基于視覺的地外天體探測器著陸測速

張 洋,趙爾迅,張科備,高晶敏

1. 北京信息科技大學(xué), 北京 100192 2. 北京控制工程研究所, 北京 100094

0 引 言

根據(jù)我國未來深空探測任務(wù)的發(fā)展規(guī)劃,地外天體附著采樣探測是我國未來十到二十年深空探測領(lǐng)域的重點發(fā)展方向之一[1-2].為了順利完成著陸探測任務(wù),需實時估計探測器的下降速度,為探測器的自主制導(dǎo)、導(dǎo)航與控制(guidance, navigation and control,GNC)系統(tǒng)提供重要參考依據(jù),保證探測器能夠安全、準(zhǔn)確地降落在天體地表.2021年5月成功著陸火星的天問一號通過慣性+測距測速模塊修正導(dǎo)航,解決高動態(tài)下慣性模塊精度下降或計算錯誤的問題[3],測距測速傳感器的精度及穩(wěn)定性直接影響軟著陸效果.

光學(xué)相機(jī)作為著陸導(dǎo)航敏感器[4]的主要測量單元,負(fù)責(zé)記錄探測器著陸過程中的視頻圖像.利用光學(xué)相機(jī)拍攝的天體地形視頻幀進(jìn)行實時測速,可輔助探測器執(zhí)行自主導(dǎo)航、自主障礙識別、自主定位及對準(zhǔn)等任務(wù).

在基于視覺的速度測量研究中,目前代表性的方法主要分為如下兩類:

(1)基于特征點匹配的測速算法.

文獻(xiàn)[5]使用火星探測器搭載的光學(xué)相機(jī)拍攝降落過程中的圖像,通過特征點匹配得到不同圖像上對應(yīng)點的像素位移,再根據(jù)慣性傳感器的姿態(tài)信息和高度傳感器的高度變化,推算出像素位移對應(yīng)的實際位移并除以拍攝時間間隔,即得到探測器著陸速度.文獻(xiàn)[6]提出一種基于圖像序列特征點匹配跟蹤的無人機(jī)測速方案,同時結(jié)合慣性導(dǎo)航裝置、高度計和可見光或紅外攝像機(jī)的多種測量信息,計算無人機(jī)的瞬時飛行速度.文獻(xiàn)[7]將光流和尺度不變特征變換(scale-invariant feature transform, SIFT)數(shù)據(jù)進(jìn)行卡爾曼濾波融合,實現(xiàn)無人機(jī)的速度測量.文獻(xiàn)[8]建立實際距離到像素距離的二維映射表,將特征點在時間序列中的像素位置坐標(biāo)轉(zhuǎn)換成實際位置坐標(biāo),求取運動距離再除以單位時間,從而獲得速度信息.以上方法存在天體表面地形單一造成特征點難提取以及特征點隨著下降運動偏移出相機(jī)視域的問題,并且需要借助其它多傳感器測量數(shù)據(jù)協(xié)同計算.

(2)基于深度神經(jīng)網(wǎng)絡(luò)的測速算法

在車輛測速方面,文獻(xiàn)[9]利用EfficientNet網(wǎng)絡(luò)對提取的光流特征進(jìn)行速度預(yù)測,該方法只適用于近視距測速場景,而在遠(yuǎn)視距的航天器著陸測速中,由于受成像透視效應(yīng)的影響,網(wǎng)絡(luò)難以擬合,測量精度嚴(yán)重下降.文獻(xiàn)[10]提出了一種基于長短期記憶網(wǎng)絡(luò)(long short-term memory,LSTM)的車速測量方法,綜合道路類型、交通狀況、加速度等數(shù)據(jù),通過當(dāng)前時刻信息預(yù)測下一時刻速度.該算法需要的數(shù)據(jù)類型和數(shù)據(jù)量較多,計算復(fù)雜費時.以上方法無法解決遠(yuǎn)距離成像時透視效應(yīng)對測速精度的影響,均不能直接應(yīng)用于地外天體探測器著陸測速.

