一种基于激光雷达变尺度观测的空间目标相对位姿测量方法及系统技术方案

本发明专利技术公开了一种基于激光雷达变尺度观测的空间目标相对位姿测量方法及系统，涉及空间目标位姿测量技术领域。本发明专利技术的技术要点包括：(1)建立两个并行的网络结构来分别估计目标的相对位置和相对姿态；(2)通过卷积神经网络中位置网络来估计目标的相对位置从而确定目标平移向量；(3)将原始点云平移至质心为原点的坐标系；(4)通过CNN中姿态估计网络估计目标的姿态四元数。本发明专利技术能明显提高激光雷达变尺度观测空间目标位姿估计的实时性和准确性。尺度观测空间目标位姿估计的实时性和准确性。尺度观测空间目标位姿估计的实时性和准确性。

【技术实现步骤摘要】
一种基于激光雷达变尺度观测的空间目标相对位姿测量方法及系统


[0001]本专利技术涉及空间目标位姿测量
，具体涉及一种基于激光雷达变尺度观测的空间目标相对位姿测量方法及系统。

技术介绍

[0002]针对空间目标在轨维护及废弃卫星捕获，目标航天器的实时6D位姿估计对于在轨任务实施至关重要。由于激光雷达在空间任务中受光照条件和纹理背景影响较小，故本专利技术提出一种基于激光雷达变尺度观测的空间目标相对位姿测量方法及系统。对于激光扫描点云的实时位姿估计，国内外研究学者提出了许多基于激光雷达数据的位姿估计方法。其中，迭代最近点(ICP)是刚性点云配准最广泛使用的方法，它从初始变换开始，交替更新对应和变换。为了充分利用模型信息，还提出了一些基于网络的点云配准和相对位姿估计方法，这些方法(DCP、RPM
‑
Net和IDAM)在不进行变换初始化的情况下，对深度特征与相对姿态建立对应关系。对于远距离目标，卷积神经网络可以学习远距离空间关系，并通过使用更大的感受野来实现对目标关系的学习。Hu等人提出了一种新的6D姿态估计架构，该架构能够可靠地处理具有复杂条件下目标位姿变化的方法。
[0003]文献号为CN113034581A的现有技术，公开了一种基于深度学习的空间目标相对位姿估计方法，其包括：a、利用空间目标三维模型在不同位置及姿态下的二维投影构建标注样本集；b、将标注样本集进行训练集、验证集和测试集的划分，并构建位姿估计神经网络；c、将训练集和验证集输入至构建的位姿估计神经网络中进行训练，得到位姿估计模型；d、利用训练得到的位姿估计模型对测试集进行测试，得到测试集中每个样本的空间目标的位姿信息。该现有技术可以实现通过单幅图像的回归模型就能够同时估计出空间目标的位置和姿态信息，适用于空间复杂光照条件下的目标位姿估计。
[0004]文献号为CN113587904A的现有技术，公开了一种融合机器视觉和激光参照点信息的目标位姿测量方法，其应用于空间近场操作及在轨服务中的非合作目标位姿测量过程。克服传统正交迭代算法存在的运算效率较非迭代算法低的问题，利用激光参照点作为单目视觉位姿测量方法的空间特征点，对传统正交迭代算法的中间过程进行整合，通过在迭代过程消除平移向量的中间值来实现正交迭代算法的加速求解，同时利用平行透视投影模型来求解正交迭代算法中的旋转矩阵初始值，使得算法的性能和效率都得到了改善。
[0005]针对激光扫描宽深度范围变化目标的位姿估计，现在技术没有人提出采用基于激光扫描点云进行空间目标位姿估计(卫星位置、姿态估计)以提高姿态估计对宽深度范围变换的实时性及鲁棒性。

