一种卷积神经网络非合作目标姿态测量方法

发布时间：2022-02-11 22:07

　　针对空间非合作目标姿态测量问题,提出一种基于卷积神经网络的非合作目标姿态视觉测量方法。该方法先设计特征提取网络并利用公开数据集进行预训练,用少量实际目标图像进行迁移学习,实现非合作目标图像高层抽象特征的自动提取;再设计基于回归模型的姿态映射网络,建立图像高层特征与三轴姿态角之间的非线性关系,实现非合作目标的姿态测量。实验验证了两类特征提取网络测量精度和参数量大小,测量精度可达0.711°（1σ）,表明了"单目相机+卷积神经网络"方法的可行性。 

【文章来源】：宇航学报. 2020,41(05)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

非合作目标姿态测量网络架构设计

图2展示了不同特征提取网络在图像分类任务中准确率与相对检测时间差异,在空间非合作目标姿态测量任务中,期望网络在保证高准确率的同时具有相对小的计算量与存储空间开销(如表1所示)。以图中虚线为界,之上的网络兼顾图像特征提取能力和检测速度。因此本文对比两类网络,分别以残差网络ResNet和轻量化网络MobileNet作为特征提取网络。表1 不同特征提取网络存储开销与参数量Table 1 Storage overhead and parameter amount of different feature extraction network 特征提取网络 存储空间/MB 参数/百万 AlexNet 227 61 VGG16 515 138 VGG19 535 144 MobileNetV2 13 3.5 ResNet18 44 11.7 ResNet50 96 25.6 ResNet101 167 44.6 NASNetLarge 360 88.9

残差网络ResNet最大的意义在于解决了随着网络深度增加,训练集上准确率下降的问题。相比于以往的卷积网络结构(AlexNet、Vgg等),残差网络引入了残差模块(如图3所示)。对于两层的残差网络有如下表达式:

【参考文献】：
期刊论文
[1]基于特征建模的空间非合作目标姿态智能测量方法[J]. 王立,顾营迎.  空间控制技术与应用. 2019(04)
[2]基于纹理边界检测的航天器椭圆特征提取方法[J]. 王诗强,张世杰.  宇航学报. 2018(01)
[3]ToF相机在空间非合作目标近距离测量中的应用[J]. 梁斌,何英,邹瑜,杨君.  宇航学报. 2016(09)
[4]单目-无扫描3D激光雷达融合的非合作目标相对位姿估计[J]. 郝刚涛,杜小平,赵继广,宋建军.  宇航学报. 2015(10)
[5]基于特征融合的非合作航天器位姿测量方法[J]. 王志超,王滨,李志奇,刘宏.  高技术通讯. 2013 (11)
[6]基于姿态加权核回归的航天器姿态估计[J]. 张浩鹏,姜志国.  北京航空航天大学学报. 2014(04)
[7]基于立体视觉的航天器相对位姿测量方法与仿真研究[J]. 徐文福,梁斌,李成,刘宇,强文义.  宇航学报. 2009(04)

硕士论文
[1]基于深度学习的空间非合作目标姿态估计算法设计[D]. 李想.哈尔滨工业大学 2018
[2]基于图像的空间目标三维姿态估计研究[D]. 王春雪.中国科学院大学（工程管理与信息技术学院） 2014



本文编号：3621024