,所建立的网络,鲁棒性较好,利用“流水线”思想将建立总的神经网络,实现环形望远镜的大口径大视场度量系统数据处理,可以帮助光学桁架迅速建立基准点。
在具体实施时,在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,第一神经网络和/或第二神经网络中可以使用小波函数作为隐藏层激活函数。这样使用小波函数的神经网络结合了小波变换多尺度表征的特性,同时保留了神经网络泛化能力好、非线性映射能力强的特点。
进一步地,在具体实施时,在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,在执行步骤S102训练第一神经网络的同时,还可以包括:利用误差反向传播结合粒子群算法和遗传算法,优化第一神经网络的权值和尺寸因子、平移因子、节点之间的权重值与阈值。
在具体实施时,在本发明实施例提供的上述大口径大视场望远镜粗对准方法中,步骤S103根据光学桁架的变化量和Stewart机构运动学模型,得到校正镜组的姿态变化量,可以包括:首先根据Stewart机构运动学模型,建立雅克比矩阵数从数学空间到机构空间的映射;然后根据光学桁架的变化量和建立的雅克比矩阵映射,得到校正镜组的姿态变化量。
需要说明的是,本发明利用空间机构相关理论(如Stewart平台相关概念),解算光学桁架的相对位置,进一步得到校正镜组的姿态变化量。图6示出了Stewart机构运动学模型,P4~P6平台为动平台(即校正镜组),P1~P3平台为定平台(即主镜)。
对于Stewart平台,其速度雅克比矩阵表示动平台(即校正镜组)的广义速度与支腿(即通过P1~P6获得的距离信息)的伸长速度之间的关系,具体表达式为:
其中,ei为第i个支腿的方向单位向量,ri为从动平台原点到动平台第i个铰点的向量。
设6根支腿的长度变化向量为δq,动平台的广义位移向量为δQ,那么有:
上式被称为stewart机构运动学模型,由该式可知,雅克比矩阵的秩,直接与stewart并联机构的自由度相关,如果对于某一位形雅克比矩阵的秩,那么该位形就为机构奇异位型(如死点、失稳点、运动不连续点等);但是,对于雅克比矩阵的条件数,现有技术中还没有建立从数学空间到机构空间的映射,只是笼统地认为是机构可操作性能的表征,称之为“灵巧度”。本发明将通过奇异值分解,建立雅克比矩阵的条件数从数学空间到机构空间的映射,并利用软件进行仿真验证。
对于上式,在一个很小的时间段内,认为stewart机构的位形没有发生变化,雅克比矩阵也为定值,可得支腿的长度变化量与动平台广义位移量的关系,同理,两者误差量也服从相同的传递关系。对于非奇异位形,机构雅克比矩阵可逆,故有:
δQ=J-1δq
其中,支腿的长度变化向量误差为δq,动平台的广义位移向量为δQ。其中,单点测量变化为:δq=[δL1,δL2,δL3,δL4,δL5,δL6]。
这样在不借助额外测量设备的情况下,仅利用光学桁架距离信息反解就可以实现校正镜组姿态变化的测量,进而得到校正镜组的位置信息变化。
基于同一发明构思,本发明实施例还提供了一种大口径大视场望远镜粗对准装置,由于该大口径大视场望远镜粗对准装置解决问题的原理与前述一种大口径大视场望远镜粗对准方法相似,因此该大口径大视场望远镜粗对准装置的实施可以参见大口径大视场望远镜粗对准方法的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的大口径大视场望远镜粗对准装置,如图7所示,具体包括:
光学桁架构建模块11,用于在望远镜的主镜和校正镜组之间构建光学桁架;
神经网络训练模块12,用于利用单台激光跟踪仪对校正镜组进行测量,并以光学桁架的测量结果为输入,以单台激光跟踪仪的测量结果为输出,训练第一神经网络;
初始姿态确定模块13,用于根据训练好的第一神经网络,确定校正镜组的初始姿态;
姿态变化量得到模块14,用于根据光学桁架的变化量和Stewart机构运动学模型,得到校正镜组的姿态变化量;
绝对姿态计算模块15,用于根据校正镜组的初始姿态与姿态变化量,计算校正镜组的绝对姿态;
粗对准控制模块16,用于将校正镜组的绝对姿态与目标姿态进行比较,根据比较结果控制驱动机构对主镜和校正镜组进行粗对准。
在本发明实施例提供的上述大口径大视场望远镜粗对准装置中,可以通过上述六个模块的相互作用,在不借助额外测量设备的情况下,可以获得校正镜组的高精度空间位置,并通过反馈控制,降低驱动机构的绝对精度要求,大幅减少结构成本,进而可以快速实现大口径大视场望远镜的粗对准且精度高,保证主动光学的顺利运行。
在具体实施时,在本发明实施例提供的上述大口径大视场望远镜粗对准装置中,神经网络训练模块12,还可以用于在检测环境下,以单台激光跟踪仪对校正镜组的多次测量结果为输入,以多台激光跟踪仪对校正镜组的多次测量结果为输出,建立用于折光误差修正的第二神经网络。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
相应的,本发明实施例还公开了一种大口径大视场望远镜粗对准设备,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现前述实施例公开的大口径大视场望远镜粗对准方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