為了克服上述問題,本文提出一種基于深度學(xué)習(xí)的視覺測速方法:應(yīng)用遞歸全對場變換(recurrent all-pairs field transforms,RAFT)[11]光流算法提取連續(xù)視頻幀的光流場,然后通過卷積神經(jīng)網(wǎng)絡(luò)提取光流場對應(yīng)的特征向量,最后構(gòu)建長短期記憶網(wǎng)絡(luò)對提取的光流特征與速度進(jìn)行擬合.在實驗測試中,與基于EfficientNet網(wǎng)絡(luò)[9]的測速算法進(jìn)行對比,證明提出的測速模型在引入時間序列后能夠有效克服透視效應(yīng)的影響;與基于時序前向傳播網(wǎng)絡(luò)回歸模型[12]的測速算法進(jìn)行對比,證明本文的長短期記憶網(wǎng)絡(luò)具有更高的著陸全程測量精度.本文方法僅利用了光學(xué)相機(jī)獲取的視頻圖像,無需依賴其它高精度傳感器的測量數(shù)據(jù),既可以解決傳統(tǒng)測速算法特征點脫離視域的問題,也可以改善遠(yuǎn)距離成像中視覺透視效應(yīng)對測速精度產(chǎn)生的影響.

1 視覺測速算法

本文構(gòu)建LSTM長短期記憶網(wǎng)絡(luò)訓(xùn)練測速模型,實現(xiàn)基于光流特征提取的連續(xù)視覺測速.該方法的前提是通過天體環(huán)繞探測任務(wù)提前獲取降落地點的高精度地形、氣候、大氣密度等環(huán)境先驗信息,用以構(gòu)建降落仿真數(shù)據(jù)[13-14].核心思想是訓(xùn)練一個LSTM網(wǎng)絡(luò)模型,用以擬合連續(xù)視頻幀中的速度信息和實際速度,其中視頻幀的速度信息由光流法獲取,實際速度由降落過程的仿真建模獲取.

本文提出的視覺測速算法總體框架如圖1所示,實線表示模型訓(xùn)練過程,虛線表示實際應(yīng)用過程.首先通過仿真模型模擬降落過程速度變化和降落相機(jī)拍攝的視頻圖像序列,然后采用RAFT遞歸全對場變換光流算法提取圖像序列幀間變化光流場,再參考卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)提取特征的思想,構(gòu)建卷積層和池化層提取光流場的特征向量,最后將特征向量和速度變化數(shù)據(jù)作為訓(xùn)練集輸入到LSTM網(wǎng)絡(luò)中進(jìn)行訓(xùn)練得到測速模型.

圖1 本文算法總體框架Fig.1 Framework of the proposed algorithm

1.1 視頻幀光流場計算

光流法是估計空間物體在視頻幀間運動信息的一種方法,光流反映了三維空間中的運動物體在二維像平面中移動的瞬時速度大小和方向,即速度矢量.根據(jù)原理的不同,光流法可分為稀疏光流[15]和稠密光流[16-17].其中稠密光流計算整幅圖像或某一區(qū)域中所有點的偏移量,從而形成一個稠密的光流場.

本文采用RAFT遞歸全對場變換光流算法[11]提取天體地表視頻幀的稠密光流特征.RAFT光流法計算過程如圖2所示:通過特征編碼器分別提取著陸視頻相鄰兩幀中每個像素的特征向量,通過上下文編碼器提取其中一幀的上下文信息特征;構(gòu)建多尺度相關(guān)性查找表進(jìn)行視覺相似性計算,用來表示兩幀中每個像素對的相關(guān)性;更新迭代模塊利用門控循環(huán)單元以及卷積操作,計算出殘差光流作為補(bǔ)償,并與上次迭代過程輸出的光流進(jìn)行疊加;最后經(jīng)過鄰域加權(quán)上采樣恢復(fù)圖像尺寸,生成光流場.該光流計算方法泛化能力強(qiáng),對于單一背景運動的光流計算準(zhǔn)確率高.

