[发明专利]用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质

说明书

本发明公开了用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质，属于空间在轨服务领域。本发明充分发掘了姿态测量的任务特点，利用目标姿态运动的时间连续性，对生成的观测矩阵进行了重复、循环利用，从而提高生成效率、减少生成数据所需的时间；每生成一个虚拟目标，则让其连续运动N步，生成N个观测矩阵；然后，每相邻两步的两个观测矩阵可以组成一组训练数据；同时，每相邻三步、四步、直至M步的首、尾两步的观测矩阵也可以分别组成一组训练数据；由此推算，生成N次观测矩阵，可得到组训练数据；本发明对训练数据生成效率有明显的提高。

技术领域

本发明属于空间在轨服务领域，尤其是用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质。

背景技术

随着人类对太空的探索与开发进程的推进，针对非合作目标的抓捕、维修、加注、回收和清除等在轨服务技术的重要性日益凸显。针对非合作目标的在轨服务任务中，服务卫星在对接前对目标的运动状态进行精确地测量与预判，是实现安全对接或抓捕的前提，也是任务成功的关键。

传统的基于相机或激光测距雷达等测量设备对非合作目标的姿态运动进行测量的方法，存在目标外形建模困难、空间环境恶劣使得算法不稳定等缺点。而基于卷积神经网络的智能运动状态识别算法，凭借其算法设计简单、不依赖特定模型、在线计算量小、收敛性好等特点，日益受到相关研究者们的关注。

若要充分发挥神经网络方法的优势，必须使用大量的数据对网络进行充分的训练。由于卫星发射成本极高、目前在轨服务的卫星数目较少，因此需要使用计算机仿真方法生成合理的训练数据。针对空间目标姿态测量神经网络的训练数据，由网络输入数据和网络输出数据两部分组成，其中，网络输入数据为两个相邻时刻的激光测距雷达测量得到的距离矩阵，网络输出数据为目标在两个时刻之间旋转过的角度。在生成训练数据时，生成网络输入数据所需的计算时间占总生成时间的99％以上，因此，提高网络输入数据生成算法的效率，是减少数据生成时间、提高网络训练效率的关键。

发明内容

本发明的目的在于克服空间目标姿态测量神经网络的网络输入的训练数据生成效率低的缺点，提供用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质。

为达到上述目的，本发明采用以下技术方案予以实现：

一种用于空间目标姿态测量网络的训练数据生成方法，包括以下步骤：

S1、基于实际任务生成一个虚拟的空间非合作目标；

S2、根据虚拟的空间非合作目标的形状和初始姿态，使用计算机仿真方法模拟出激光测距雷达的原始测量数据，记为矩阵A₀；

S3、基于实际任务环境的统计数据，随机将虚拟的空间非合作目标旋转一个角度，记为Ω₁；

S4、基于A₀和Ω₁，利用姿态动力学方程计算预设时间间隔后所述虚拟的空间非合作目标的形状和姿态，根据所述形状和姿态，模拟出激光测距雷达的原始测量数据，记为矩阵A₁；

S5、重复S3和S4共N次，得到Ω₁,L,Ω_N以及A₁,L,A_N；

S6、以I＝[A_i,A_j]作为网络输入数据，以作为网络输出数据，构成一组训练数据；

基于Ω₁,L,Ω_N以及A₁,L,A_N，共构成组训练数据；

其中，i、j均为遍历序号，M为最大跨越步数，0≤i＜j≤N，j-i≤M；

S7、重复步骤S1-S6，直到得到预设组的训练数据。