一种空间目标姿态识别神经网络的在线实时性能评估方法技术

本发明专利技术公开了本发明专利技术所述的一种空间目标姿态识别神经网络的在线实时性能评估方法，方法面向对深度神经网络等智能算法的精度和性能进行在线实时评估的需求，针对网络训练过程中未接触过真实数据、在轨服务任务中获取的真实图像数量较少、真实图像没有相应的真实姿态标签等困难，实现了对网络性能的可靠评估。本发明专利技术的主要特点是使用图像随机变换、输出结果差分、自适应权重调整等创新性技术手段，通过将理论差分值与输出的真实差分值进行比较并考虑相应的影响权重，实现了在特定环境下对神经网络工作性能的合理评估。经网络工作性能的合理评估。经网络工作性能的合理评估。

【技术实现步骤摘要】
一种空间目标姿态识别神经网络的在线实时性能评估方法


[0001]本专利技术属于航天领域的在轨服务
，特别涉及一种空间目标姿态识别神经网络的在线实时性能评估方法。

技术介绍

[0002]随着人类航天探索技术水平的提高以及社会经济需求的扩张，空间中运行的航天器数目正在逐年增加，导致空间环境日益拥挤，对失效航天器或空间碎片进行在轨服务的需求也就日益增加，包括航天器的燃料加注、故障航天器的维修、空间碎片的移除等。在轨服务的对象一般为故障、失效的航天器或空间碎片等，这些目标本身没有姿态稳定能力，在空间干扰力矩和本体惯性的作用下一般处于失控翻滚状态。对这类失控目标进行维修、捕获、移除等操作的前提是对其相对位置和姿态进行准确的测量，以确保在服务卫星对其进行接近和接触的过程中不会由于目标的翻滚运动而受到碰撞和损害。
[0003]在非接触的情形下对空间翻滚目标的姿态进行识别，可以使用由激光雷达测得的深度信息或由相机获得的图像信息来实现。其中，相机设备的技术成熟、成本低、耗电量小、可靠性高，因此在非合作目标姿态识别任务中得到了更广泛的应用。近年来，随着人工智能技术的快速发展，图像识别的准确率日益提高，以深度卷积神经网络为代表的智能图像识别方法在空间智能识别任务中日益成为经济可靠的最佳解决方案。
[0004]深度卷积神经网络需要使用大量的数据进行训练才能达到理想的效果，且训练数据与实际工作的输入数据越相似，实际的工作性能就越好。
[0005]然而，对于在轨服务任务来说，其服务目标一般是未知的，且在空间环境中很难获得足够量的实景照片，因此大部分的训练数据都是在地面实验系统拍摄或由数字仿真软件来生成。这意味着这类深度神经网络在实际应用之前从来没有接触过真实的空间目标照片，因此需要在实际任务中实时地对算法性能进行在线评估，以保障后续操作的安全性。然而，由于实际任务中无法直接获取非合作目标的真实姿态，因此很难对神经网络的输出数据的精度做出合理的评价。此外，再任务中相机能够获取的照片数目也是有限的，且大多为同一角度的拍摄结果，因此很难对神经网络的综合性能进行客观的评判。
[0006]综上所述，目前急需发展一种能够在不了解目标真实姿态的情况下，只通过少量的输入图片以及神经网络的输出数据来对网络输出结果进行在线快速性能评估的方法。