圖2 RAFT光流場計算流程Fig.2 RAFT optical flow field calculation process

由于受火星表面氣流的影響,相機(jī)的拍攝畫面會以正下方為中心隨機(jī)晃動.圖2最后所得光流圖是經(jīng)過渲染后的可視化光流場,其中不同顏色代表速度矢量的方向,顏色深淺代表速度矢量的大小,從圖中可知光流方向圍繞中心向四周展開,且距離中心越遠(yuǎn),速度矢量越大.

1.2 光流場特征向量提取

導(dǎo)航敏感器上的光學(xué)相機(jī)分辨率一般都在4 000×4 000 Pixel以上,雖能獲取高分辨率的著陸視頻圖像,但過高的分辨率會導(dǎo)致光流法計算復(fù)雜耗時.另外光流法是通過幀間對應(yīng)像素灰度變化估計像素速度矢量的,像素塊越多,計算的準(zhǔn)確率就會越低.考慮到RAFT光流法中特征編碼器會將原始圖像縮小為1/8,所以在進(jìn)行光流提取前將視頻幀尺寸縮小為8的整數(shù)倍,即256 pixel×256 pixel.

為滿足實時測速的要求,必須通過盡可能簡單的特征提取網(wǎng)絡(luò)結(jié)構(gòu)獲取速度預(yù)測所需的有效信息.圖像是每個像素點對應(yīng)一個灰度信息,分為R、G、B三通道;光流場是前后兩幀中對應(yīng)像素的位移速度信息,分為x方向和y方向雙通道.因此光流場與圖像類似,實質(zhì)上也是數(shù)據(jù)陣列,可參考CNN卷積神經(jīng)網(wǎng)絡(luò)提取特征[18]的思想對視頻幀的光流場提取特征向量.

由于光流場是像素點在x、y方向的平面速度矢量,速度大小與光流方向無關(guān).所以將光流場的兩個通道合并為表示速度絕對值的單通道當(dāng)量,公式如下:

(1)

其中,Vi,j為絕對速度,Vx為x通道速度,Vy為y通道速度,(i,j)為對應(yīng)像素的坐標(biāo).

相較于原始圖像,光流場包含的特征信息單一,不必使用復(fù)雜的CNN網(wǎng)絡(luò)結(jié)構(gòu),以免特征提取過深造成錯誤的特征理解而發(fā)生過擬合.對整體256×256的光流場,使用步長為32的32×32×1卷積核,將其分為如圖3所示的64個區(qū)塊.該計算過程可表示為

圖3 光流場分塊提取特征向量Fig.3 Eigenvectors extraction from optical flow field

(2)

其中,F為卷積后的特征值,f為卷積核,I為輸入光流場,m,n為區(qū)塊序號坐標(biāo).

因為光流場中心運動變化量低、特征少,為提高計算效率,提取出邊緣兩圈共48個區(qū)塊的數(shù)據(jù).對48個數(shù)據(jù)塊進(jìn)行平均池化操作,生成第t幀光流場的特征向量xt

(3)

1.3 基于LSTM網(wǎng)絡(luò)的視頻幀實時測速

(1)成像透視效應(yīng)

探測器在下降著陸過程中,光學(xué)相機(jī)會產(chǎn)生透視效應(yīng)[19],其最基本的特點就是成像目標(biāo)“近大遠(yuǎn)小”.假設(shè)探測器下降速度不變,隨著視距(地表目標(biāo)與相機(jī)鏡頭之間的距離)的改變,同一地表目標(biāo)在視頻幀中的變化尺度不同,故不能直接根據(jù)光流場特征向量估算探測器著陸速度.

