[发明专利]一种基于表示学习的星图识别方法

说明书

本发明公开了一种基于表示学习的星图识别方法，该方法利用端对端的、基于表述学习的神经网络模型RPNet，用于快速高效且鲁棒性强的全天星图识别任务。RPNet从海量随机仿真的星图样本里学习到每颗星独特的星模式R‑Pattern，随后再对这些星模式进行分类。RPNet主要分两部分组成：(1)基于星模式生成网络的星模式生成器，产生样本的特征星模式R‑Pattern。(2)对前端产生的特征星模式R‑Pattern进行分类的星模式分类器。本发明还提出了一种权重搜索验证算法，用于对RPNet网络识别出来的导航星主星进行筛选和验证，进一步大大提高了该算法对单幅星图的识别能力。

技术领域

本发明涉及星图识别的技术领域，具体涉及一种基于表示学习的星图识别方法。

背景技术

导航系统的功能有定姿定位以及测速等，是飞行器不可或缺的重要组成部分之一。星敏感器是导航系统中的重要器件，它可以在没有先验知识的前提下确定飞行器的三轴姿态，而且定姿精度极高，因此被广泛运用于各类飞行器如飞机、火箭和卫星当中。星敏感器有两种工作模式:初始姿态捕获模式和跟踪模式。大部分时间星敏感器工作在跟踪模式下，一旦姿态丢失，星敏感器需要进行全天星图识别来获取当前飞行器姿态。星图识别算法致力于寻找观测星以及星库中星的关系，算法主要分为两大范畴：子图同构类算法和模式匹配类算法。

子图同构类算法借鉴了图理论的相关知识：星点被认为是图的顶点，星间角距被认为是两颗星之间的边的权重。星库中的星可以建立一副完全图，而观测到的星则对应一幅子图。因此识别问题可以归约为在完全图中寻找最佳匹配的子图。三角形算法是最为经典且广泛使用的子图同构类算法，该算法利用三颗星与它们彼此之间的角距构成三角形特征，算法虽然在星数目较少甚至只有三颗星的情况下也能取得较好的识别效果，但是由于从星表创建的三角形特征数目过于庞大，因此搜索和匹配相当耗时，算法效率低下。模式类星图识别算法对于每一颗导航星都创建一个独特的模式，主星的模式往往包含着其邻星的信息。对于模式的识别过程就是在预先创建的所有模式中搜索匹配最相近的模式的过程。最具有代表性的模式类算法是由Padgett提出的栅格算法，该算法对位置噪声有着良好的抵抗力，但是一旦确定栅格方向的最近邻星缺失或被误识别，整个创建的模式将完全错误。

伴随着人工智能的热潮，神经网络和一些更为高级的算法如遗传算法等被引入星图识别算法中，但由于这些方法并没有构建出足够鲁棒的模式，且算法与网络结构复杂，因此识别率和识别时间都不尽人意。因此，本发明提出了一种结构简单但高效、基于表示学习的星图识别网络RPNet，RPNet利用一个星模式生成器来生成导航星的星模式，然后利用一个星模式识别器来进行识别，最后利用权重搜索策略来提高识别率。通过从海量数据中学习产生的星模式，对于位置噪声、星等噪声以及假星等都有良好的鲁棒性。在平均性能上，RPNet超过了上述模式类和人工智能类算法。同时，在时间复杂度上本算法也远低于其他搜索匹配类算法，在真实星图上的表现也相当优异。

发明内容

本发明提出的一种基于表示学习的星图识别方法，主要是解决以下几部分问题：

(1)针对位置噪声和星等噪声等，传统的星图识别算法普遍存在识别时间长且识别率不高，鲁棒性差等特点。

(2)传统的星图识别算法无法同时满足高精度和高效率的要求，三角形算法识别率高但是识别时间长，栅格算法识别速度快但是识别率不尽人意。

(3)传统的算法对于假星和缺失星的鲁棒性比较差，无法应对这些复杂的噪声情况。

(4)传统的算法没法利用FPGA的并行性，因此姿态更新率受到限制。

本发明采用的技术方案为：一种基于表示学习的星图识别方法，该方法包括如下步骤：

步骤(1)对原始星库进行筛选，得到可供RPNet网络识别的导航星；

步骤(2)根据导航星及其邻星的分布特点，构建网络的初始输入；