[發明專利]用于空間目標姿態測量網絡的訓練數據生成方法、計算機設備及存儲介質

有效

• 申請號: 202011174066.4
• 申請日: 2020-10-28
• 公開（公告）號: CN112270127B
• 公開（公告）日: 2023-10-20
• 發明（設計）人: 鄭子軒;馬川;安效民
• 申請（專利權）人: 西北工業大學深圳研究院;西北工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/214;G06F17/11;G06F111/10
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 李紅霖

本發明公開了用于空間目標姿態測量網絡的訓練數據生成方法、計算機設備及存儲介質，屬于空間在軌服務領域。本發明充分發掘了姿態測量的任務特點，利用目標姿態運動的時間連續性，對生成的觀測矩陣進行了重復、循環利用，從而提高生成效率、減少生成數據所需的時間；每生成一個虛擬目標，則讓其連續運動N步，生成N個觀測矩陣；然后，每相鄰兩步的兩個觀測矩陣可以組成一組訓練數據；同時，每相鄰三步、四步、直至M步的首、尾兩步的觀測矩陣也可以分別組成一組訓練數據；由此推算，生成N次觀測矩陣，可得到組訓練數據；本發明對訓練數據生成效率有明顯的提高。

技術領域

本發明屬于空間在軌服務領域，尤其是用于空間目標姿態測量網絡的訓練數據生成方法、計算機設備及存儲介質。

背景技術

隨著人類對太空的探索與開發進程的推進，針對非合作目標的抓捕、維修、加注、回收和清除等在軌服務技術的重要性日益凸顯。針對非合作目標的在軌服務任務中，服務衛星在對接前對目標的運動狀態進行精確地測量與預判，是實現安全對接或抓捕的前提，也是任務成功的關鍵。

傳統的基于相機或激光測距雷達等測量設備對非合作目標的姿態運動進行測量的方法，存在目標外形建模困難、空間環境惡劣使得算法不穩定等缺點。而基于卷積神經網絡的智能運動狀態識別算法，憑借其算法設計簡單、不依賴特定模型、在線計算量小、收斂性好等特點，日益受到相關研究者們的關注。

若要充分發揮神經網絡方法的優勢，必須使用大量的數據對網絡進行充分的訓練。由于衛星發射成本極高、目前在軌服務的衛星數目較少，因此需要使用計算機仿真方法生成合理的訓練數據。針對空間目標姿態測量神經網絡的訓練數據，由網絡輸入數據和網絡輸出數據兩部分組成，其中，網絡輸入數據為兩個相鄰時刻的激光測距雷達測量得到的距離矩陣，網絡輸出數據為目標在兩個時刻之間旋轉過的角度。在生成訓練數據時，生成網絡輸入數據所需的計算時間占總生成時間的99％以上，因此，提高網絡輸入數據生成算法的效率，是減少數據生成時間、提高網絡訓練效率的關鍵。

發明內容

本發明的目的在于克服空間目標姿態測量神經網絡的網絡輸入的訓練數據生成效率低的缺點，提供用于空間目標姿態測量網絡的訓練數據生成方法、計算機設備及存儲介質。

為達到上述目的，本發明采用以下技術方案予以實現：

一種用于空間目標姿態測量網絡的訓練數據生成方法，包括以下步驟：

S1、基于實際任務生成一個虛擬的空間非合作目標；

S2、根據虛擬的空間非合作目標的形狀和初始姿態，使用計算機仿真方法模擬出激光測距雷達的原始測量數據，記為矩陣A₀；

S3、基于實際任務環境的統計數據，隨機將虛擬的空間非合作目標旋轉一個角度，記為Ω₁；

S4、基于A₀和Ω₁，利用姿態動力學方程計算預設時間間隔后所述虛擬的空間非合作目標的形狀和姿態，根據所述形狀和姿態，模擬出激光測距雷達的原始測量數據，記為矩陣A₁；

S5、重復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]作為網絡輸入數據，以作為網絡輸出數據，構成一組訓練數據；

基于Ω₁,L,Ω_N以及A₁,L,A_N，共構成組訓練數據；

其中，i、j均為遍歷序號，M為最大跨越步數，0≤i＜j≤N，j-i≤M；

S7、重復步驟S1-S6，直到得到預設組的訓練數據。