透視效應(yīng)僅與視距有關(guān),視距越近透視關(guān)系越明顯.遠(yuǎn)處的物體接近透視滅點,所在相機(jī)中的成像小;近處的物體接近鏡頭,在相機(jī)中的成像大.當(dāng)相機(jī)鏡頭以正前方的點為目標(biāo)向其靠近時,圖像中心點的位移為0,目標(biāo)四周的點可以近似為從中心點出發(fā)圍繞鏡頭做圓周運動,直至消失在視野外.根據(jù)角速度公式

(4)

當(dāng)線速度v(真實運動速度)相同時,視距r越大,角速度ω(圖像像素位移速度)越小,即感知速度越小.透視關(guān)系如圖4所示,在探測器距離目的地8 852.92 m時相機(jī)視域為紅線標(biāo)注范圍,距離3 154.04 m時視域為藍(lán)線標(biāo)注范圍.假設(shè)真實世界中a點到b點與a′點到b′點之間的實際距離相同,若運動時間也相同,則vab=va′b′,根據(jù)式(4)可知ωab<ωa′b′.即運動速度相同的點在成像時,視距遠(yuǎn)則目標(biāo)點對應(yīng)的像素運動慢,反之視距近則目標(biāo)點對應(yīng)的像素運動快.

地外天體探測器的光學(xué)相機(jī)隨著與天體表面距離越近,成像透視關(guān)系越強(qiáng),這就造成在高處下降速度快時幀間對應(yīng)像素變化小,在低處下降速度慢時幀間對應(yīng)像素位移大.速度曲線與光流特征曲線無法一一對應(yīng),相同的光流特征向量可能對應(yīng)多個速度值,不能準(zhǔn)確計算實際著陸速度,所以一般的非線性回歸方法無法解決視距變化范圍大時的測速問題.

(2)LSTM網(wǎng)絡(luò)結(jié)構(gòu)與速度計算

為解決探測器著陸過程中光學(xué)成像透視效應(yīng)造成的測速不精問題,構(gòu)建LSTM網(wǎng)絡(luò)對視頻連續(xù)幀進(jìn)行速度擬合.LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks,RNN)的其中一種改良形式[20-21],與經(jīng)典循環(huán)神經(jīng)網(wǎng)絡(luò)RNN相比,它能對輸入的信息選擇性的記錄或遺忘,實現(xiàn)長時序預(yù)測.

本文的LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示,其中vt-1表示利用特征向量計算的上一時刻探測器著陸速度,訓(xùn)練時初始量設(shè)置為0;vt表示當(dāng)前時刻探測器著陸速度;xt為當(dāng)前時刻視頻幀光流場的特征向量;ct-1為上一時刻網(wǎng)絡(luò)隱層計算的單元狀態(tài),包含長期信息;ct為更新后當(dāng)前時刻的單元狀態(tài).

圖5 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 LSTM network structure

將上一時刻輸出的速度vt-1與當(dāng)前時刻的光流特征向量xt通過contact的形式組合,采用遺忘門保留上一時刻單元狀態(tài)ct-1的部分信息,遺忘門公式為

ft=σ(Wf·[vt-1,xt]+bf)

(5)

其中,σ為sigmoid激活函數(shù);W和b分別為權(quán)重矩陣和偏置值.ft作為遺忘系數(shù)清除上一時刻單元狀態(tài)中不重要的速度信息.

輸入門與遺忘門的作用機(jī)制類似,但不同的是輸入門生成輸入系數(shù)it,用來記錄保留上一時刻的速度信息和當(dāng)前輸入的特征向量

it=σ(Wi·[vt-1,xt]+bi)

(6)

單元狀態(tài)計算模塊根據(jù)上一時刻的輸出速度與當(dāng)前時刻輸入的特征向量,使用tanh激活函數(shù)生成新單元狀態(tài)的候選值

(7)

利用遺忘系數(shù)清除舊信息,輸入系數(shù)添加新信息后,獲得新的單元狀態(tài)

(8)

與輸入門的計算原理相同,輸出門將特征向量xt與前一時刻速度組合,通過權(quán)重矩陣和偏置值計算輸出系數(shù)ot

ot=σ(Wo·[vt-1,xt]+bo)

(9)

基于式(8)中新的單元狀態(tài),計算當(dāng)前時刻探測器著陸速度

vt=ottanh(ct)

(10)

當(dāng)前時刻的光流特征向量輸入LSTM網(wǎng)絡(luò)后會結(jié)合之前所有時刻的測速信息計算出當(dāng)前速度,這樣就避免了透視效應(yīng)造成的當(dāng)前時刻特征向量映射到之前時刻速度標(biāo)簽的問題,可實現(xiàn)利用連續(xù)視頻幀準(zhǔn)確計算探測器實時著陸速度.

