一种基于卷积神经网络的空间非合作目标角速度测量方法技术

本发明专利技术公开了一种基于卷积神经网络的空间非合作目标角速度测量方法，属于航天领域。本发明专利技术利用仿真法生成训练数据，训练卷积神经网络，得到训练好的卷积神经网络；将激光测距雷达测到的原始距离数据进行预处理，将预处理完毕的原始距离数据输入到训练好的卷积神经网络中，得到非合作目标的角速度；预处理的具体过程为：将原始距离数据矩阵中所有元素进行重新排列，对于第i行、第j列的元素，若将其移动到第(2i

【技术实现步骤摘要】
一种基于卷积神经网络的空间非合作目标角速度测量方法


[0001]本专利技术属于航天领域，尤其是一种基于卷积神经网络的空间非合作目标角速度测量方法。

技术介绍

[0002]随着人类对太空探索和开发的规模的扩大，对空间非合作目标进行在轨服务的需求也日益增长。空间非合作目标主要包括在轨的故障或失效卫星和各种空间碎片，对其进行在轨服务有两方面的重要意义：其一，对于故障或失效卫星，对其进行维修、燃料加注等在轨服务，可以大幅延长其在轨寿命，显著降低空间探索与开发任务的成本；其二，对于占据重要轨道的空间碎片进行清除或回收，可以降低卫星与碎片碰撞的风险，提高空间环境的安全性。
[0003]对空间翻滚目标进行在轨服务的关键在于对其进行安全地捕获或对接。由于空间环境中空气阻力很小，空间非合作目标在初始角动量的影响下通常处于失控的自由翻滚状态。为避免在捕获或对接过程中出现碰撞造成损害，需要在接触前对非合作目标的姿态角和角速度等运动状态进行精确的测量。由于绝大部分非合作目标都没有明显的可识别特征点，因此，当前主流的基于特征的方法都无法胜任这类任务。对于无需明显识别特征点的方法，主要有基于相机的图像数据和基于激光测距雷达的距离数据两类。基于相机的姿态测量方法对光照环境依赖性很强，实际应用场景有限。因此，基于激光测距雷达的非接触式姿态测量方法是非合作目标在轨服务任务中的首选。然而，传统的基于激光测距雷达的测算方法往往需要先重构目标的三维模型，因此这类算法不但耗时很长，精度也往往难以保证。
[0004]近年来，以卷积神经网络为代表的人工智能技术为大幅提升非接触式姿态测量方法的精度和效率提供了可能。然而，卷积神经网络通常被用于处理图像数据，在被直接用于处理激光测距雷达数据时，往往不能准确提取数据的关键特征，很容易出现欠拟合或过拟合的现象，因此很难在实际中应用。