技术实现思路

[0007]专利技术目的：为了克服以上不足，本专利技术的目的是提供一种空间目标姿态识别神经网络的在线实时性能评估方法，使用图像随机变换、输出结果差分、自适应权重调整等创新性技术手段，实现对网络性能的可靠评估，很好的解决了针对网络训练过程中未接触过真实数据、在轨服务任务中获取的真实图像数量较少、真实图像没有相应的真实姿态标签等困难影响航天器再轨服务实时性能评估的问题。
[0008]技术方案：为了实现上述目的，本专利技术提供了一种空间目标姿态识别神经网络的
在线实时性能评估方法，具体的评估方法如下：
[0009]1)：相机获取原始图片，即通过相机获取目标的原始图像并存储在服务卫星的内存中；
[0010]2)：按照真实目标特征参数的分布概率将图像随机旋转变换，即将原始图片旋转一定的角度α，由此产生的旋转四元数偏移值；
[0011]3)：按照真实目标特征参数的分布概率将图像随机明度变换，即步骤2)中获得的图像的明度提高β倍；
[0012]4)：按照真实目标特征参数的分布概率将图像随机缩放变换，即将步骤3)获得的图像随机放大c倍，其中c为随机生成的变量，在生成时服从标准差为σ
c
的正态分布；
[0013]5)：将图像输入待评估网络，即将步骤1)得到的原始图像与步骤4)得到的变换后的图像分别输入待评估的神经网络，得到原始图像的目标姿态四元数q0与变换后的目标姿态四元数q
t
；
[0014]6)：输出结果进行差分计算，获得误差估计值，根据步骤5)中得出的结果求取原始图像对应的输出四元数与变换后图像对应的四元数的差值Δq
′
；
[0015]7)：计算自适应权重系数；
[0016]8)：计算误差评分，即将步骤6)与步骤7)得到的结果相乘得到本次性能评估结果的评分；
[0017]9)：将步骤1)至步骤8)重复N次，并判断是否达到需求次数，如果次数达到，则求取N次结果的平均值，输出最终评估结果，最终得到待评估的神经网络在给定图片及目标状态附近的综合精度；
[0018]若未达到次数，则重复步骤1)至步骤8)。
[0019]本专利技术中所述步骤2)中将原始图片旋转一定的角度α，由此产生的旋转四元数偏移值具体为：
[0020][0021]其中，α为随机生成的变量，服从标准差为σ
α
的正态分布；
[0022]标准差σ
α
的值越大，则意味着评估过程中对神经网络的通用性能更看重；
[0023]反之，σ
α
的值越小，则意味着评估过程中对神经网络的在当前目标状态附近的特殊性能更看重。
[0024]本专利技术中在步骤2)中在极端情况下，可令α服从0～360
°
区间内的均匀分布，此时对应着σ
α
→
∞。
[0025]本专利技术中所述步骤3)中将步骤2)中获得的图像的明度提高β倍，其具体方法为对于图像的各通道亮度G进行如下变换：
[0026][0027]其中，β为随机生成的变量，服从标准差为σ
β
的正态分布，且满足
‑
1≤β≤1，当生成的β值超出以上限定范围时，需要重新进行取值；
[0028]标准差σ
β
的值越大，则意味着评估过程中对神经网络的通用性能更看重；反之，σ
β
的值越小，则意味着评估过程中对神经网络的在当前目标状态附近的特殊性能更看重；在极端情况下，可令β服从
‑
1～1区间内的均匀分布，该步骤不会对旋转四元数Δq造成影响。
[0029]本专利技术中所述步骤4)中需要注意的是由于服务卫星与服务目标之间距离的限制，因此缩放比例c不能无限大或无限接近于零；
[0030]假设服务卫星与目标之间的最大距离为x
max
，最小距离为x
min
，当前图片测量时两者之间的距离为x
c
，
[0031]则缩放比例c的取值范围为
[0032]当生成的随机值超过以上范围时，需要重新生成c的值；
[0033]标准差σ
c
的值越大，则意味着评估过程中对神经网络的通用性能更看重；反之，σ
c
的值越小，则意味着评估过程中对神经网络的在当前目标状态附近的特殊性能更看重。
[0034]本专利技术中所述步骤4)中在极端情况下，可令c服从区间内的均匀分布，该步骤不会对旋转四元数Δq造成影响。
[0035]本专利技术中所述步骤6)中根据步骤5)中得出的结果求取原始图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空间目标姿态识别神经网络的在线实时性能评估方法，其特征在于：具体的评估方法如下：1)：相机获取原始图片，即通过相机获取目标的原始图像并存储在服务卫星的内存中；2)：按照真实目标特征参数的分布概率将图像随机旋转变换，即将原始图片旋转一定的角度α，由此产生的旋转四元数偏移值；3)：按照真实目标特征参数的分布概率将图像随机明度变换，即步骤2)中获得的图像的明度提高β倍；4)：按照真实目标特征参数的分布概率将图像随机缩放变换，即将步骤3)获得的图像随机放大c倍，其中c为随机生成的变量，在生成时服从标准差为σ
c
的正态分布；5)：将图像输入待评估网络，即将步骤1)得到的原始图像与步骤4)得到的变换后的图像分别输入待评估的神经网络，得到原始图像的目标姿态四元数q0与变换后的目标姿态四元数q
t
；6)：输出结果进行差分计算，获得误差估计值，根据步骤5)中得出的结果求取原始图像对应的输出四元数q0与变换后图像对应的四元数的差值Δq
′
；7)：计算自适应权重系数；8)：计算误差评分，即将步骤6)与步骤7)得到的结果相乘得到本次性能评估结果的评分；9)：将步骤1)至步骤8)重复N次，并判断是否达到需求次数，如果达到，则求取N次结果的平均值，输出最终评估结果，最终得到待评估的神经网络在给定图片及目标状态附近的综合精度；若未达到次数，则重复步骤1)至步骤8)。2.根据权利要求1所述的空间目标姿态识别神经网络的在线实时性能评估方法，其特征在于：所述步骤2)中将原始图片旋转一定的角度α，由此产生的旋转四元数偏移值具体为：其中，α为随机生成的变量，服从标准差为σ
α
的正态分布；标准差σ
α
的值越大，则意味着评估过程中对神经网络的通用性能更看重；反之，σ
α
的值越小，则意味着评估过程中对神经网络的在当前目标状态附近的特殊性能更看重。3.根据权利要求2所述的空间目标姿态识别神经网络的在线实时性能评估方法，其特征在于：在步骤2)中在极端情况下，可令α服从0～360
°
区间内的均匀分布，此时对应着σ
α
→
∞。4.根据权利要求1所述的空间目标姿态识别神经网络的在线实时性能评估方法，其特征在于：所述步骤3)中将步骤2)中获得的图像的明度提高β倍，其具体方法为对于图像的各通道亮度G进行如下变换：
其中，β为随机生成的变量，服从标准差为σ
β
的正态分布，且满足
‑
1≤β≤1，当生成的β值超出以上限定范围时，需要重新进行取值；标准差σ
β
的值越大，则意味着评估过程中对神经...

【专利技术属性】
技术研发人员：袁建平，马川，袁静，石敏，陈建林，于洋，赵磊，全李彬，
申请(专利权)人：苏州三垣航天科技有限公司，
类型：发明
国别省市：