2 實驗結(jié)果與分析

為驗證算法有效性,將本文方法、無時序的EfficientNet卷積神經(jīng)網(wǎng)絡(luò)[9]測速算法和加入時間序列的前向傳播神經(jīng)網(wǎng)絡(luò)[12]測速算法進(jìn)行對比測試.實驗中以測試集結(jié)果的誤差值曲線和平均絕對百分比誤差(mean absolute percentage error,MAPE)作為模型測速效果的評價指標(biāo).MAPE是一種評價回歸預(yù)測準(zhǔn)確性的指標(biāo),常用于時間序列的預(yù)測,表示預(yù)測結(jié)果相較真實結(jié)果的平均偏離百分比.

2.1 數(shù)據(jù)集構(gòu)建

本文采用NASA’s Eyes軟件的仿真模型模擬地外天體著陸探測任務(wù).以好奇號火星車降落任務(wù)的模型和數(shù)據(jù)構(gòu)建訓(xùn)練集和測試集.

NASA’s Eyes是一款NASA官方推出的宇宙模型仿真軟件,其中包含了火星模型和好奇號火星車下降全過程的仿真動畫.著陸場景包含不同地形,視線方向可調(diào),天氣狀況較好,成像清晰.通過調(diào)節(jié)成像視角模擬探測器下降時光學(xué)相機(jī)拍攝的天體地表畫面,用于實驗測試.圖6為“好奇號”模型與降落畫面.

圖6 NASA’s Eyes“好奇號”模型與降落畫面Fig.6 “Curiosity Rover” model and landing images in NASA’s Eye

好奇號火星車的著陸全過程分為:巡航裝置分離階段、火星大氣減速階段、降落傘減速階段和反沖發(fā)動機(jī)減速階段[22].在降落傘減速階段,距離地面約8 km時隔熱罩分離,降落雷達(dá)和光學(xué)相機(jī)開始工作,此時降落速度約為310 mile/h(140 m/s).從傳感器開始工作到火星車安全著陸,時長約為140 s.

對光學(xué)相機(jī)拍攝的視頻進(jìn)行每秒10幀的畫面取樣,除去掉隔熱罩剛分離時阻擋視線和降落前反沖發(fā)動機(jī)沖擊火星表面激起灰塵阻礙光流計算的時段,視頻時長為123 s,共提取出1230幀畫面,速度從308 m/h下降到1.7 m/h.本組數(shù)據(jù)作為訓(xùn)練集進(jìn)行訓(xùn)練.重新選取不同的降落視角模擬真實的降落任務(wù),重復(fù)上述操作作為測試集,時長為125 s左右,共提取出1250幀畫面,速度從308 m/h下降為1.7 m/h.

2.2 模型訓(xùn)練

綜合考慮模型復(fù)雜程度和測試效果,搭建四層LSTM網(wǎng)絡(luò).網(wǎng)絡(luò)的輸入、輸出均為單通道數(shù)據(jù),隱藏層與輸出層只在最后時刻連接.訓(xùn)練集共1 229個數(shù)據(jù),抽取中間30%的連續(xù)數(shù)據(jù)作為驗證集.

參考LSTM超參數(shù)設(shè)置[21,23],對訓(xùn)練集樣本進(jìn)行驗證.設(shè)定最大訓(xùn)練輪數(shù)為2 000,四隱層神經(jīng)元個數(shù)分別為32、64、64、32,隱藏層激活函數(shù)選用雙曲正切函數(shù),損失函數(shù)選用均方誤差.Batch尺寸設(shè)置為200,初始學(xué)習(xí)率設(shè)置為0.01,在380輪訓(xùn)練后通過乘以因子0.218來降低學(xué)習(xí)率.為避免過擬合,加入正則化系數(shù)0.000 2,并在第三隱層后設(shè)置一個參數(shù)為0.2的Dropout層.最后使用Adam優(yōu)化器,選用驗證集損失最低的模型進(jìn)行測試.

