基于多传感器数据融合的航天发射车自动转运对接系统设计
时间：2023-06-23 09:30:05 来源：雅意学习网 本文已影响 人 
刘旭亮，娄革伟，周 炎
（酒泉卫星发射中心，甘肃 酒泉 732750）
航天发射车能否顺利实现与发射台的转运对接直接影响航天发射活动的质量、效率甚至成败。转运对接过程是航天发射的重要环节和关键阶段，关系到整个发射过程的灵敏性、时效性和可靠性，是影响航天应急快速发射质量的重要因素之一。目前，航天发射车的转运对接流程自动化程度比较低，主要依靠人为观测实施车体位置调整以及机械液压系统辅助箭体姿态调整。整个转运对接过程效率低下，容易受到沙尘、雾霾等不良天气的影响，同时发射设施设备的自动化水平和远控性能不能满足当前智慧发射系统建设的需要。
近年来，依托于自动控制以及机器学习等技术的发展，国内外各类自动对接技术发展迅速，如文献[1]通过深度学习算法建立了无人机面向控制的运动轨迹预测模型，实现了无人机空中加油自动精准对接控制；
文献[2]采用锥形导向控制技术实现了自主式水下机器人与回收甲板的自主动态对接；
文献[3]基于智能机器人技术、柔性工作技术以及智能传感器技术解决了航空发动机装配过程中对接效率低的问题，提高了装配效率，实现了航空发动机装配工艺流程的智能化。上述文献中的对接技术有效解决了一般工况下的结构对接效率低、精度低的问题，但面对恶劣环境、复杂环节时，上述方法的目标识别和控制预测过程存在误识别、误判读的可能，不能满足航天发射转运对接过程的可靠性与安全性要求。
本文提出了一种基于多传感器数据融合的航天发射车自动转运对接系统。该系统采用多传感器数据融合技术以及Faster R-CNN快速目标检测技术，能够在沙尘雾霾等恶劣环境下快速精确识别发射台的位置信息，并根据发射台的原始轮廓数据，经过运动学分析，动态调整车体位置与箭体姿态，优化了航天发射车转运对接流程，有效提高了航天发射车转运对接过程的精度以及效率，增强了航天应急快速发射系统的远控性能以及智能化水平。
航天发射车自动转运对接可分为智能导航转运和箭-台自主对接两个过程。其中，智能导航转运采用多传感器数据融合技术，实时建立发射车周边一定范围内局部路线图，并据此路线图进行路径规划。路径轨迹跟踪则采用低速跟踪以及修正跟踪两种方式：低速跟踪将发射车停泊至一预期区域，而修正跟踪则通过内部和外部定位及感知状况将发射车调整至最终预期精准位置。当发射车行驶到发射台一定区域后，各传感器主要是激光点云雷达实时传输的发射台距离信息小于设定值时，发射车自动转换到箭-台对接阶段，系统快速检测识别发射台的关键位置信息并建立台体轮廓图，动态调整车体位置与箭体姿态，实现快速精确对接。航天发射车自动转运对接过程大致可以分为以下6个步骤，如图1所示。
图1 自动转运对接过程Figure 1 Automatic transfer and docking process
航天发射车自动转运对接系统总体方案设计如图2所示。该系统主要包括4个部分，即数据感知模块、数据处理单元、液压执行机构和上位机。
图2 航天发射车自动转运对接系统Figure 2 Automatic transfer and docking system of space launch vehicle
数据感知模块主要利用各类光学、电子传感器和雷达、计算机等技术手段实现对发射车周边态势的感知和实时数据的采集，并将采集到的各种格式的数据传递给数据处理单元；
经过数据融合处理之后，根据相应算法策略生成驱动数据，反馈给上位机；
上位机发出控制执行指令，液压执行机构根据相应的指令进行位姿调整，进而实现发射车的自动转运对接。
2.1 多传感器数据融合
当环境呈现恶劣态势时，以单一传感器获取特征进行目标识别，得到的最终结果置信度往往较低，这是因为单一传感器比较容易受周边环境因素的影响，采集到的数据可能存在片面性、模糊性和不确定性。采用多个传感器构建目标识别系统，不仅能增强数据采集阶段的鲁棒性和抗干扰能力，而且可以扩大传感器识别目标的时间、空间和频率覆盖范围，消除单个传感器识别不确定性带来的矛盾；
同时，多个传感器性能的互补和冗余，提高了系统判别的置信度，增强了系统目标识别能力和可靠性。本文将通过合成孔径雷达、激光传感器、高清摄像机等多源信息来进行目标检测与跟踪，以提高其在恶劣环境、目标背景多变以及运动目标遮挡等情况下的识别精度和跟踪成功率。
合成孔径雷达发出的微波能够穿透云层雾霾，不受恶劣天气的影响，是一种全天时、全天候和高分辨率的雷达成像技术，其抗干扰能力是红外传感器所无法比拟的，同时其远距离传输特性又能弥补激光传感器的缺陷。因此本文将合成孔径雷达、激光传感器、高清摄像机结合使用，用于克服可能出现的沙尘雾霾等不良天气的影响。同时，为增强发射车目标检测和跟踪的精确性和鲁棒性，根据各传感器检测到目标不同特性输出不同维度的有效数据，对各传感器的当前权重赋值，并给出多传感器输出数据的一致性函数。当前目标环境发生变化时，传感器权重根据当前环境下传感器可信度重新赋权。最后根据传感器当前权重以及综合影响因子等因素，建立多传感器数据融合的支持度模型，即可获得目标最终的特征数据。
