一种基于陆标图像的精确定点着陆自主导航方法和系统与流程

1.本发明属于深空探测视觉导航技术领域，尤其涉及一种基于陆标图像的精确定点着陆自主导航方法和系统。


背景技术：

2.利用陆标图像信息进行自主导航是实现火星探测精确定点着陆任务的重要手段之一。在下降着陆过程当中，导航相机对目标表面进行连续成像并提取其中的陆标，然后将其与陆标数据库进行匹配，得到多组3d-2d信息(即陆标的空间三维位置及其在图像平面内的二维像素投影)的配对关系，最后解算出着陆器位姿。
3.然而，受限于星载计算机的存储空间与运算能力，陆标信息的数据量决定了导航的实时性；同时，目标天体环境的快速变化对陆标匹配的鲁棒性提出了很高的要求；此外，陆标的三维位置误差及其在图像中的二维观测误差影响了导航结果的精度。
4.目前主要利用图像中陆标周围的像素信息来对其进行表征与匹配，具有一定的尺度、旋转和光照不变性，然而，其计算复杂且占用的存储空间较大。此外，目前基于陆标的导航方法主要利用陆标的三维位置及其二维像素投影来计算着陆器的位姿，但受位置误差和观测误差的影响较大，其导航精度不高。


技术实现要素：

5.本发明的技术解决问题：克服现有技术的不足，提供一种基于陆标图像的精确定点着陆自主导航方法和系统，解决了对火星着陆任务中陆标表征复杂、陆标匹配效率低以及导航结果容易受陆标位置误差的影响等问题。
6.为了解决上述技术问题，本发明公开了一种基于陆标图像的精确定点着陆自主导航方法，包括：
7.确定待匹配陆标的描述子d和地图上已知点的描述子f；其中，描述子d用于稀疏表征待匹配陆标，描述子f用于稀疏表征地图上已知点；
8.根据描述子d和描述子f，对待匹配陆标和地图上已知点进行鲁棒匹配，得到鲁棒匹配结果；
9.根据鲁棒匹配结果对着陆器的状态进行最优估计，得到状态最优估计结果；
10.根据状态最优估计结果，进行精确定点着陆自主导航。
11.在上述基于陆标图像的精确定点着陆自主导航方法中，确定待匹配陆标的描述子d，包括：
12.在待匹配陆标周围均匀对称地选取m层采样区域，并在各层采样区域分别选取n个采样点，即共计选取k＝m*n个采样点；其中，各层采样区域分别包括n个圆域，每个圆域的中心对应一个采样点；待匹配陆标为：拍摄的图像中灰度值梯度大于五个像素的像素点；
13.利用高斯核函数，分别对各圆域进行卷积处理，得到各采样点的灰度加权平均值；
14.从第m层采样区域和第m-1层采样区域中选取l个相距最远的采样点对，从第1层采
样区域和第2层采样区域中选取r个相距最远的采样点对，共计得到ng＝l+r个采样点对；
15.根据选取的ng个采样点对，计算得到待匹配陆标的主方向o；
16.根据主方向o，按照设定的次序将k+1个待表征点两两组合，得到个不同的待表征点对；其中，k+1个待表征点为：1个待匹配陆标和k个采样点；
17.利用二进制位0、1来表征待表征点对中的两个待表征点的灰度加权平均值的大小关系，依次完成个待表征点对的大小关系的表征，得到维的二进制串f；
18.对二进制串f进行优化，得到二进制串d；
19.将得到的二进制串d作为待匹配陆标对应的描述子。
20.在上述基于陆标图像的精确定点着陆自主导航方法中，
21.主方向o的解算公式如下：
[0022][0023]
其中，p
i1
表示ng个采样点对中第i个采样点对中的第1个采样点的坐标，p
i2
表示ng个采样点对中第i个采样点对中的第2个采样点的坐标，i(p
i1
)表示p
i1
所在区域的灰度加权平均值，i(p
i2
)表示p
i2
所在区域的灰度加权平均值；
[0024]
二进制串f的表示方式如下：
[0025][0026]
其中，pj表示第j个待表征点对；
[0027]