进一步的,本发明还公开了一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现前述公开的大口径大视场望远镜粗对准方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上,本发明实施例提供的一种大口径大视场望远镜粗对准方法、装置、设备及存储介质,包括:在望远镜的主镜和校正镜组之间构建光学桁架;利用激光跟踪仪测量校正镜组的绝对位置,并以光学桁架的测量结果为输入,以激光跟踪仪的测量结果为输出,训练用于获取校正镜组姿态的第一神经网络;根据训练好的第一神经网络,建立光学桁架的测量结果与校正镜组的失调量之间的关系,得到理论模型;将光学桁架的当前测量结果输入至理论模型,获取校正镜组的当前失调量;根据获取的当前失调量,控制驱动机构对主镜和校正镜组进行粗对准。本发明在不借助额外测量设备的情况下,仅利用光学桁架测出的距离信息,就可以得到校正镜组的位置信息变化,获得校正镜组的高精度空间位置,并通过反馈控制,降低驱动机构的绝对精度要求,大幅减少结构成本,进而可以快速实现大口径大视场望远镜的粗对准且精度高,保证主动光学的顺利运行。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的大口径大视场望远镜粗对准方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种大口径大视场望远镜粗对准方法,其特征在于,包括:
在望远镜的主镜和校正镜组的周边分别设置多个观测点作为连接接头,所述主镜的观测点与所述校正镜组的观测点依次首尾相连构成光学桁架;
利用单台激光跟踪仪对所述校正镜组进行测量,并以所述光学桁架的测量结果为输入,以所述单台激光跟踪仪的测量结果为输出,训练第一神经网络;
根据训练好的所述第一神经网络,确定所述校正镜组的初始姿态;
根据Stewart机构运动学模型,建立雅克比矩阵数从数学空间到机构空间的映射;
根据所述光学桁架的变化量和建立的所述雅克比矩阵映射,得到所述校正镜组的姿态变化量;
根据所述校正镜组的初始姿态与姿态变化量,计算所述校正镜组的绝对姿态;
将所述校正镜组的绝对姿态与目标姿态进行比较,根据比较结果控制驱动机构对所述主镜和所述校正镜组进行粗对准。
2.根据权利要求1所述的大口径大视场望远镜粗对准方法,其特征在于,所述主镜和所述校正镜组的观测点分别至少有三个。
3.根据权利要求1所述的大口径大视场望远镜粗对准方法,其特征在于,在训练第一神经网络之前,还包括:
在检测环境下,以单台激光跟踪仪对所述校正镜组的多次测量结果为输入,以多台激光跟踪仪对所述校正镜组的多次测量结果为输出,建立用于折光误差修正的第二神经网络;
通过建立的所述第二神经网络对所述单台激光跟踪仪进行校标。
4.根据权利要求3所述的大口径大视场望远镜粗对准方法,其特征在于,所述第一神经网络和/或所述第二神经网络中使用小波函数作为隐藏层激活函数。
5.根据权利要求1所述的大口径大视场望远镜粗对准方法,其特征在于,在训练第一神经网络的同时,还包括:
利用误差反向传播结合粒子群算法和遗传算法,优化所述第一神经网络的权值和尺寸因子、平移因子、节点之间的权重值与阈值。
6.一种大口径大视场望远镜粗对准装置,其特征在于,包括:
光学桁架构建模块,用于在望远镜的主镜和校正镜组的周边分别设置多个观测点作为连接接头,所述主镜的观测点与所述校正镜组的观测点依次首尾相连构成光学桁架;
神经网络训练模块,用于利用单台激光跟踪仪对所述校正镜组进行测量,并以所述光学桁架的测量结果为输入,以所述单台激光跟踪仪的测量结果为输出,训练第一神经网络;
初始姿态确定模块,用于根据训练好的所述第一神经网络,确定所述校正镜组的初始姿态;
姿态变化量得到模块,用于根据Stewart机构运动学模型,建立雅克比矩阵数从数学空间到机构空间的映射;根据所述光学桁架的变化量和建立的所述雅克比矩阵映射,得到所述校正镜组的姿态变化量;
绝对姿态计算模块,用于根据所述校正镜组的初始姿态与姿态变化量,计算所述校正镜组的绝对姿态;
粗对准控制模块,用于将所述校正镜组的绝对姿态与目标姿态进行比较,根据比较结果控制驱动机构对所述主镜和所述校正镜组进行粗对准。
7.一种大口径大视场望远镜粗对准设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至5任一项所述的大口径大视场望远镜粗对准方法。
8.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的大口径大视场望远镜粗对准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010322438.7A CN111399210B (zh) | 2020-04-22 | 2020-04-22 | 大口径大视场望远镜粗对准方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010322438.7A CN111399210B (zh) | 2020-04-22 | 2020-04-22 | 大口径大视场望远镜粗对准方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111399210A CN111399210A (zh) | 2020-07-10 |
CN111399210B true CN111399210B (zh) | 2021-05-04 |
Family