假定需要识别的路径和发射台特征为下述模糊集：
其中，gj（x）表示第j个传感器的支持度；
x表示传感器所获取目标的特征；
Γ为目标特征所在的模糊集。
当采用多个传感器检测目标时，第j个传感器和第i个传感器对模糊集的共同支持度可以表示为：
其中，Sji表示gj（x）和gi（x）之间的关联度，这里称为gj（x）和gi（x）的一致性函数，且Sji∈[0,1]。Sji越大，共同支持度越大，两个传感器数据间的差别就越小；
Sji越小，共同支持度越小，两个传感器数据间的差别就越大。
当有多个传感器共同对目标特征进行检测时，则多个传感器对模糊集的支持度矩阵可以表示为：
其中n为系统中总的传感器数量。
为表征传感器j在所有传感器中的一致性测度，定义：
此时，Gj（x）越大，表明传感器j与其他所有传感器的一致性较好，置信度高；
反之则表明传感器j一致性差，置信度低。
传感器j除了一致性问题外，还涉及到可靠性的问题。假设传感器j针对模糊集的一系列检测结果为样本Θ，其均值和方差为μj和σj，定义传感器j的可靠性测度为：
Fj（x）越小，传感器j的可靠性越好；
反之，可靠性越差。
在多传感器数据融合中，对一致性大并且可靠性高的传感器应赋予较大权重，定义传感器j的权重为：
则所有传感器对特征x的最终融合结果可以表示为：
2.2 Faster R-CNN快速目标检测
Faster R-CNN由Ross B.Girshick于2016年提出，它属于R-CNN网络的变体，相对于上两代的R-CNN及Fast R-CNN网络，其综合性能特别是在检测速度方面有了显著的提升。在目标检测与识别领域，跟传统的基于回归的单步法识别网络相比，Faster R-CNN的精度和实时性能都具有较大优势。Faster R-CNN采用RPN（Region Proposal Network）网络来替代Fast R-CNN中的选择性搜索方法。RPN可以提前进行区域框的分类和修正，生成高质量候选区域框，同时Faster R-CNN还实现了区域建议网络与特征提取网络的卷积层共享，这大大提高了网络的效率，降低了区域建议功能的时间成本。
Faster R-CNN可以分为四个层次，即特征提取层（conv layers）、区域候选层（RPN）、兴趣域池化层（RoI Pooling）、分类回归层（Classification and Regression），如图3所示。
图3 Faster R-CNN基本结构Figure 3 Basic Structure of Faster R-CNN
（1）特征提取层。视觉传感器原始图像即发射台图像经过卷积、ReLU激活、池化等步骤，输出包含关键轮廓信息的灰度特征图。本文采用经典的VGG16网络来提取图像的卷积特征，VGG16具有13个卷积层、5个池化层和3个全连接层，它以较小的卷积核，通过增加网络深度来提升网络的实时性能以及拟合能力。
（2）区域候选层。RPN将传统的滑动窗口法和卷积神经网络结合起来，用于提升检测框的生成速度，它首先将经过卷积层得到的图像特征采用滑动窗口扫描之后作为输入，然后利用中间层将特征图上大小为n×n的窗口映射到一个512维特征向量，再通过分类回归层判断滑动窗口内特征图像的分类，并得到该区域的具体坐标。
为训练RPN，对每一个候选区域框分配一个二进制标签，（01）2表示为目标样本，（10）2表示为非目标样本，并以交并比（IoU）的方式来判定。如果候选区域框和样本标记框的IoU值大于事先设定的阈值，则判定其为目标样本，否则为非目标样本。
定义RPN网络中的损失函数为：
其中，pi和分别表示第i个锚点为目标样本的概率和对应真实目标框的标签值；
ti和表示对应于候选边框的4个参数化坐标向量以及真实目标框的坐标向量；
Lcls和Lreg表示分类损失和回归损失，具体见式（9）和式（10）所示。
式（10）中，R表示鲁棒损失函数。
对于边框回归，候选边框的4个参数化坐标向量可以表征如下：
式中：x，y，w，h表示候选框的中心坐标及其高度和宽度；
变量x，xa，x*分别表示候选框、锚点、真实区域边框的x坐标（适用于y，w，h）。
（3）兴趣域池化层。对于特定图像，先设定好兴趣域（RoI），本文为发射台上的两个凸起定位点，如图4所示。然后将RoI映射到特征图的对应位置，再将映射后的区域划分为固定维度大小的模块，最后对每个模块进行最大池化操作并最终转化为一个RoI特征向量，该向量包含了兴趣域也就是发射台定位点的最终特征，主要是坐标数据。