t(pj)表示第j个待表征点对中的两个待表征点的灰度加权平均值的大小关系，表示如下：
[0028][0029]
其中，表示第j个待表征点对中的第1个待表征点的灰度加权平均值，表示第j个待表征点对中的第2个待表征点的灰度加权平均值。
[0030]
在上述基于陆标图像的精确定点着陆自主导航方法中，对二进制串f进行优化，得到二进制串d，包括：
[0031]
随机选取s个样本陆标，并确定各样本陆标对应的样本二进制串；
[0032]
根据s个样本陆标和各样本陆标对应的样本二进制串，组建得到矩阵
[0033]
计算得到矩阵每一列的均值，并选取出列均值最接近0.5的256个二进制位；
[0034]
按照确定的256个二进制位，对二进制串f进行优化，得到二进制串d。
[0035]
在上述基于陆标图像的精确定点着陆自主导航方法中，
[0036]
第1层采样区域中的采样点与待匹配陆标之间的距离最近，第m层采样区域中的采样点与待匹配陆标之间的距离最远；
[0037]
各层采样区域的n个采样点以待匹配陆标为中心周向均布；
[0038]
与待匹配陆标的距离越小，采样点越密集；与待匹配陆标的距离越大，采样点越稀疏；
[0039]
各层采样区域中圆域的半径与对应层的高斯核函数的半径相同；其中，半径越大表示对相应图像区域的模糊力度越大，代表模糊信息；半径越小表示对相应图像区域的模糊力度越小，代表细节信息；
[0040]
m＝5，n＝8，l＝40，r＝16，s＝10000。
[0041]
在上述基于陆标图像的精确定点着陆自主导航方法中，根据描述子d和描述子f，对待匹配陆标和地图上已知点进行鲁棒匹配，得到鲁棒匹配结果，包括：
[0042]
计算得到第a个待匹配陆标的描述子da中的模糊信息与第b个已知点的描述子fb中的模糊信息f
1b
(k)之间的汉明距离d1；其中，k表示模糊信息的位数；
[0043]
若d1小于第一设定阈值，则确定第a个待匹配陆标与第b个已知点为潜在匹配关系；并，计算得到第a个待匹配陆标的描述子da中的细节信息与第b个已知点的描述子f
2b
(η)中的细节信息之间的汉明距离d2；其中，η表示模糊信息的位数；若d2小于第二设定阈值，则确定第a个待匹配陆标与第b个已知点为匹配关系；
[0044]
依次得到各待匹配陆标与地图上已知点的匹配关系，并基于随机抽样一致方法剔除误匹配，得到若干个正确匹配关系，作为鲁棒匹配结果。
[0045]
在上述基于陆标图像的精确定点着陆自主导航方法中，
[0046]
d1的解算公式如下：
[0047][0048]
其中，n表示模糊信息的总位数；
[0049]
d2的解算公式如下：
[0050][0051]
其中，m表示细节信息的总位数；
[0052]
第一设定阈值为0.8，第二设定阈值为0.95。
[0053]
在上述基于陆标图像的精确定点着陆自主导航方法中，根据鲁棒匹配结果对着陆器的状态进行最优估计，得到状态最优估计结果，包括：
[0054]
记正确匹配关系的数量为q，即完成正确匹配的待匹配陆标的数量为q；
[0055]
确定第c个完成正确匹配的待匹配陆标在目标天体上的三维位置pc；其中，第c个完成正确匹配的待匹配陆标为q个完成正确匹配的待匹配陆标中的任意一个；
[0056]
根据三维位置pc，确定第c个完成正确匹配的待匹配陆标在相机坐标系下的位置pc和像素坐标
[0057]
定义第c个完成正确匹配的待匹配陆标的重投影误差ec；
[0058]
根据重投影误差ec，估计得到着陆器的位姿x；
[0059]
利用扩展卡尔曼滤波对位姿x进行最优估计，得到状态最优估计结果。
[0060]
在上述基于陆标图像的精确定点着陆自主导航方法中，
[0061]
pc＝r(p
c-r)＝[x
c y
c zc]
t
