[发明专利]一种动态位姿估计方法及装置

说明书

本发明提供了一种动态位姿估计方法及装置。所述方法包括：采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据；基于预先建立的广义灰色预测模型，预测所述空间飞行器在所述多个位置处的预测位姿数据；计算每个所述位置处的所述实际位姿数据和所述预测位姿数据之间的差值绝对值；根据每个所述位置对应的所述差值绝对值和误差阈值，确定多个所述实际位姿数据中的异常数据。本发明可以检测位姿测量过程中的异常值，避免将其应用于后续任务中，解决了复杂环境下测量系统的鲁棒性和稳定性问题。

技术领域

本发明涉及一种航天技术领域，特别是一种动态位姿估计方法及装置。

背景技术

空间飞行器间的相对位姿测量是实现航天任务相对导航的必要前提，测量的实时性和准确性将决定任务的成败。在连续位姿测量过程中，测量数据大部分呈现平稳变化的特点，然而受到光照条件、拍摄角度、复杂背景等测量环境或者是图像噪声的影响(特别是测量距离较远时)，光滑的位姿测量数据曲线可能存在某些异常值，这些异常值误差较大，不能被应用于后续任务中。

通常，基于视觉的位姿测量算法均为静态算法，即分析一幅图像得到一个相对位姿。实际上，大部分航天器处于连续的相对运动状态，从动态测量的角度分析，航天器之间的位姿关系不仅可以由当前时刻的图像计算，也可以基于之前时刻的量值变化估计，后者称为时间序列预测。相比于静态算法，动态测量算法计算简单、处理速度较快，不仅可以对已有的位姿序列进行拟合、检测已经存在的异常值，还可以预测航天器未来的运动位姿，通过比较位姿数据的预测值和测量值，实时地检测未来可能存在的异常值。时间序列预测技术按照其发展主要可以分为以下几类：第一类是传统的统计学方法，包括了AR(AutoRegressive Moving Average Model，自回归滑动平均模型)模型、MA(Moving Average，滑动平均模型)模型、ARMA(Auto-Regressive and Moving Average Model，自回归滑动平均模型)模型等，这类方法有着完整的理论和应用研究体系，但是难以适用于非线性和非平稳的预测问题；第二类是神经网络法，包括了BP(Back Propagation)神经网络、RBF(径向基函数)神经网络、改进型ANN(Artificial Neural Network，人工神经网络)、模糊性ANN等，这类方法存在过学习、收敛于局部极小值等问题；第三类是支持向量回归法，包括了SVR(Support Vactor Regerssion，支持向量回归机)、LS-SVM、WSVR等，这类方法存在的问题是：训练时间长、训练计算复杂度高等；第四类是在线预测模型，包括了模型重建、滑动时间窗、局部建模等，这类方法最主要的问题是计算量较大，实时性差。

发明内容

本发明解决的技术问题是：克服现有技术中空间飞行器动态位姿的计算方式，训练时间长、训练计算复杂度高，计算量较大，实时性差的不足，提供了一种动态位姿估计方法及装置。

为了解决上述技术问题，本发明的技术解决方案是：

第一方面，本发明实施例提供了一种动态位姿估计方法，包括：

采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据；

基于预先建立的广义灰色预测模型，预测所述空间飞行器在所述多个位置处的预测位姿数据；

计算每个所述位置处的所述实际位姿数据和所述预测位姿数据之间的差值绝对值；

根据每个所述位置对应的所述差值绝对值和误差阈值，确定多个所述实际位姿数据中的异常数据。

优选地，在所述采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据之前，还包括：

建立初始广义灰色预测模型；

基于粒子群优化算法，确定所述初始广义灰色预测模型对应的优化模型参数；

依据所述优化模型参数，训练所述初始广义灰色预测模型，生成所述广义灰色预测模型。