图4 5G智简小基站的能力要素示意图Figure 4 Schematic Diagram of Capacity Elements of 5GSmart Small Base Station
图4 输入图像预设兴趣域Figure 4 Preset ROI of Input Image
（4）分类回归层。该层包含两个全连接层，其中一个采用Softmax函数进行分类；
另一个采用边框回归（Bbox regressor）获得位置偏移量，输出更精确的目标检测框。
2.3 对接调姿运动学分析
对接调姿主要是根据检测到的发射台定位点坐标数据来指导和调整车箭姿态，即发射台两个定位点的坐标决定了车箭的目标位置。假设车箭需要调整到的目标位置坐标为（x0，y0，z0，0，0，0），实际位置为（xr，yr，zr，α，β，γ）。
车体主要负责OXY平面上的位置调整，箭体承担z方向上的位置调整。采取步进方式调整，则调整方程可以表示为：
xstep，ystep，zstep分别表示车体在x，y，z方向上调整的步长，n为调整步数。如果采用固定步长，步长取得过大容易造成局部最优问题，即当xstep大于允许误差时，x0永远取不到最优解；
步长过小又会引起对接速度慢的问题。因此本文考虑采用动态调整的方式，当xr-x0较大时，采用大步长调整，xr-x0较小也就是车体靠近目标位置时，采用小步长调整，这样既能兼顾速度又能保证精度。此时步长为xrx0的函数（适应于y，z），即
这里规定，函数ρ满足ρ′不大于0.5，ρ′′不大于0.05。
3.1 多传感器数据融合算法验证
以传感器测距为例，假设2个激光传感器、2个超声传感器和一个毫米波雷达对发射台进行距离测量，传感器测量误差服从正态分布N（0，σi2），i=1，2，3，4。为验证式（7）数据融合算法的合理性与有效性，将融合结果与均值融合法进行比较。
沙尘雾霾环境下，4个传感器30个时刻的测距结果如图5所示。
图5 传感器测距结果Figure 5 Sensor Ranging Results
为比较融合结果，定义融合误差：
其中，x（t）等于融合结果或均值μ，n为测量数据个数。
根据式（14），计算30个时刻的数据融合误差与均值融合误差，得到结果如图6所示。其中，◇表示数据融合误差， 表示均值融合误差。
图6 融合误差Figure 6 Fusion Error
可以看出，相对于均值融合法，本文所提出的支持度加权融合算法误差得到了改善，数据融合精度提高了约12%左右，验证了其有效性。
3.2 Faster R-CNN快速目标检测算法验证
为准确评价Faster R-CNN在本系统应用中的性能，建立识别准确率、识别召回率和识别速度三个指标，其中准确率和召回率用P和R来表征，识别速度用FPS（帧/s）来衡量。验证环境为Tensor-Flow+OpenCV，网络训练采用自建数据集。
其中，T为识别正确的数量，FP为干扰项的数量，FN为未识别到的物体数量。
算法训练完成后，在测试集进行测试，与RCNN、Fast R-CNN等算法进行比较，得到结果如图7和表1所示。
图7 识别速度对比Figure 7 Identification speed comparison
表1 不同检测算法的性能对别Table 1 Detection Performance of Different Methods
可以看出，Faster R-CNN能够实现对发射台定位点的有效识别，且识别效果较R-CNN和Fast R-CNN更好。
本文通过对航天发射车自动转运对接系统的研究，设计了一种基于多传感器数据融合的自动转运对接系统。该系统采用多传感器数据融合技术和Faster R-CNN快速目标检测技术，能够实现沙尘雾霾环境下发射台位置的快速精确定位，并据此进行车箭自动调姿。仿真验证表明了本系统所采用算法的识别精度和效率能够达到航天发射车自动转运对接技术的要求。该系统优化了航天发射车转运对接流程，提高了航天发射车转运对接过程的精度以及效率，有助于增强航天应急快速发射系统的远控性能以及智能化水平。
猜你喜欢 发射台航天自动 我的航天梦儿童时代(2022年4期)2022-04-19航天梦，我的梦军事文摘(2021年22期)2022-01-18自动捕盗机学生天地(2020年5期)2020-08-25逐梦航天日学苑创造·A版(2019年8期)2019-08-15中小功率等级发射台供电设备的维护电子制作(2017年1期)2017-05-17让小鸭子自动转身小天使·一年级语数英综合(2017年3期)2017-04-25自动摇摆的“跷跷板”莫愁(2017年9期)2017-04-07关于自动驾驶汽车博览(2016年9期)2016-10-18浅谈高山发射台播出监控系统西部广播电视(2015年10期)2016-01-18泸州广播电视发射台双回路供电系统改造实践西部广播电视(2015年5期)2016-01-16