[0062][0063][0064][0065]
其中，r表示世界坐标系到相机坐标系的旋转矩阵，r表示着陆器在世界坐标系下的位置，εc表示第c个完成正确匹配的待匹配陆标的测量噪声，k表示相机内参矩阵；pc＝(xc,yc,zc)，xc、yc和zc分别表示pc的三轴分量；上标“∧”表示估计值。
[0066]
相应的，本发明还公开了一种基于陆标图像的精确定点着陆自主导航系统，包括：
[0067]
确定模块，用于确定待匹配陆标的描述子d和地图上已知点的描述子f；其中，描述子d用于稀疏表征待匹配陆标，描述子f用于稀疏表征地图上已知点；
[0068]
匹配模块，用于根据描述子d和描述子f，对待匹配陆标和地图上已知点进行鲁棒匹配，得到鲁棒匹配结果；
[0069]
最优估计模块，用于根据鲁棒匹配结果对着陆器的状态进行最优估计，得到状态最优估计结果；
[0070]
导航模块，用于根据状态最优估计结果，进行精确定点着陆自主导航。
[0071]
本发明具有以下优点：
[0072]
(1)本发明公开了一种基于陆标图像的精确定点着陆自主导航方案，通过陆标的稀疏表征、陆标的鲁棒匹配以及基于陆标的状态最优估计等一系列步骤，有效地降低了对星载存储资源和计算资源的需求，同时充分地利用了陆标图像信息，融合了绝对和相对导航结果，得到了着陆器的状态最优估计；解决了火星着陆任务中陆标表征复杂、陆标匹配效率低以及导航结果容易受陆标位置误差的影响等问题；是深空探测视觉导航领域中的关键技术，可以应用于以陆标图像为主要信息源的探测器导航任务，具有广泛的应用价值和市场前景。
[0073]
(2)本发明公开了一种基于陆标图像的精确定点着陆自主导航方案，通过陆标的稀疏表征，降低了陆标的数据量与计算时间，提高了效率；通过陆标的鲁棒匹配，确保为导航提供可靠的视觉信息；通过基于陆标的状态最优估计，降低了陆标位置误差与观测误差对导航的影响。
[0074]
(3)本发明公开了一种基于陆标图像的精确定点着陆自主导航方案，利用陆标周围采样点的灰值大小关系构建二进制串来对该陆标进行稀疏表征，不同于已有的方法，本发明优化设计了采样模式、主方向计算以及描述子位选取策略，从而降低对存储空间和计算资源的需求。
[0075]
(4)本发明公开了一种基于陆标图像的精确定点着陆自主导航方案，根据着陆器的位置对下降图像进行自适应尺度变换，高效地解决了尺度差异问题对陆标匹配的影响，然后设计双阈值陆标匹配方法，提高了陆标匹配的鲁棒性，最后通过ransac方法剔除误匹配，为导航提供可靠的视觉信息。
[0076]
(5)本发明公开了一种基于陆标图像的精确定点着陆自主导航方案，为了降低陆标位置误差对导航结果的影响，引入了帧间运动信息，构建了帧间姿态与平移方向的观测模型，利用扩展卡尔曼滤波算法来融合着陆器的绝对位姿和相对位姿运动，得到最优的状态估计。
附图说明
[0077]
图1是本发明实施例中一种基于陆标图像的精确定点着陆自主导航方法的步骤流程图；
[0078]
图2是本发明实施例中一种待匹配陆标与采样点的关系示意图；
[0079]
图3是本发明实施例中一种参与主方向计算的采样点对的示意图；
[0080]
图4是本发明实施例中一种基于陆标图像的精确定点着陆自主导航系统的结构框图。
具体实施方式
[0081]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。
[0082]