技术实现思路

[0005]本专利技术的目的在于克服卷积神经网络在处理激光测距雷达原始数据时易出现欠拟合或过拟合的缺点，从而提供一种基于卷积神经网络的空间非合作目标角速度测量方法。
[0006]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0007]一种基于卷积神经网络的空间非合作目标角速度测量方法，利用仿真法生成训练数据，训练卷积神经网络，得到训练好的卷积神经网络；
[0008]将激光测距雷达测到的原始距离数据进行预处理，将预处理完毕的原始距离数据输入到训练好的卷积神经网络中，得到非合作目标的角速度；
[0009]预处理的具体过程为：
[0010]将原始距离数据矩阵中所有元素进行重新排列，对于第i行、第j列的元素，若
将其移动到第(2i-1)行，否则移动到第2(N-i+1)行；若将其移动到第(2j-1)列，否则移动到第2(M-j+1)列；
[0011]其中，1≤i≤N，1≤j≤M，N为原始距离数据矩阵的总行数，M为总列数。
[0012]进一步的，包括以下步骤：
[0013]S1、根据激光测距雷达的原始距离数据维度，构造一个卷积神经网络；
[0014]S2、根据所述卷积神经网络的结构，通过计算机仿真生成训练数据；
[0015]S3、使用训练数据对卷积神经网络的权重进行训练；
[0016]S4、将激光测距雷达测量得到的原始距离数据进行预处理；
[0017]S5、将预处理完毕的原始距离数据输入到训练好的神经网络中，得到非合作目标的角速度。
[0018]进一步的，S1中的原始距离数据包含两个矩阵，所述两个矩阵中分别存储着两个相邻时刻激光发射器沿空间各方向探测到的距离目标的长度。
[0019]进一步的，S1中设计的卷积神经网络包括若干个卷积层、与卷积层数目相等的池化层、一个展开层以及若干个全连接层，以激光测距雷达的原始距离数据为输入，以目标的角速度的三个分量为输出。
[0020]进一步的，所述卷积层和池化层的采样窗口均为2
×
2或3
×
3；
[0021]卷积层和池化层的层数将原始距离数据的总维数降低至500～2000；
[0022]全连接层的层数满足其待定权重的总数目在20000个以下。
[0023]进一步的，S2中生成的训练数据包含输入部分和输出部分，两部分的数据是一一对应的；
[0024]输入部分与输出部分的维度与卷积神经网络相符。
[0025]进一步的，训练数据的总数目为卷积神经网络待定权重1～100倍。
[0026]进一步的，仿真过程中涉及的虚拟非合作目标的外形和角速度覆盖实际任务中所有出现的目标外形和角速度。
[0027]与现有技术相比，本专利技术具有以下有益效果：
[0028]本专利技术的基于卷积神经网络的空间非合作目标角速度测量方法，在将原始数据输入神经网络之前，首先进行预处理，以帮助卷积神经网络更容易地提取数据的关键特征，从而提高训练效率，避免欠拟合或过拟合的情况。其原理为：卷积神经网络的卷积层窗口擅长提取输入矩阵中相邻元素的相似特征，这对于图像数据的分类与识别是有利的；但是，激光测距雷达的原始数据矩阵中，反映目标角速度的关键特征信息主要集中在矩阵边缘，且对角元素而非相邻元素，更容易表现出数据的相似特征，因此卷积神经网络很难掌握激光测距雷达信息所包含的关键特征信息，导致训练效率低、输出精度低，无法在实际任务中应用；本专利技术通过预处理的办法，让原始矩阵数据中包含相似特征的元素互相靠拢，以便于卷积神经网络进行关键特征提取，使得训练过程不容易产生欠拟合或过拟合。相比于无预处理的经典卷积神经网络，本专利技术提出的方法的输出精度得到极大的提升，且网络的训练速度更快、稳定性更高。
[0029]进一步地，相比于传统的解析式的姿态测量方法，卷积神经网络具有无需建模、在线计算速度快、适应性强的优点。
[0030]进一步地，网络的输入矩阵为相邻时刻的两个距离张量矩阵，这样的观测数据很容易由现有的激光测距雷达设备测量得到。
[0031]进一步地，网络的输出为目标在三个坐标轴方向上转过的姿态角，由此可以方便地通过数值积分的方法得到任意时刻目标的姿态角。
[0032]进一步地，通过限制卷积神经网络的规模，一方面保证网络的输出精度足以满足实际任务需求，一方面防止网络规模过大，避免训练时间过长或者出现过拟合的情况。
[0033]进一步地，限制了训练数据的规模，以消除训练中的随机误差，保证神经网络能够收敛。
[0034]进一步地，对训练数据的广泛性和代表性提出了要求，避免产生系统性的训练误差。
附图说明
[0035]图1为激光测距雷达(LIDAR)获取原始距离数据的示意图；
[0036]图2为本专利技术涉及的卷积神经网络结构的一个实例；
[0037]图3为本专利技术涉及的卷积神经网络输出精度的频数分布图的一个实例。
具体实施方式
[0038]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的空间非合作目标角速度测量方法，其特征在于，利用仿真法生成训练数据，训练卷积神经网络，得到训练好的卷积神经网络；将激光测距雷达测到的原始距离数据进行预处理，将预处理完毕的原始距离数据输入到训练好的卷积神经网络中，得到非合作目标的角速度；预处理的具体过程为：将原始距离数据矩阵中所有元素进行重新排列，对于第i行、第j列的元素，若将其移动到第(2i-1)行，否则移动到第2(N-i+1)行；若将其移动到第(2j-1)列，否则移动到第2(M-j+1)列；其中，1≤i≤N，1≤j≤M，N为原始距离数据矩阵的总行数，M为总列数。2.根据权利要求1所述的基于卷积神经网络的空间非合作目标角速度测量方法，其特征在于，包括以下步骤：S1、根据激光测距雷达的原始距离数据维度，构造一个卷积神经网络；S2、根据所述卷积神经网络的结构，通过计算机仿真生成训练数据；S3、使用训练数据对卷积神经网络的权重进行训练；S4、将激光测距雷达测量得到的原始距离数据进行预处理；S5、将预处理完毕的原始距离数据输入到训练好的神经网络中，得到非合作目标的角速度。3.根据权利要求2所述的基于卷积神经网络的空间非合作目标角速度测量方法，其特征在于，S1中的原始距离数据包含两个矩阵，所述两个矩阵中分别存储着两个相邻时刻激光发射...

【专利技术属性】
技术研发人员：郑子轩，马川，安效民，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：