[发明专利]一种基于深度学习的空间非合作目标相对位姿估计方法

说明书

本发明公开了一种基于深度学习的空间非合作目标相对位姿估计方法，包括步骤：利用软件制作非合作目标的数据集，并扩充数据集；设计基于卷积神经网络的目标检测网络，判断是否为非合作目标，并且检测出非合作目标周围的2D边界框；围绕2D边界框分割非合作目标，基于基尔霍夫寻找非合作目标的中心，估计非合作目标中心到相机的深度，结合深度值将2D像素坐标转换为3D坐标；设计关键点提取网络，提取非合作目标的角点和三轴端点等关键点，从关键点回归得到旋转四元数表示旋转；通过迭代优化微调估计的相对位姿。本发明能够处理重度遮挡、传感器噪声、物体对称时估计精度较低等情况，同时还能满足实时的速度要求。

技术领域

本发明属于航天器导航领域，特别涉及一种基于深度学习的空间非合作目标相对位姿估计方法。

背景技术

姿态确定是在拥有星敏感器和陀螺的情况下对本体进行定姿，而目前面临的多是失效航天器维护和失控航天器抓捕等任务，所针对的研究对象是空间非合作目标。这类空间非合作目标往往在空间失控快速翻滚，因而需要在外形特征未知、无应答、无标识的情况下获取该非合作目标的位置和姿态。通过单目相机对非合作目标进行图像采集，提供大量实时图像，然后利用采集到的图像信息对目标的结构和运动进行估计，现有方法通过相机和计算机便可实现对非合作目标的测量，从而直接或者间接对非合作目标进行位姿估计，具有低成本、低功耗、非接触等优点，但是存在无法实时性估计以及无法处理噪声和光线条件改变的情况，并且现有方法的自主性较低。

传统的视觉测量方法是首先从数据中人工提取特征，进而对提取的特征完成对应的匹配分组和假设验证。然而，对手动特征的依赖和固定的匹配程序限制了传统的视觉测量方法在重度遮挡、光照变化环境以及模型结构复杂等具有挑战性环境下的表现。

随着人工智能热潮的出现，深度学习在计算机视觉方面的研究取得了瞩目的成绩，利用深度学习处理图像估计位置和姿态的方法能够处理面对重度遮挡、传感器噪声、光照条件改变等情况，同时还能满足实时任务的速度要求。航天器搭载视觉图像传感器芯片和图像数据计算工具，利用深度学习等人工智能手段，将是物联网时代航天器向智能化发展的新增长动力和重要亮点。

发明内容

为解决非合作目标位姿确定中实时性和自主性的要求以及微小卫星低功耗、低成本的实际需求，并且克服传统的视觉测量方法无法应对重度遮挡、光照变化环境以及模型结构复杂的缺陷，本发明提供了一种基于深度学习的空间非合作目标相对位姿估计方法，该方法利用合成图象和单目相机拍摄的实际图象作为输入，通过设计卷积神经网络，获取空间非合作目标位置和姿态，完成空间抓捕等在内的多项空间任务，能够实现对空间非合作目标的姿态和位置进行实时估计。

本发明提供了一种基于深度学习的非合作目标相对位姿估计方法，包括如下步骤：

S1：构建非合作目标3D模型并使构建的非合作目标3D模型自由翻转，获取非合作目标的姿态列表，同时将合成图片与实际相机拍摄图象结合获取非合作目标的空间图像，利用所获取的姿态列表和空间图像建立数据集，并将其分成训练集和测试集；

S2：基于步骤S1中建立的训练集，设计基于卷积神经网络的非合作目标检测网络，以从含有背景空间的空间图像中识别出非合作目标，并将背景空间与非合作目标分割，获得包含非合作目标的2D边界框；

S3:在步骤S2中从含有背景空间的空间图像中识别出非合作目标并将背景空间与非合作目标分割的基础上，利用基尔霍夫投票估计非合作目标中心，计算非合作目标中心到相机坐标系的相对位移；

S4：设计深度卷积神经网络，提取非合作目标的特征点，通过特征点估计非合作目标的旋转四元数；

S5:设计迭代优化过程，对步骤S3中计算的相对位移和步骤S4中估计的旋转四元数进行微调，提高相对位姿估计的精度。

进一步，步骤S1具体过程如下：

S11：应用3DMax软件构建非合作目标3D模型；