圖7為LSTM網(wǎng)絡(luò)訓(xùn)練過程的損失值變化,黑色曲線為當(dāng)前損失值,紅色曲線為平均損失值.圖8為網(wǎng)絡(luò)訓(xùn)練集擬合效果和訓(xùn)練集擬合誤差,其平均均方誤差為0.9748.由圖7和8可知損失隨訓(xùn)練次數(shù)增加而下降,訓(xùn)練集擬合效果優(yōu)異.

圖8 訓(xùn)練集效果和誤差Fig.8 Training results and errors of training set

2.3 模型測速效果對比

EfficientNet網(wǎng)絡(luò)模型應(yīng)用于車輛視覺測速[9],通過卷積神經(jīng)網(wǎng)絡(luò)提取特征并與速度標(biāo)簽擬合.前向傳播網(wǎng)絡(luò)是解決回歸問題的常用模型,文獻(xiàn)[12]給出了時序問題下的前向傳播網(wǎng)絡(luò)結(jié)構(gòu).將以上這兩種方法與本文基于LSTM網(wǎng)絡(luò)的測速算法進(jìn)行對比測試.

分別將測試集數(shù)據(jù)輸入到EfficientNet網(wǎng)絡(luò)模型、前向傳播網(wǎng)絡(luò)模型和LSTM網(wǎng)絡(luò)模型中進(jìn)行測試,比較3種模型在探測器著陸全程的測速效果.速度測量值曲線和測量誤差曲線如圖9所示,從對比結(jié)果可以看出EfficientNet網(wǎng)絡(luò)模型不具有時序特性,模型難以擬合,測速結(jié)果逐漸擬合到某一固定值并不斷震蕩,無法用于探測器長距離下降測速.相比之下,應(yīng)用時序分析的前向傳播網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)都能完成著陸全程的測速要求.

圖9 不同算法測速結(jié)果對比Fig.9 Comparison of velocity measurement results between different algorithms

圖9中第901～999幀為減速階段轉(zhuǎn)換時刻,無論是前向傳播網(wǎng)絡(luò)還是LSTM網(wǎng)絡(luò)在該時刻附近都出現(xiàn)了測量誤差波動,最大誤差分別為13.65 mile/h(6.10 m/s)和22.76 mile/h(10.17 m/s).這是因為降落傘減速階段(1～900幀)結(jié)束后反沖發(fā)動機(jī)并非立即啟動,在減速階段轉(zhuǎn)換時,探測器速度先增后減,運動狀態(tài)變化劇烈,難以提取相鄰幀間的有效速度信息,不利于視覺測速.因此,重點考察降落傘減速階段(1～900幀)和反沖發(fā)動機(jī)減速階段(1 000～1 250幀)的測速效果.圖10為降落傘減速階段兩種模型的測速效果曲線和測速誤差曲線.圖11為反沖發(fā)動機(jī)減速階段兩種模型的測速效果曲線和測速誤差曲線.

圖10降落傘減速階段不同算法結(jié)果對比Fig.10 Comparison between different algorithms in parachute deceleration stage

圖11反沖發(fā)動機(jī)減速階段不同算法結(jié)果對比Fig.11 Comparison between different algorithms in engine deceleration stage