ID=71437222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010322438.7A Active CN111399210B (zh) | 2020-04-22 | 2020-04-22 | 大口径大视场望远镜粗对准方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111399210B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111781719B (zh) * | 2020-07-21 | 2021-12-07 | 中国科学院长春光学精密机械与物理研究所 | 一种大口径大视场望远镜系统内置测量装置及其测量方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106305A (zh) * | 2013-02-01 | 2013-05-15 | 北京工业大学 | 一种基于实测模态的空间网格结构模型分步修正方法 |
CN106055818A (zh) * | 2016-06-12 | 2016-10-26 | 上海交通大学 | 一种变几何桁架模型化定位方法 |
CN105938554B (zh) * | 2016-04-14 | 2019-02-22 | 北京交通大学 | 基于图像自动判读的尖轨伸缩位移监测方法及系统 |
CN109491072A (zh) * | 2019-01-04 | 2019-03-19 | 中国科学院长春光学精密机械与物理研究所 | 大口径望远镜的次镜系统支撑结构及其制造方法 |
CN110188321A (zh) * | 2019-05-22 | 2019-08-30 | 中国科学院光电技术研究所 | 一种基于神经网络算法的主次镜校准方法 |
CN110361829A (zh) * | 2019-07-10 | 2019-10-22 | 中国科学院长春光学精密机械与物理研究所 | 一种望远镜指向误差校正方法及望远镜 |
CN110597051A (zh) * | 2019-09-24 | 2019-12-20 | 南京理工大学 | 基于RBF神经网络的Stewart稳定平台控制方法 |
CN111025618A (zh) * | 2019-12-19 | 2020-04-17 | 中国科学院长春光学精密机械与物理研究所 | 反射式望远镜的装调方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846972A (zh) * | 2009-03-23 | 2010-09-29 | 上海都峰智能科技有限公司 | 两轴扫描镜 |
US9823459B2 (en) * | 2015-09-29 | 2017-11-21 | Raytheon Company | High-stiffness structure for larger aperture telescope |
CN109656013B (zh) * | 2018-12-17 | 2020-08-21 | 中国科学院长春光学精密机械与物理研究所 | 一种基于激光跟踪仪的大口径望远镜主镜室装配方法 |
-
2020
- 2020-04-22 CN CN202010322438.7A patent/CN111399210B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106305A (zh) * | 2013-02-01 | 2013-05-15 | 北京工业大学 | 一种基于实测模态的空间网格结构模型分步修正方法 |
CN105938554B (zh) * | 2016-04-14 | 2019-02-22 | 北京交通大学 | 基于图像自动判读的尖轨伸缩位移监测方法及系统 |
CN106055818A (zh) * | 2016-06-12 | 2016-10-26 | 上海交通大学 | 一种变几何桁架模型化定位方法 |
CN109491072A (zh) * | 2019-01-04 | 2019-03-19 | 中国科学院长春光学精密机械与物理研究所 | 大口径望远镜的次镜系统支撑结构及其制造方法 |
CN110188321A (zh) * | 2019-05-22 | 2019-08-30 | 中国科学院光电技术研究所 | 一种基于神经网络算法的主次镜校准方法 |
CN110361829A (zh) * | 2019-07-10 | 2019-10-22 | 中国科学院长春光学精密机械与物理研究所 | 一种望远镜指向误差校正方法及望远镜 |
CN110597051A (zh) * | 2019-09-24 | 2019-12-20 | 南京理工大学 | 基于RBF神经网络的Stewart稳定平台控制方法 |
CN111025618A (zh) * | 2019-12-19 | 2020-04-17 | 中国科学院长春光学精密机械与物理研究所 | 反射式望远镜的装调方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
"Model updating of LAMOST using RBF neural networks";Na HU etc.;《SCIENTIC SINICA Physica,Mechanica,Astronomica》;20130506;第678-686页 * |
