JP7101535B2 - Ｌｉｄａｒセンサによってターゲットオブジェクトを検出し、自律的にトラッキングする方法 - Google Patents

Description

本発明は、LIDARセンサによってターゲットオブジェクト（target object）、特には非協力的なスペースクラフト（spacecraft）、を検出し、かつ、自律的にトラッキングする方法に関する。ここで、LIDARセンサは、既定の表面領域にわたりターゲットオブジェクトの上にレーザパルスを継続的に放射し、かつ、既定の時間間隔でターゲットオブジェクトによって反射された測定ポイントから３次元（3D）ポイントクラウド（point cloud）を生成し、そして、位置を推定するアルゴリズムに基づいて、ターゲットオブジェクトの６自由度の動きについて既定の時間間隔で、LIDARセンサに対するターゲットオブジェクトの現在の相対位置が計算される。

３次元LIDARシステム、例えばLIDARセンサ、によるスペースクラフト間の相対的ナビゲーションのためには、目標物（「ターゲット（"target"）」）の検出と自律的なトラッキングが非常に重要である。LIDARセンサは、例えば数キロメートルの距離から、対象物を識別し、かつ、その位置を追跡（track）できることが必要である。例えば、サービシング（servicing）やデオービット（deorbit）ミッションといった、非協力的なターゲットを伴うシナリオについては、レトロリフレクタ（retroreflector）といった、特徴的な識別要素が利用可能ではない。LIDARセンサは、従って、適切な方法の助けを借りて相対位置に関して分析される必要がある、ポイントクラウドを生成する。単純な平均化は、潜在的に非常に不正確であることが示されてきている。幅広く変動する反射率および放射の特性を伴うスペースフライト（space flight）における広範囲な材料の存在のせいで、ターゲットオブジェクト、例えば静止衛星（geostationary satellite）、上をサービシングミッションのフレームワークの中でレーザ光を用いてスウィープし、かつ、反射された放射を分析すること（「スキャン」（"scan"））は、非常に不均一に分散したポイントクラウドを結果として生じる可能性がある。平均化は、このように、ひどい変動を導く可能性がある。理論的に、誤差の大きさは、ターゲットオブジェクトの寸法に到達することができ、そして、近い範囲においては、上位の（superordinate）いわゆるGNCシステム（LIDARセンサ、ガイダンス、ナビゲーションとコントロール、GNCを含むスペースクラフトのガイダンス、ナビゲーション、および制御のためのシステム）によってもはや許容されないポイントに到達することができる。例えば、５０ｍの翼幅（wingspan）を有する静止衛星にわたるスキャンの場合には、最悪ケース、このように、２５ｍまでの誤差となる可能性がある。

すでに１９８０年代半ばに開始され、現代の姿勢推定アルゴリズム（modern pose estimation algorithms）の数学的基礎が築かれた。これらのアルゴリズムは、３次元のポイントクラウドからのターゲットオブジェクトの相対的な位置および場所を決定することができる。３次元LIDARシステムのノイズ特性のせいで、しかしながら、それらは、例えば５０ｍ未満の、小さな距離に対してだけ使用することができる。

３次元ポイントクラウドの高解像度な生成のためにLIDARセンサを使用することは、例えばマッピング、地理学、考古学、測量のための地上用途（terrestrial application）について標準的な方法である。スペースセクター（space sector）において、LIDARセンサは、位置および距離の測定のために使用される。例えば、国際宇宙ステーション（international space station）に対する供給スペースクラフトのアプローチおよびドッキング操作のための位置制御のためである。既に知られているように、遠距離LIDARトラッキングアルゴリズムは、例えば、レトロリフレクタといった、特徴的な識別要素の検出に基づいている。これらの要素は、その高いバック反射振幅（back-reflected amplitude）に基づいて、一意に識別することができる。ターゲット上のリフレクタの配置が知られている場合には、数キロメートルの距離からでも相対位置情報を引き出すことができる。この原理は、非協力的なターゲットオブジェクト、すなわち適切な識別要素を持たないターゲットオブジェクト、を含むシナリオについて使用することができない。

