CN110986946B - 一种动态位姿估计方法及装置 - Google Patents
一种动态位姿估计方法及装置 Download PDFInfo
- Publication number
- CN110986946B CN110986946B CN201911122354.2A CN201911122354A CN110986946B CN 110986946 B CN110986946 B CN 110986946B CN 201911122354 A CN201911122354 A CN 201911122354A CN 110986946 B CN110986946 B CN 110986946B
- Authority
- CN
- China
- Prior art keywords
- pose data
- prediction model
- generalized
- model
- positions
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种动态位姿估计方法及装置。所述方法包括:采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据;基于预先建立的广义灰色预测模型,预测所述空间飞行器在所述多个位置处的预测位姿数据;计算每个所述位置处的所述实际位姿数据和所述预测位姿数据之间的差值绝对值;根据每个所述位置对应的所述差值绝对值和误差阈值,确定多个所述实际位姿数据中的异常数据。本发明可以检测位姿测量过程中的异常值,避免将其应用于后续任务中,解决了复杂环境下测量***的鲁棒性和稳定性问题。
Description
技术领域
本发明涉及一种航天技术领域,特别是一种动态位姿估计方法及装置。
背景技术
空间飞行器间的相对位姿测量是实现航天任务相对导航的必要前提,测量的实时性和准确性将决定任务的成败。在连续位姿测量过程中,测量数据大部分呈现平稳变化的特点,然而受到光照条件、拍摄角度、复杂背景等测量环境或者是图像噪声的影响(特别是测量距离较远时),光滑的位姿测量数据曲线可能存在某些异常值,这些异常值误差较大,不能被应用于后续任务中。
通常,基于视觉的位姿测量算法均为静态算法,即分析一幅图像得到一个相对位姿。实际上,大部分航天器处于连续的相对运动状态,从动态测量的角度分析,航天器之间的位姿关系不仅可以由当前时刻的图像计算,也可以基于之前时刻的量值变化估计,后者称为时间序列预测。相比于静态算法,动态测量算法计算简单、处理速度较快,不仅可以对已有的位姿序列进行拟合、检测已经存在的异常值,还可以预测航天器未来的运动位姿,通过比较位姿数据的预测值和测量值,实时地检测未来可能存在的异常值。时间序列预测技术按照其发展主要可以分为以下几类:第一类是传统的统计学方法,包括了AR(AutoRegressive Moving Average Model,自回归滑动平均模型)模型、MA(Moving Average,滑动平均模型)模型、ARMA(Auto-Regressive and Moving Average Model,自回归滑动平均模型)模型等,这类方法有着完整的理论和应用研究体系,但是难以适用于非线性和非平稳的预测问题;第二类是神经网络法,包括了BP(Back Propagation)神经网络、RBF(径向基函数)神经网络、改进型ANN(Artificial Neural Network,人工神经网络)、模糊性ANN等,这类方法存在过学习、收敛于局部极小值等问题;第三类是支持向量回归法,包括了SVR(Support Vactor Regerssion,支持向量回归机)、LS-SVM、WSVR等,这类方法存在的问题是:训练时间长、训练计算复杂度高等;第四类是在线预测模型,包括了模型重建、滑动时间窗、局部建模等,这类方法最主要的问题是计算量较大,实时性差。
发明内容
本发明解决的技术问题是:克服现有技术中空间飞行器动态位姿的计算方式,训练时间长、训练计算复杂度高,计算量较大,实时性差的不足,提供了一种动态位姿估计方法及装置。
为了解决上述技术问题,本发明的技术解决方案是:
第一方面,本发明实施例提供了一种动态位姿估计方法,包括:
采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据;