本发明的核心思想之一在于：借鉴人类视网膜对视觉信息的处理过程，在陆标周围均匀对称地选取少量的采样点，并利用这些点的灰值大小关系构建二进制串来对该陆标进行稀疏表征；然后，利用外围采样点的模糊信息快速判定是否为潜在匹配对象，再利用内部采样点的细节信息确定是否为正确匹配，得到了3d-2d的陆标匹配关系；之后，通过最小化重投影误差来估计着陆器的位姿；此外，利用相邻图像中的共同陆标来估计帧间运动，并构建了帧间姿态与平移方向的观测模型，最后利用扩展卡尔曼滤波算法来融合着陆器的绝对位姿和相对位姿运动，得到最优的状态估计；最终完成精确定点着陆自主导航。
[0083]
如图1，在本实施例中，该基于陆标图像的精确定点着陆自主导航方法，包括：
[0084]
步骤101，确定待匹配陆标的描述子d和地图上已知点的描述子f。
[0085]
在本实施例中，待匹配陆标为：拍摄的图像中灰度值梯度大于五个像素的像素点。描述子d用于稀疏表征待匹配陆标，描述子f用于稀疏表征地图上已知点；待匹配陆标和地图上已知点的描述子的确定方式一样，本实施例中以待匹配陆标的描述子的确定方式为例进行说明。
[0086]
优选的，待匹配陆标的描述子的确定方式如下：
[0087]
a)在待匹配陆标周围均匀对称地选取m层采样区域，并在各层采样区域分别选取n个采样点，即共计选取k＝m*n个采样点。
[0088]
在本实施例中，各层采样区域分别包括n个圆域，每个圆域的中心对应一个采样点；第1层采样区域中的采样点与待匹配陆标之间的距离最近，第m层采样区域中的采样点与待匹配陆标之间的距离最远；各层采样区域的n个采样点以待匹配陆标为中心周向均布；
与待匹配陆标的距离越小，采样点越密集；与待匹配陆标的距离越大，采样点越稀疏。
[0089]
如图2所示，m和n的取值分别可以为：m＝5，n＝8；则k＝40。
[0090]
b)利用高斯核函数，分别对各圆域进行卷积处理，得到各采样点的灰度加权平均值。
[0091]
在本实施例中，各层采样区域中圆域的半径与对应层的高斯核函数的半径相同。其中，半径越大表示对相应图像区域的模糊力度越大，代表模糊信息；半径越小表示对相应图像区域的模糊力度越小，代表细节信息。
[0092]
c)从第m层采样区域和第m-1层采样区域中选取l个相距最远的采样点对，从第1层采样区域和第2层采样区域中选取r个相距最远的采样点对，共计得到ng＝l+r个采样点对。
[0093]
在本实施例中，由于陆标的主方向直接赋予了其旋转不变性，如果主方向的计算存在较大误差，就会使描述子发生位偏移，导致陆标匹配失败或者出现较多误匹配。考虑到外围模糊信息具有更好的抗干扰性，所以应适当利用较多的外围采样点来计算特征主方向。故，从第m层采样区域和第m-1层采样区域中选取l个相距最远的采样点对，从第1层采样区域和第2层采样区域中选取r个相距最远的采样点对，共计得到ng＝l+r个采样点对。
[0094]
如图3所示，l和r的取值分别可以为：l＝40，r＝16。
[0095]
d)根据选取的ng个采样点对，计算得到待匹配陆标的主方向o。
[0096]
在本实施例中，主方向o的解算公式如下：
[0097][0098]
其中，p
i1
表示ng个采样点对中第i个采样点对中的第1个采样点的坐标，p
i2
表示ng个采样点对中第i个采样点对中的第2个采样点的坐标，i(p
i1
)表示p
i1
所在区域的灰度加权平均值，i(p
i2
)表示p
i2
所在区域的灰度加权平均值。
[0099]
e)根据主方向o，按照设定的次序将k+1个待表征点两两组合，得到个不同的待表征点对。
[0100]
在本实施例中，k+1个待表征点为：1个待匹配陆标和k个采样点。其中，若按前述取值进行计算，则可得：
[0101]
f)利用二进制位0、1来表征待表征点对中的两个待表征点的灰度加权平均值的大小关系，依次完成个待表征点对的大小关系的表征，得到维的二进制串f。
[0102]
在本实施例中，二进制串f的表示方式如下：
[0103][0104]
其中，pj表示第j个待表征点对。
