一种空间非合作目标位姿预测方法技术

一种空间非合作目标位姿预测方法，包括以下步骤：步骤一、设计自回归高斯过程模型，建立自回归高斯过程多步预测的表达式；步骤二、对非合作目标的位置进行预测：根据轨迹三个方向的运动是相互独立的，将轨迹写为x，y，z三个独立变量，然后分别通过对三个变量进行高斯过程回归，用历史的位置进行未来位置的预测；步骤三、对非合作目标的姿态进行预测：将姿态看作分别绕三个轴相互独立转动的运动，使用欧拉角

A method for position and attitude prediction of space non cooperative target

Prediction method of cooperative target pose a space, which comprises the following steps: step one, since the return of Gauss design process model, establish the expression of autoregressive Gauss process of multi-step prediction; step two, the non cooperation target position forecast: according to the trajectory of three moving trajectory is independent of each other, will write x, y, Z three independent variables, and then through the three process variables are Gauss regression, to predict future position with the historical position; step three, the non cooperative target pose prediction: the attitude around three axes respectively as independent rotational motion, using Euler angle

【技术实现步骤摘要】
一种空间非合作目标位姿预测方法
本专利技术属于非合作目标位姿预测领域，具体涉及一种空间非合作目标位姿预测方法。
技术介绍
针对目前太空垃圾数量增加导致轨道资源减少的问题，现有的研究主要集中于两种清理太空垃圾的方式[1]。第一种方式是使用空间机器人对太空垃圾进行抓捕，另外一种方式是使用微小卫星对太空垃圾进行抓捕并在带回大气层的过程中烧毁。这两种方法，都会存在一个估计和预测非合作目标未来运动的问题，对于这个问题，现有研究的主要思想是首先将非合作目标转化为合作目标，然后根据目标已知的模型对目标的位姿进行预测，具体来说就是使用传感器测量获得非合作目标的位姿，完成非合作目标动力学参数的辨识，根据所辨识的非合作目标动力学模型，进而完成非合作目标的位姿预测和控制。文献[2-3]使用卡尔曼滤波器进行非合作目标惯性参数辨识，但是该方法只能够进行短周期的运动预测。F.Aghili基于激光雷达对恶劣光照条件的影响较为鲁棒这个优点，使用最近点迭代(ICP)算法对激光雷达获得的点云数据进行非合作目标的重构，并构建卡尔曼滤波器(KF)与最近点迭代(ICP)组成的闭环系统，通过卡尔曼滤波器对目标的状态和惯性参数进本文档来自技高网...

【技术保护点】
一种空间非合作目标位姿预测方法，其特征在于，包括以下步骤：步骤一、设计自回归高斯过程模型，建立自回归高斯过程多步预测的表达式；步骤二、对非合作目标的位置进行预测：根据轨迹三个方向的运动是相互独立的，将轨迹写为x，y，z三个独立变量，然后分别通过对三个变量进行高斯过程回归，用历史的位置进行未来位置的预测；步骤三、对非合作目标的姿态进行预测：将姿态看作分别绕三个轴相互独立转动的运动，使用欧拉角

【技术特征摘要】
1.一种空间非合作目标位姿预测方法，其特征在于，包括以下步骤：步骤一、设计自回归高斯过程模型，建立自回归高斯过程多步预测的表达式；步骤二、对非合作目标的位置进行预测：根据轨迹三个方向的运动是相互独立的，将轨迹写为x，y，z三个独立变量，然后分别通过对三个变量进行高斯过程回归，用历史的位置进行未来位置的预测；步骤三、对非合作目标的姿态进行预测：将姿态看作分别绕三个轴相互独立转动的运动，使用欧拉角分别表示绕ZYX顺序转动的目标姿态，对未来某一时刻的欧拉角进行预测，得到未来某一时刻的姿态。2.根据权利要求1所述空间非合作目标位姿预测方法，其特征在于，所述步骤一自回归高斯过程多步预测的表达式按照以下步骤进行建立：由均值函数和协方差函数表示高斯过程：f(x)～GP(m(x),k(x,x′))；上式中，m(x)是高斯过程的均值函数，k(x,x′)是高斯过程的协方差函数；假设为输入数据，为输出数据，对于一个有噪声的数据集，观测模型为：yi＝f(xi)+ωi；式中：为均值为零，协方差为的高斯白噪声，那么yi与yj之间的协方差写为：其中：δij是克罗内克函数，当i＝j时δij＝1，否则，δij＝0；k(xi,xj)＝<φ(xi),φ(xj)>是基于非线性映射φ的协方差函数，即机器学习领域的核函数；将yi与yj之间的协方差关系式表示为矩阵的形式：上式中，y为输出向量y＝[y1…yn]T，K为核矩阵，矩阵元素分别为：[Kij]＝k(xi,xj)；在新的输入为x*的条件下，新的输出y*表示为：新的均值函数为：使用这个均值作为新数据的预测值，而y*的协方差函数为：上式中，是已有数据和新数据x*之间的协方差向量，[k*]i＝k(x*,xi)；自回归高斯过程多步预测的表达式为：3.根据权利要求2所述空间非合作目标位姿预测方法，其特征在于：所述的步骤二对非合作目标的位置进行预测时，对核函数中的超参数进行确定。4.根据权利要求3所述空间非合作目标位姿预测方法，其特征在于，通过对数边际最大似然对核函数中的超参...

【专利技术属性】
技术研发人员：罗建军，吴珂，王明明，宗立军，袁建平，马卫华，朱战霞，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61