"基于机构条件数的30m望远镜三井Stewart平台";张景旭,安其昌等;《光学精密工程》;20140430;第890-896页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111399210A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210041236A1 (en) | Method and system for calibration of structural parameters and construction of affine coordinate system of vision measurement system | |
CN110188321B (zh) | 一种基于神经网络算法的主次镜校准方法 | |
Wang et al. | A screw axis identification method for serial robot calibration based on the POE model | |
CN108198219B (zh) | 用于摄影测量的相机标定参数的误差补偿方法 | |
CN107042528A (zh) | 一种工业机器人的运动学标定系统及方法 | |
CN108871373B (zh) | 一种基于俯仰滚转台和非线性优化的星敏感器标定方法 | |
Hernández-Martínez et al. | Characterization of a cable-based parallel mechanism for measurement purposes# | |
CN113048938B (zh) | 一种合作目标设计及姿态角测量系统及方法 | |
CN113267258A (zh) | 红外测温方法、装置、设备、智能巡检机器人及存储介质 | |
Wang et al. | A vision-based fully-automatic calibration method for hand-eye serial robot | |
Huo et al. | Corrected calibration algorithm with a fixed constraint relationship and an error compensation technique for a binocular vision measurement system | |
CN111399210B (zh) | 大口径大视场望远镜粗对准方法、装置、设备及存储介质 | |
Fu et al. | Stereo vision-based Kinematic calibration method for the Stewart platforms | |
CN117590755A (zh) | 一种双快速反射镜光束指向控制方法及相关设备 | |
Vorotnikov et al. | Estimation of error in determining the centers of rotation of links in a kinematic chain for industrial robot calibration techniques | |
CN113916128A (zh) | 一种基于光笔式视觉测量系统的提高精度的方法 | |
El-Ashmawy | A comparison study between collinearity condition, coplanarity condition, and direct linear transformation (DLT) method for camera exterior orientation parameters determination | |
CN115070731B (zh) | 一种面向并联机构的几何误差标定方法、系统和电子设备 | |
CN115423881A (zh) | 一种基于神经网络和光斑形态的主次镜快速校准方法 | |
Xiong et al. | On-site accuracy evaluation of laser tracking attitude measurement system | |
Hoang et al. | Image displacement analysis for electro-optical system for deflection measurement of floating docks | |
Sun et al. | Two-step calibration method of the extrinsic parameters with high accuracy for a bistatic non-orthogonal shafting laser theodolite system | |
Feng et al. | The length error compensation method of articulated arm coordinate measuring machine | |
CN117984074B (zh) | 一种用于大型三维立体装配无固定测量点调姿定位方法 | |
CN117194849B (zh) | 基于矢量乘法的表面面形的误差求解方法 |
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 |