通過計算測量結(jié)果的平均絕對百分比誤差 MAPE,進(jìn)一步對比基于前向傳播網(wǎng)絡(luò)和本文基于LSTM的測速算法精度.不同減速階段的MAPE指標(biāo)和最大誤差如表1所示.在降落傘減速階段,前向傳播網(wǎng)絡(luò)的MAPE指標(biāo)僅比本方法低0.34%,最大誤差只相差0.52 mile/h(0.23 m/s),兩種方法在該階段的測速精度相差甚微.然而在反沖發(fā)動機(jī)減速階段,本文方法的MAPE指標(biāo)相較前向傳播網(wǎng)絡(luò)減小43.50%,最大誤差僅為3.83 mile/h(1.71 m/s),本文方法在該階段的測量精度明顯更優(yōu).在整個著落過程中,本文算法的MAPE值(1.55%)也遠(yuǎn)小于前向傳播網(wǎng)絡(luò)(13.53%),因此提出的算法測速表現(xiàn)更穩(wěn)定.

表1 測速評價指標(biāo)對比Tab.1 Comparison of evaluation indexes on velocity measurement

在實際降落任務(wù)中,探測器越接近著陸點,測速精度要求越高,即反沖發(fā)動機(jī)減速段為著陸測速的關(guān)鍵階段.在表1中降落傘減速階段兩種方法測速效果差別較小,但在反沖發(fā)動機(jī)減速的關(guān)鍵測速階段,本文算法則明顯優(yōu)于前向傳播網(wǎng)絡(luò).這是由于:1)隨著時間的推移,前向傳播網(wǎng)絡(luò)的測量誤差累積越大,其測速效果越差;2)前向傳播網(wǎng)絡(luò)模型本質(zhì)上是求解輸入輸出的非線性關(guān)系,學(xué)習(xí)能力與訓(xùn)練樣本有很大的關(guān)系.在降落傘減速階段,著陸器運行平穩(wěn)、減速均勻,訓(xùn)練集的降落數(shù)據(jù)與測試集相差不大,所以測試效果較好.而在反沖發(fā)動機(jī)減速階段,著陸器狀態(tài)變化相對劇烈,訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)相差較大,前向傳播網(wǎng)絡(luò)的測速誤差就會增加.

綜合考慮探測器下降過程中兩階段減速特點和關(guān)鍵測速階段的精度要求,本文方法在整個著陸過程均能滿足視覺測速要求,尤其在著陸關(guān)鍵階段具有更精確的測量效果.另外,對測速效率進(jìn)行記錄,平均單幀計算時間為0.076 2 s,可滿足實際工程中每秒至少10幀的實時測速需求.綜上所述,本文提出的算法能夠?qū)崿F(xiàn)地外天體探測器下降的實時視覺測速任務(wù).

3 結(jié) 論

為解決地外天體探測器著陸視覺測速中由于透視效應(yīng)產(chǎn)生的圖像速度特征與實際速度不匹配的問題,本文提出了一種基于LSTM長短期記憶網(wǎng)絡(luò)的時序特征回歸方法.利用卷積層提取光流場的特征向量,構(gòu)建LSTM模型對特征向量和實際速度進(jìn)行擬合,避免了視覺透視造成的影響.所得結(jié)論如下:

1)與同樣應(yīng)用時序特征的前向傳播網(wǎng)絡(luò)回歸算法相比,本文方法在整個降落階段和關(guān)鍵的發(fā)動機(jī)反沖減速階段MAPE指標(biāo)分別降低了11.98%和43.50%,測速精度更高;

2)提出的方法可以在高精度地外天體降落任務(wù)仿真模型的基礎(chǔ)上訓(xùn)練測速網(wǎng)絡(luò),以滿足實際測速要求;

3)由于僅依靠光學(xué)相機(jī)作為測速手段,該方法計算量小、硬件要求低且工作穩(wěn)定,在實際應(yīng)用中既可作為著陸導(dǎo)航敏感器的測速單元輔助執(zhí)行自主導(dǎo)航任務(wù),又可在其它測速傳感器出現(xiàn)故障時作為臨時備選方案使用.

未來的研究工作將重點解決減速階段轉(zhuǎn)換時刻測量精度下降的問題,并在不同著陸場景和探測器降落姿態(tài)變化較大的情況下進(jìn)行測試,以進(jìn)一步提升算法的泛化性能.