かなり近傍からのドッキングプロセスのために、いわゆる反復最接近点アルゴリズム（Closest Point Algorithms）を使用してターゲットオブジェクトの位置を決定することができる。反復的な適合方法を用いて、継続的に行われるスキャンの過程においてLIDARセンサによって取得される３次元ポイントクラウドに数学的参照モデルを適合させるものである。上述のアルゴリズムは、例えば、タイトル"Closed-form solution of absolute orientation using unit quaterninons"、Berthold K.P.Horn in Vol.4、 No.4/April 1987/J.Opt.Soc.Am.、pages629-642から知られている。これは、単純な固有値計算または特異値分解に基づいて、２つのポイントクラウド間の平行移動（translation）および回転（rotation）について解析解を決定する、アルゴリズムを開示している。これを行うためには、しかしながら、スキャンされたポイントと参照モデルとの間の対応が最初に確立される必要がある。参照モデルは、ターゲットオブジェクトのCADモデルから導出され、そして、適合方法に応じて、単純なポイントの形態において、または、表面要素（surface elements）としてパラメータ化される。計算仕様に応じて、対応するポイントは、例えば、ポイント間の距離の最小化を介して、または、基準面（reference surface）上への通常の投影を介して決定される。この後に、平行移動と回転の計算が続く。このプロセスは、例えばスクエア（square）な、品質関数値（quality function value）が閾値を下回るまで反復される。後続の各反復を用いると、適合が継続的に改善されているので、アルゴリズムは正しい解に向かってますます収束していく。この方法の適用は、しかしながら、LIDARセンサのノイズ挙動（noise behavior）によって制限され、そして、ターゲットオブジェクトから概ね５０ｍの距離までしか確実に使用することができない。

本発明の目的は、LIDARセンサの可能な用途を、特に、空間内の（in space）ターゲットオブジェクトを識別し、かつ、自律的にトラッキングするために、より大きな距離まで拡大する方法を提案することである。

本目的は、請求項１の技術的事項によって達成される。従属請求項は、請求項１の技術的事項の有利な実施形態を記載している。

提案される方法は、LIDARセンサを用いて、ターゲットオブジェクト、特には非協力的なスペースクラフト、の検出および自律的トラッキングを行う。LIDARセンサは、既定の表面領域にわたりターゲットオブジェクトの上にレーザパルスを継続的に放射する。既定の時間間隔でターゲットオブジェクトによって反射された測定ポイントから３次元ポイントクラウドが生成され、そして、位置を推定するアルゴリズムに基づいて、既定の時間間隔でターゲットオブジェクトの６自由度の動きについて、LIDARセンサに対するターゲットオブジェクトの現在の相対位置が計算される。より大きい距離にわたるLIDARセンサのノイズ挙動を補償するために、第１ステップにおいて、複数の既定の時間間隔にわたり取得された高解像度な初期化（initializing）ポイントクラウドが取得される。第２ステップにおいては、初期化ポイントクラウドから少数の測定ポイントを用いてノイズの多い（noisy）参照モデルが生成される。そして、その後の反復ステップにおいて、かつ、既定の時間間隔で、アルゴリズムを使用して、時間的位置クラウド（temporal position clouds）が決定され、かつ、参照モデルと比較され、そして、ターゲットオブジェクトの位置情報が計算される。ここで、参照モデルは、ポイントクラウドの変化に対して継続的に適合されている。

本方法の有利な実施形態に従って、LIDARセンサは、ターゲットまで５０ｍよりも大きい距離において使用される。

提案される方法において、既定の時間間隔は、好ましくは０．５秒から１秒である。

本方法に係る一つの有利な実施形態に従って、異なる視点（viewpoints）から取得されたポイントクラウドから、または、参照モデルからターゲットオブジェクトの３次元モデルが決定される。本方法に係る一つの有利な実施形態に従って、ターゲットオブジェクトの３次元モデルは、ターゲットオブジェクトに対するLIDARセンサを有するスペースクラフトの楕円形アプローチ（elliptical approach）を用いて決定することができる。

別の言葉で言えば、提案される方法は、６自由度を参照するターゲットオブジェクトの識別のための姿勢推定アルゴリズムの知識に基づく、いわゆるトラッキング方法を使用する。
オリジナルに対して忠実な（true）CADモデルは、非協力的なターゲットオブジェクトに関する知識の欠如のせいで、または、例えば５０ｍ以上の、より大きな距離での高レベルのセンサノイズのせいで利用可能でないことがあるが、計算された位置におけるひどい変動を導く可能性があり、それは、次に、位置決定の結果に悪影響を及ぼすことがある。代わりに、アプローチの最中にLIDARセンサ自体によってさらに生成され、かつ、継続的に改善される、ノイズの多い参照モデルが使用される。アプローチの最中に、従って、LIDARセンサは、そのターゲットオブジェクトの輪郭を「学習（"learn"）」し、そして、例えば、継続的に改善している参照モデルに対して、迅速な（rapid）１－２Ｈｚのトラッキングスキャンを適合する。

