[发明专利]深度学习与几何算法结合的非合作目标相对位姿估计方法

说明书

本发明属于航天器导航领域，特别涉及一种深度学习与几何算法结合的非合作目标相对位姿估计方法，包括：利用非合作目标数据集，手动选择2D关键点，结合多视图三角剖分重建非合作目标的3D模型结合；将3D坐标重投影到图像平面获得关键点2D坐标估计值；设计目标检测和语义分割网络以及关键点回归网络，有监督的回归2D关键点坐标；利用非线性最小二乘法最小化2D‑3D对应点坐标的误差估计非合作目标的六自由度相对位置和相对姿态。本方法将深度学习和几何优化算法有效结合，能够实现基于视觉图像的精度高、速度快的位姿估计算法的研究，是深度学习应用于航空航天领域的创新应用。

技术领域

本发明属于航天器导航领域，特别涉及一种深度学习与几何算法结合的非合作航天器相对位姿估计方法，本方法以非合作航天器的灰度图像作为信息，将传统几何算法与深度学习结合，通过设计深度神经网络，实现基于视觉图像的精度高、速度快的位姿估计算法的研究，协助完成失效航天器的抓捕、故障卫星维修等在内的多项空间任务。

背景技术

空间非合作航天器的位姿信息获取问题在空间对抗、在轨维护、空间装配、自主交会对接等领域都具有很高的研究价值，探索非合作航天器的识别与姿态估计方法也是维护国家空天安全的客观需要。非合作航天器的在轨 6DOF姿态估计，即相对位置和相对姿态估计，是在轨服务和太空防御的一项必不可少的技术任务。非合作航天器是一种不能提供有效合作信息，不产生信息交换，姿态角、旋转角速度、轨道参数、质量分布以及通信频段等在内的运动信息和结构尺寸未知或者部分未知的航天器。

通过单目相机对非合作目标进行图像采集，然后利用采集到的图像信息对目标的结构和运动进行估计，现有方法通过相机和计算机便可实现对非合作目标的测量，从而直接或者间接对目标进行位姿估计对于非合作航天器位姿规划领域。但是现有基于视觉的方法大多是利用传统图像处理算法在位姿估计方面的应用，传统的图像处理方法对整幅图像人工提取特征，进而对提取的特征完成对应的匹配分组和假设验证，手动处理影响了实时分析的速度，存在无法实时性估计并且自主性较低的缺点。

深度学习方法能够克服以往视觉姿态识别算法中设计流程长、识别速度慢、精度低等问题，为探索空间非合作目标识别方法提供了新的思路。然而鉴于深度学习发展时间较短，且受限于星载计算机有限的计算能力，当前仍未被实际应用于航天领域。在此情况下，超越传统的视觉处理算法，利用深度学习设计深度神经网络估计六自由度位姿，同时满足实时性和自主性的要求，成为空间应用技术的发展新趋势。

发明内容

为解决非合作目标六自由度位姿估计中利用传统方法对最近点迭代 (ICP)步骤具有依赖性、代价大且无法满足自主性的要求，以及传统视觉处理算法对手动特征的依赖和固定的匹配程序限制了其在光照变化环境以及模型结构复杂等具有挑战性环境下的表现的技术问题，本发明提供了一种深度学习与传统几何算法结合的非合作目标相对位姿估计方法。本方法以非合作航天器的灰度图像作为信息，将传统几何算法与深度学习结合，通过设计深度神经网络，实现基于视觉图像的精度高、速度快的位姿估计算法的研究，协助完成失效航天器的抓捕、故障卫星维修等多项空间任务。

本发明提供了一种深度学习与几何算法结合的非合作目标相对位姿估计方法，包括如下步骤：

S1：选择非合作目标的M个点作为关键点，利用M个关键点及其真实 2D像素坐标，通过多视图三角剖分计算获得关键点3D坐标，重建非合作目标三维模型；

S2：利用真实姿态将步骤S1中获得的关键点3D坐标重投影到图像平面，获得关键点2D坐标估计值；

S3：设计目标检测和语义分割网络，预测非合作目标周围的2D边界框，获得预测2D边界框，再在预测2D边界框内进行像素级分割，识别出属于非合作目标的像素并进行分割；

S4：设计关键点回归网络，并利用步骤S2中获得的关键点2D坐标估计值和步骤S3中获得的预测2D边界框共同监督训练所述关键点回归网络，回归得到非合作目标的关键点2D坐标预测值；