技术实现思路

[0006]为此，本专利技术提出一种基于激光雷达变尺度观测的空间目标相对位姿测量方法及系统，以力图解决或者至少缓解上面存在的至少一个问题。
[0007]根据本专利技术的一方面，提供一种基于激光雷达变尺度观测空间目标相对位姿估计方法，该方法包括以下步骤：
[0008]步骤一、利用激光雷达变尺度范围扫描空间目标，获取空间目标点云数据；
[0009]步骤二、将所述空间目标点云数据输入预训练的基于深度学习的目标位姿估计网络中，获取空间目标的位姿。
[0010]进一步地，步骤二中所述基于深度学习的目标位姿估计网络包括两个并行网络，第一个网络包括点云特征提取网络和用于回归输出目标平移向量的位置回归网络；第二个网络包括点云特征提取网络和用于回归输出目标四元数姿态的姿态回归网络；第一个网络的输入数据为所述空间目标点云数据，第二个网络的输入数据为空间目标点云三维位置信息。
[0011]进一步地，步骤二中所述点云特征提取网络的结构包括：用于提取点云特征的三层一维卷积网络、用于降低特征向量维度的最大池化层；所述位置回归网络和所述姿态回归网络的结构均包括：三层全连接层构成的多层感知机，前两层全连接层均分别连接ReLU激活函数，最后一层全连接层不加激活函数。
[0012]进一步地，步骤二中在所述目标位姿估计网络的训练过程中，加入Dropout操作，以防止网络训练过程中过拟合。
[0013]进一步地，所述空间目标点云三维位置信息为：在获得第一个网络的输出数据后，将所有空间目标点云数据平移到以质心为原点的坐标系中，使用已知的空间目标直径对平移的点云进行归一化，获得空间目标点云三维位置信息。
[0014]根据本专利技术的另一方面，提供一种基于激光雷达变尺度观测的空间目标相对位姿测量系统，该系统包括：
[0015]数据获取模块，其配置成利用激光雷达变尺度范围扫描空间目标，获取空间目标点云数据；
[0016]位姿估计模块，其配置成将所述空间目标点云数据输入预训练的基于深度学习的目标位姿估计网络中，获取空间目标的位姿。
[0017]进一步地，所述位姿估计模块中所述基于深度学习的目标位姿估计网络包括两个并行网络，第一个网络包括点云特征提取网络和用于回归输出目标平移向量的位置回归网络；第二个网络包括点云特征提取网络和用于回归输出目标四元数姿态的姿态回归网络；第一个网络的输入数据为所述空间目标点云数据，第二个网络的输入数据为空间目标点云三维位置信息；所述空间目标点云三维位置信息为：在获得第一个网络的输出数据后，将所有空间目标点云数据平移到以质心为原点的坐标系中，使用已知的空间目标直径对平移的点云进行归一化，获得空间目标点云三维位置信息。
[0018]进一步地，所述位姿估计模块中所述点云特征提取网络的结构包括用于提取点云特征的三层一维卷积网络、用于降低特征向量维度的最大池化层；所述位置回归网络和所述姿态回归网络的结构均包括三层全连接层构成的多层感知机，前两层全连接层均分别连接ReLU激活函数，最后一层全连接层不加激活函数。
[0019]本专利技术的有益技术效果是：
[0020]本专利技术通过激光雷达变尺度观测空间目标航天器实时6D位姿估计网络，在已知目标模型的情况下，该网络具有较高的估计精度和实时性。本专利技术方法能明显提高位姿估计
对宽深度范围变换的鲁棒性。
[0021]空间目标航天器的实时6D(6自由度)位姿估计对于在轨维护至关重要，由于激光雷达在空间任务中受光照条件和纹理背景影响较小，因此本专利技术提出一种基于激光扫描点云的实时宽深度范围空间目标位姿估计方法，该方法在目标航天器深度发生明显变化的情况下仍能保持鲁棒、准确的跟踪性能。
[0022]本专利技术构造一种基于扫描点云的CNN位姿估计网络，在已知目标模型的情况下，该网络对非合作目标的位姿估计具有较高的估计精度和实时性。本专利技术通过提取特定数量的目标特征点快速直接地分析目标当前的相对位姿，该方法提高了位姿估计对宽深度范围变换位姿估计的实时性。本专利技术通过分别对目标相对位置和姿态求取，降低了训练中网络的运算量，使系统运行稳定、高效。
附图说明
[0023]本专利技术可以通过参考下文中结合附图所给出的描述而得到更好的理解，所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于激光雷达变尺度观测的空间目标相对位姿测量方法，其特征在于，包括以下步骤：步骤一、利用激光雷达变尺度范围扫描空间目标，获取空间目标点云数据；步骤二、将所述空间目标点云数据输入预训练的基于深度学习的目标位姿估计网络中，获取空间目标的位姿。2.根据权利要求1所述的一种基于激光雷达变尺度观测的空间目标相对位姿测量方法，其特征在于，步骤二中所述基于深度学习的目标位姿估计网络包括两个并行网络，第一个网络包括点云特征提取网络和用于回归输出目标平移向量的位置回归网络；第二个网络包括点云特征提取网络和用于回归输出目标四元数姿态的姿态回归网络；第一个网络的输入数据为所述空间目标点云数据，第二个网络的输入数据为空间目标点云三维位置信息。3.根据权利要求2所述的一种基于激光雷达变尺度观测的空间目标相对位姿测量方法，其特征在于，步骤二中所述点云特征提取网络的结构包括：用于提取点云特征的三层一维卷积网络、用于降低特征向量维度的最大池化层；所述位置回归网络和所述姿态回归网络的结构均包括：三层全连接层构成的多层感知机，前两层全连接层均分别连接ReLU激活函数，最后一层全连接层不加激活函数。4.根据权利要求3所述的一种基于激光雷达变尺度观测的空间目标相对位姿测量方法，其特征在于，步骤二中在所述目标位姿估计网络的训练过程中，加入Dropout操作，以防止网络训练过程中过拟合。5.根据权利要求2所述的一种基于激光雷达变尺度观测的空间目标相对位姿测量方法，其特征在于，所述空间目标点云三维位置信息为：在获得第一个网络的输出数据后，将所有空间目标点云数据...

【专利技术属性】
技术研发人员：张泽旭，陈香贵，袁帅，郭鹏，苏宇，王艺诗，袁萌萌，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：