本アルゴリズムは、LIDARセンサの遅く、かつ、高解像度な取得スキャンによって最初に初期化される。従って、まず始めに、ターゲットオブジェクトの第１参照モデルが構築される。この場合には、LIDARセンサに組み込まれ、または、接続されているコンピュータの計算速度に関して、参照モデルが既定の固定数のポイントに制限されることが推奨される。以降のステップにおいては、迅速なトラッキングスキャンが実行される。これらは、今や、スキャン速度のせいで明確に間引かれ（thinned out）、そして、理論上、異なる材料のせいで、ターゲットオブジェクト上に非常に不均一に分布され得る。これによって、生成されたポイントクラウドは、今や、ポイントツーポイント対応方法に基づくICPアルゴリズムを用いて適合され、そして、相対位置および場所が決定される。参照モデルは同様に「ノイズが多い（"noisy"）」ので、第１シミュレーション結果は、著しく改善され、かつ、変動のない位置推定を示している。このことは、次に、スキャンされたポイントクラウドにわたる単純な平均化と比べて、著しく改善された位置推定を結果として生じる。

参照モデルは、今や、スキャンされた新たなポイントクラウドに基づいて更新されている。ポイントの均一な空間分布を確保するために、計算速度を視野に入れて、以前に計算されたポイントツーポイント対応を直接的に使用するか、または、適切な割り当て方法を定めることができる。この方法は、数多くの利点を提供する。一方では、アプローチの最中にLIDARセンサの精度が増していくおかげで、参照モデルはアプローチ全体を通じて継続的に改善されている。参照モデルは、従って、LIDARセンサのノイズ挙動に対してインテリジェントに適合される。他方で、LIDARセンサは、アプローチの最中にターゲットオブジェクトのほぼ３６０°モデルを生成し、かつ、それにより、その性能を継続的に改善する。このことは、ターゲットオブジェクトを取得して、トラッキングする、LIDARセンサを有するスペースクラフト（チェイサー（chaser））のターゲットオブジェクトに対するアプローチの最中に、高質量の中心体（high-mass central body）の周りの本体の動きの最中に動作しているニュートン力学メカニズムが楕円形アプローチ軌道を結果として生じるからである。そこでは、ミッションデザインに応じて、ターゲットオブジェクトがほぼ３６０°（ホーマン遷移楕円（Homann transfer ellipses））軌道に乗っている。従って、例えば、ターゲットオブジェクト、例えば衛星、が最初に側面からだけ見えることが可能である。位置決定の最中に、取得スキャンによって生成された参照モデルは、このように、ターゲットの寸法に関して誤差を初期的に生成する。楕円形アプローチを用いると、しかしながら、LIDARセンサは、ターゲットオブジェクトのほぼ３６０°モデルを自動的に生成し、かつ、それによって、位置決定におけるその精度を継続的に改善する。迅速な１－２Ｈｚのトラッキングスキャン、および、１．５ｍ（３シグマ）ノイズを伴う極端にノイズの多い測定値を仮定すること、からの位置決定については、ターゲットオブジェクトまでの距離が１．５Ｋｍであっても、最初のシミュレーションは、１ｍ未満（＜１ｍ）（３シグマ）の範囲における精度を示している。

提案された方法は、地上の上アプリケーションにおけるLIDARセンサを用いたスペースクラフトの取得および自律的トラッキングの代替として使用することができる。例えば、提案されたプロシージャを用いて、本方法は、２つの離間した車両間の自動的な距離制御として使用することができる。LIDARセンサは、フィルタによって拡張することができ、または、スペースクラフトに合わせたフィルタを、例えば、乗用車、トラック、またはオートバイといった先行車両のジオメトリを第１の取得スキャンにおいて取得したポイントクラウドに対して適合するフィルタで置き換えることができる。後続のトラッキングスキャンは、次に、提示された原理に従って参照モデルに対して適合され、そして、上記の参照モデルを継続的に改善するために使用することができる。加えて、本方法は、また、本質的により軍事的なアプリケーションのためのポテンシャルを示すこともできる。例えばエアクラフト（aircraft）の飛行中の燃料補給のための、遠隔のエアクラフトの取得及び自律的なトラッキング及び／又はアプローチ、及び／又は、例えば航空防衛システムにおける、ターゲットオブジェクトの識別及びトラッキング、といったものである。