[0105]
进一步的，t(pj)表示第j个待表征点对中的两个待表征点的灰度加权平均值的大小关系，表示如下：
[0106][0107]
其中，表示第j个待表征点对中的第1个待表征点的灰度加权平均值，表示第j个待表征点对中的第2个待表征点的灰度加权平均值。
[0108]
g)对二进制串f进行优化，得到二进制串d。
[0109]
在本实施例中，考虑到二进制串f中某些位之间具有较强的相关性，存在较大的信息冗余。为了解决该问题，随机选取s个样本陆标，并确定各样本陆标对应的样本二进制串；然后，根据s个样本陆标和各样本陆标对应的样本二进制串，组建得到矩阵进一步，计算得到矩阵每一列的均值，并选取出列均值最接近0.5的256个二进制位；最后，按照确定的256个二进制位，对二进制串f进行优化，得到二进制串d。
[0110]
其中，的列均值最接近0.5表示该列的方差越大，说明任意特征的该描述子位更近似服从于随机分布，所包含的信息量越多。s的取值可以为：s＝10000。
[0111]
h)将得到的二进制串d作为待匹配陆标对应的描述子。
[0112]
在本实施例中，若按前述取值进行计算，则可知：待匹配陆标对应的描述子是一256个二进制位、占用32字节的字符串。
[0113]
步骤102，根据描述子d和描述子f，对待匹配陆标和地图上已知点进行鲁棒匹配，得到鲁棒匹配结果。
[0114]
在本实施例中，利用星载导航系统可以获取着陆器的实时位置，基于此可以估计出下降图像与地图数据库之间的尺度之差，然后对下降图像进行相应的高斯核卷积与降采样。经过以上处理之后的图像就与地图数据库具有相似的尺度，高效地解决了尺度差异问题对陆标匹配的影响。
[0115]
考虑到外围采样点的模糊信息对图像噪声具有较强的抗干扰性，而内部采样点的细节信息可以区分不同的陆标，本发明设计了双阈值陆标匹配方法以提高鲁棒性。具体的：
[0116]
计算得到第a个待匹配陆标的描述子da中的模糊信息与第b个已知点的描述子fb中的模糊信息f
1b
(k)之间的汉明距离d1；其中，k表示模糊信息的位数。
[0117]
若d1小于第一设定阈值，则确定第a个待匹配陆标与第b个已知点为潜在匹配关系；并，计算得到第a个待匹配陆标的描述子da中的细节信息与第b个已知点的描述子f
2b
(η)中的细节信息之间的汉明距离d2；其中，η表示模糊信息的位数；若d2小于第二设定阈值，则确定第a个待匹配陆标与第b个已知点为匹配关系。
[0118]
依次得到各待匹配陆标与地图上已知点的匹配关系，并基于随机抽样一致方法((random sample concensus，ransac))剔除误匹配，得到若干个正确匹配关系，作为鲁棒匹配结果。
[0119]
优选的，d1的解算公式如下：
[0120][0121]
其中，n表示模糊信息的总位数。
[0122]
优选的，d2的解算公式如下：
[0123][0124]
其中，m表示细节信息的总位数。
[0125]
优选的，第一设定阈值可取0.8，第二设定阈值可取0.95。
[0126]
步骤103，根据鲁棒匹配结果对着陆器的状态进行最优估计，得到状态最优估计结果。
[0127]
在本实施例中，假设正确匹配关系的数量为q，即完成正确匹配的待匹配陆标的数量为q，则：
[0128]
a)确定第c个完成正确匹配的待匹配陆标在目标天体上的三维位置pc。
[0129]
在本实施例中，第c个完成正确匹配的待匹配陆标为q个完成正确匹配的待匹配陆标中的任意一个。
[0130]
b)根据三维位置pc，确定第c个完成正确匹配的待匹配陆标在相机坐标系下的位置pc和像素坐标
[0131]
在本实施例中，有：
[0132]
pc＝r(p
c-r)＝[x
c y
c zc]
t