基于预先建立的广义灰色预测模型,预测所述空间飞行器在所述多个位置处的预测位姿数据;
计算每个所述位置处的所述实际位姿数据和所述预测位姿数据之间的差值绝对值;
根据每个所述位置对应的所述差值绝对值和误差阈值,确定多个所述实际位姿数据中的异常数据。
优选地,在所述采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据之前,还包括:
建立初始广义灰色预测模型;
基于粒子群优化算法,确定所述初始广义灰色预测模型对应的优化模型参数;
依据所述优化模型参数,训练所述初始广义灰色预测模型,生成所述广义灰色预测模型。
优选地,所述基于粒子群优化算法,确定所述初始广义灰色预测模型对应的优化模型参数,包括:
基于所述空间飞行器的历史位姿数据,设定所述粒子群优化算法对应的模型参数;
基于所述模型参数,初始化粒子种群;
计算所述粒子种群对应的目标函数适应度;
基于所述目标函数适应度,更新得到所述优化模型参数。
优选地,所述基于所述目标函数适应度,更新得到所述优化模型参数,包括:
根据所述粒子种群中的各所述适应度,迭代更新所述粒子种群和所述粒子种群中每个所述模型参数的最优适应度和位置;
在所述迭代更新的次数达到设定次数时,输出所述优化模型参数。
优选地,所述根据每个所述位置对应的所述差值绝对值和误差阈值,确定多个所述实际位姿数据中的异常数据,包括:
在第一位置对应的所述差值绝对值大于或等于所述误差阈值的情况下,判定所述第一位置对应的实际位姿数据为异常位姿数据,并丢弃所述第一位置对应的实际位姿数据;所述第一位置为所述多个位置中的一个位置;
在第二位置对应的所述差值绝对值小于所述误差阈值的情况下,判定所述第二位置对应的实际位姿数据为正常位姿数据,并保存所述第二位置对应的实际位姿数据;所述第二位置为所述多个位置中的一个位置。
第二方面,本发明实施例提供了一种动态位姿估计装置,包括:
实际位姿数据采集模块,用于采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据;
预测位姿数据预测模块,用于基于预先建立的广义灰色预测模型,预测所述空间飞行器在所述多个位置处的预测位姿数据;
差值绝对值计算模块,用于计算每个所述位置处的所述实际位姿数据和所述预测位姿数据之间的差值绝对值;
异常数据确定模块,用于根据每个所述位置对应的所述差值绝对值和误差阈值,确定多个所述实际位姿数据中的异常数据。
优选地,还包括:
初始预测模型建立模块,用于建立初始广义灰色预测模型;
优化模型参数确定模块,用于基于粒子群优化算法,确定所述初始广义灰色预测模型对应的优化模型参数;
广义预测模型生成模块,用于依据所述优化模型参数,训练所述初始广义灰色预测模型,生成所述广义灰色预测模型。
优选地,所述优化模型参数确定模块包括:
模型参数设定子模块,用于基于所述空间飞行器的历史位姿数据,设定所述粒子群优化算法对应的模型参数;
粒子种群初始子模块,用于基于所述模型参数,初始化粒子种群;
目标适应度计算子模块,用于计算所述粒子种群对应的目标函数适应度;
优化参数更新子模块,用于基于所述目标函数适应度,更新得到所述优化模型参数。
优选地,所述优化参数更新子模块包括:
适应度迭代子模块,用于根据所述粒子种群中的各所述适应度,迭代更新所述粒子种群和所述粒子种群中每个所述模型参数的最优适应度和位置;
优化参数输出子模块,用于在所述迭代更新的次数达到设定次数时,输出所述优化模型参数。
优选地,所述异常数据确定模块包括:
异常位姿数据判定子模块,用于在第一位置对应的所述差值绝对值大于或等于所述误差阈值的情况下,判定所述第一位置对应的实际位姿数据为异常位姿数据,并丢弃所述第一位置对应的实际位姿数据;所述第一位置为所述多个位置中的一个位置;
正常位姿数据判定子模块,用于在第二位置对应的所述差值绝对值小于所述误差阈值的情况下,判定所述第二位置对应的实际位姿数据为正常位姿数据,并保存所述第二位置对应的实际位姿数据;所述第二位置为所述多个位置中的一个位置。
本发明与现有技术相比的优点在于:
本发明实施例提供了一种动态位姿估计方案,通过采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据,基于预先建立的广义灰色预测模型,预测空间飞行器在多个位置处的预测位姿数据,计算每个位置处的实际位姿数据和预测位姿数据之间的差值绝对值,根据每个位置对应的差值绝对值和误差阈值,确定多个实际位姿数据中的异常数据。本发明实施例针对连续位姿测量过程中异常值检测的问题,引入灰色预测模型,提出了基于广义灰色预测模型的动态位姿估计算法,实时地预测位姿数据作为参考值,与测量得到的实际位姿数据进行比较,检测位姿测量过程中的异常值,避免将其应用于后续任务中,解决了复杂环境下测量***的鲁棒性和稳定性问题。
附图说明
图1为本发明实施例提供的一种动态位姿估计方法的步骤流程图;
图2为本发明实施例提供的一种动态位姿估计装置的结构示意图。
具体实施方式
下面将结合本发明的实施例中的附图,对本发明的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的实施例一部分实施例,而不是全部的实施例。基于本发明的实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明的实施例保护的范围。
实施例一
参照图1,示出了本发明实施例提供的一种动态位姿估计方法的步骤流程图。如图1所示,该动态位姿估计方法可以包括如下步骤:
步骤101:采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据。
本发明实施例可以应用于对检测的空间飞行器在飞行过程中的位姿数据中是否存在异常数据的判定场景中。
空间飞行器(Spacecraft)在地球大气层以外的宇宙空间,基本上按照天体力学的规律运行的各类飞行器。
空间飞行器可以为人造地球卫星、空间探测器、载人航天器等飞行器,具体地,可以根据实际情况而定,本发明实施例对此不加以限制。
实际位姿数据是指空间飞行器在飞行过程中处于不同位置处的具***置和姿态数据。
在某些示例中,实际位姿数据可以是通过空间飞行器中的位姿数据测量仪测得的数据,例如,在空间飞行器上预先设置有位姿数据测量仪,通过位姿数据测量仪可以测得空间飞行器在飞行过程中的实际位姿数据。
在某些示例中,实际位姿数据可以是由地面监控设备测得的,例如,地面监控设备可以实时监测空间飞行器在飞行过程中的实际位姿数据。
可以理解地,上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例,不作为对本发明实施例的唯一限制。
在空间飞行器的飞行过程中,可以采集到空间飞行器在飞行过程中处于多个位置处的实际位姿数据,进而,执行步骤102。
步骤102:基于预先建立的广义灰色预测模型,预测所述空间飞行器在所述多个位置处的预测位姿数据。
广义灰色预测模型是指由业务人员预先训练得到的,预测空间飞行器在飞行过程中的位姿数据的模型。对于训练广义灰色预测模型的过程将在下述优选实施例中进行详细描述,本发明实施例在此不再加以赘述。
预测位姿数据是指空间飞行器在飞行过程中,预测得到的在多个位置处的位姿数据。
在空间飞行器的飞行过程中,可以基于预先建立的广义灰色预测模型预测空间飞行器在多个位置处的预测位姿数据。
在预测空间飞行器在多个位置处的预测位姿数据之后,执行步骤103。
步骤103:计算每个所述位置处的所述实际位姿数据和所述预测位姿数据之间的差值绝对值。
差值绝对值是指在每个位置处的实际位姿数据和预测位姿数据之间的差值的绝对值。
在得到实际位姿数据和预测位姿数据之后,可以计算每个位置处的实际位姿数据和预测位姿数据之间的差值绝对值。
在计算得到每个位置处的实际位姿数据和预测位姿数据之间的差值绝对值之后,执行步骤104。
步骤104:根据每个所述位置对应的所述差值绝对值和误差阈值,确定多个所述实际位姿数据中的异常数据。
误差阈值是指由业务人员预先设置的,用于判定空间飞行器在多个位置处的实际位姿数据中是否存在异常数据的阈值。
对于误差阈值的具体数值可以根据业务需求而定,本发明实施例对此不加以限制。
在得到每个位置处的差值绝对值之后,可以根据差值绝对值和误差阈值确定出多个实际位姿数据中的异常数据。
对于确定多个实际位姿数据中的异常数据的过程将在下述优选实施例中进行详细描述,本发明实施例在此不再加以赘述。
接下来,结合优选实施例对于广义灰色预测模型的训练过程进行如下详细描述。
在本发明的一种优选实施例中,在上述步骤101之前,还可以包括:
步骤A1:建立初始广义灰色预测模型。