本発明は、１つの図に示されたデザイン例を参照してより詳細に説明される。
図は、LIDARセンサを用いて取得したターゲットオブジェクトのポイントクラウドを検出し、そして、適合させるために提案された方法のブロックダイヤグラム1を示している。

第１ステップでは、ブロック2において、いわゆる取得スキャンが実行され、そこでは、可能な限り最高品質のポイントクラウドが生成される。取得スキャンは、複数のトラッキングスキャンから獲得することができる。例えば、１－２Ｈｚの既定の時間パターンで相互に続き、そして、重ね合わされるものである。取得されたデータ、例えば取得スキャンのポイントクラウドは、ターゲットオブジェクトのターゲット取得の開始において初期化データセットとして機能し、そして、いわゆるトラッキングアルゴリズムである、ブロック3へ移動される。ブロック3の中では、ブロック4において、ブロック2のデータから参照モデルが初めて決定される。ターゲットオブジェクトまでの距離が大きいので、参照モデルの品質はノイズが多い。計算能力が限られているので、参照モデルは、また、測定値の数に関しても制限されている。ブロック5においては、参照モデルが、現在取得されているポイントクラウドに対して適用される（トラッキングスキャン）。ブロック6においては、参照モデルに適合されたトラッキングスキャンが、ターゲットオブジェクトの位置情報を決定するために、ICPアルゴリズムの対象となる。決定された位置情報は、ブロック7において、継続的に更新され、そして、GNCシステムに対して利用可能にされる。ブロック6は、参照モデルを洗練するために、ブロック3に対して現在の位置情報を反復的に提供する。

１ ブロックダイヤグラム
２ ブロック
３ ブロック
４ ブロック
５ ブロック
６ ブロック
７ ブロック

Claims (5)

1. ３次元LIDARシステムにおいて、LIDARセンサによって、ターゲットオブジェクトを検出し、かつ、自律的にトラッキングする方法であって、
   前記LIDARセンサが、既定の表面領域にわたり前記ターゲットオブジェクトの上にレーザパルスを継続的に放射し、かつ、前記３次元LIDARシステムにおけるプロセッサが、既定の時間間隔でターゲットオブジェクトによって反射された測定ポイントから３次元ポイントクラウドを生成し、
   前記プロセッサが、姿勢を推定するアルゴリズムに基づいて、前記ターゲットオブジェクトの６自由度の動きについて、既定の時間間隔で、前記LIDARセンサに対する前記ターゲットオブジェクトの平行移動および回転を計算し、
   前記方法は、前記プロセッサによって、
   第１ステップにおいて、複数の既定の時間間隔にわたり取得された高解像度な前記３次元ポイントクラウドとしての初期化ポイントクラウドが取得され、
   第２ステップにおいて、前記初期化ポイントクラウドから少数の測定ポイントを用いてノイズの多い参照モデルが生成され、
   その後の反復ステップにおいて、かつ、前記既定の時間間隔で、前記アルゴリズムを使用して、時間的位置クラウドが決定されて、前記参照モデルと比較され、かつ、前記ターゲットオブジェクトの位置情報が計算され、前記参照モデルが、前記３次元ポイントクラウドの変化に対して継続的に適合される、
   ことを特徴とする、方法。
2. 前記方法は、前記ターゲットオブジェクトと前記LIDARセンサとの間が５０ｍよりも大きい距離において使用される、
   請求項１に記載の方法。
3. 前記既定の時間間隔は、０．５秒から１秒である、
   請求項１または２に記載の方法。
4. 前記ターゲットオブジェクトの３次元モデルは、前記プロセッサによって、異なる視点から取得された前記３次元ポイントクラウドから、または、前記３次元ポイントクラウドに適合された前記参照モデルから決定される、
   請求項１乃至３いずれか一項に記載の方法。
5. 前記３次元モデルは、前記プロセッサによって、前記ターゲットオブジェクトに対する前記LIDARセンサを有するスペースクラフトの楕円形アプローチを用いて生成される、
   請求項４に記載の方法。
   

Images