[0133][0134]
其中，r表示世界坐标系到相机坐标系的旋转矩阵；r表示着陆器在世界坐标系下的位置，εc表示第c个完成正确匹配的待匹配陆标的测量噪声，服从零均值的高斯分布；k表示相机内参矩阵；pc＝(xc,yc,zc)，xc、yc和zc分别表示pc的三轴分量。
[0135]
c)定义第c个完成正确匹配的待匹配陆标的重投影误差ec。
[0136]
在本实施例中，有：
[0137][0138]
其中，上标“∧”表示估计值。
[0139]
d)根据重投影误差ec，估计得到着陆器的位姿x。
[0140]
在本实施例中，有：
[0141][0142]
ec对误差状态的雅可比矩阵jc可表示为：
[0143][0144]
其中，fc表示相机的焦距。
[0145]
则可通过迭代求解如下高斯-牛顿方程来估计x：
[0146][0147]
其中，
[0148]
假设相邻两帧图像存在ρ(ρ≥8)个共同陆标，则可构建得到对极几何约束：
[0149][0150]
其中，表示当前图像中第h个陆标，表示前一时刻图像中第h个陆标，t表示帧间平移，表示帧间姿态运动，e表示基本矩阵。
[0151]
由于帧间平移的距离不影响对极约束，故令t的运动方向为ψ＝[θ λ]
t
，θ表示运动方位角，λ表示运动俯仰角；则有：
[0152]
t＝[cosθcosλ cosθsinλ sinθ]
t
＝[t
x t
y tz]
t
[0153]
定义经过e投影之后与之间的距离dh为：
[0154][0155][0156]
其中，l表示在前一时刻图像当中的极线方程的参数。
[0157]
则，可通过最小化如下代价方程来估计着陆器的帧间运动θ＝[ψ
t ξ
t
]
t
：
[0158][0159]dh
对误差状态的雅可比矩阵可表示为：
[0160][0161]
其中：
[0162]
[0163]
其中，fh表示系数矩阵。
[0164]
则可通过迭代求解如下高斯-牛顿方程来估计θ
[0165][0166]
其中，
[0167]
最后，构建帧间运动的观测模型：
[0168][0169]
其中，h
ψ
(r0,r1)表示运动方向的观测方程，r0表示前一时刻探测器的位置，r1表示当前时刻探测器的位置，h
ξ
(ξ0,ξ1)表示姿态观测方程，ξ0表示前一时刻探测器的姿态，ξ1表示当前时刻探测器的姿态。
[0170][0171]
其中，h
ψ
和h
ξ
表示观测矩阵，*0和*1表示前一时刻和当前时刻着陆器的状态，ε
ψ
为运动方向的观测噪声，ε
ξ
为姿态的观测噪声。
[0172]
e)利用扩展卡尔曼滤波对位姿x进行最优估计，得到状态最优估计结果。
[0173]
步骤104，根据状态最优估计结果，进行精确定点着陆自主导航。
[0174]
在上述实施例的基础上，如图4，本发明还公开了一种基于陆标图像的精确定点着陆自主导航系统，包括：确定模块401，用于确定待匹配陆标的描述子d和地图上已知点的描述子f。匹配模块402，用于根据描述子d和描述子f，对待匹配陆标和地图上已知点进行鲁棒匹配，得到鲁棒匹配结果。最优估计模块403，用于根据鲁棒匹配结果对着陆器的状态进行最优估计，得到状态最优估计结果。导航模块404，用于根据状态最优估计结果，进行精确定点着陆自主导航。
[0175]
对于系统实施例而言，由于其与方法实施例相对应，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。
[0176]
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
[0177]
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。