在本发明实施例中,可以预先建立初始广义灰色预测模型,具体地,可以先设定初始广义灰色预测模型,定义原始位姿测量的数据序列X(0)为X(0)=(x(0)(1),x(0)(2),...,x(0)(n)),其中n是序列中数据的数量。其一次累加序列X(1)为X(1)=(x(1)(1),x(1)(2),...,x(1)(n)),其中:灰色理论指出:若原始数据序列X(0)近似为光滑数据序列,则其一次累加序列具有近似灰指数率,将一次累加序列近似为连续函数,通过推导可建立GM(1,1)预测模型的白化微分方程:
上述公式(1)中,a为序列发展系数,体现了数据序列本身的发展规律,u为灰作用量,体现了外部对数据序列的影响。
本发明一般化了灰色预测模型中的序列发展系数、灰作用量,形成广义灰色预测模型(Generalized Grey Prediction Model,GGM),其白化微分方程为
上述公式(2)中,x(r)(t)为原始序列的r阶广义累加序列,z(r)(t)为序列的背景值,z(r)(k)=αx(r)(k)+(1-α)x(r)(k-1),u0,u1,...,uN为非齐次灰作用量参数。
对公式(2)两边积分可得离散方程为:
上述公式(3)中,参数向量可表示为a'=[a,u0,...,uN]T,则有:
a'=(B'TB')-1B'TY' (4)
其中:
其中,齐次解可由齐次方程:
解得:
设非齐次解为:
带入公式(2)中可由递推方程逐个求出非齐次解:
可得通解(式(6))为:
上述公式(1)至公式(12)的过程为建立初始广义灰色预测模型的过程。
在建立初始广义灰色预测模型之后,执行步骤A2。
步骤A2:基于粒子群优化算法,确定所述初始广义灰色预测模型对应的优化模型参数。
为了利用已有的数据建立模型(公式(12)),得到模型中参数的最优值,本发明采用的是粒子群优化算法。粒子群优化算法的基本原理是:在待求参数的取值范围内,随机地选择n组值(每一组包括了所有m个参数)形成粒子种群,分别以这些粒子作为参数计算模型的适应度,更新每一个粒子(个体)的值,迭代计算模型的适应度直到迭代结束,最终取种群中最优适应度的粒子值作为最优参数输出。取需要迭代优化的参数为累加阶数和序列发展系数,即是算法中粒子值维数取两维,分别是累加阶数和序列发展系数。优选地,各参数设定如下:种群数量n取50个;迭代次数取25次;惯性因子w取0.8;自我学习因子c1取0.9;种群学习因子c2取0.9;粒子值取值范围选择:累加阶数范围取[0,2],背景值参数范围取[0,1];粒子更新速度范围选择:两个维度更新速度r1和r2的范围均取[-1,1]。
在建立初始广义灰色预测模型之后,可以基于粒子群优化算法确定初始广义灰色预测模型对应的优化模型参数。
对于上述步骤A2中确定优化模型参数的过程将在下述优选实施例中进行详细描述,本发明实施例在此不再加以赘述。
在确定出初始广义灰色预测模型对应的优化模型参数之后,执行步骤A3。
步骤A3:依据所述优化模型参数,训练所述初始广义灰色预测模型,生成所述广义灰色预测模型。
在获取优化模型参数之后,可以依据优化模型参数训练初始广义灰色预测模型,从而可以生成广义灰色预测模型。
在本发明的另一种优选实施例中,上述步骤A2可以包括:
子步骤B1:基于所述空间飞行器的历史位姿数据,设定所述粒子群优化算法对应的模型参数;
子步骤B2:基于所述模型参数,初始化粒子种群;
子步骤B3:计算所述粒子种群对应的目标函数适应度;
子步骤B4:基于所述目标函数适应度,更新得到所述优化模型参数。
在本发明实施例中,首先,可以基于空间飞行器的历史位姿数据,设定粒子群优化算法对应的模型参数。其次,可以基于模型参数,初始化粒子种群,具体地,在取值范围内随机选择初始化粒子群的值Xn×2和速度V;初始化个体最优值及其适应度为pBest=Xn×2和pMape=1n×1;初始化种群最优值及其适应度为gBest=11×2和gMape=1。然后,可以计算粒子种群对应的目标函数适应度,具体地,选择最小相对百分比误差(MAPE)作为误差模型,该值越小,适应度越好,目标函数的适应度的计算方式可以为:
再者,可以基于目标函数适应度更新得到优化模型参数,具体地,若当前目标函数适应度优于pBest和gBest的适应度,则以当前参数值和适应度代替并更新pBest和gBest,并依据下述公式(14)更新粒子群的值X和速度V;否则保持pBest和gBest的值。
上述公式(14)中,P1为惯性部分,是粒子保持本身速度的趋;P2为自身最优部分,是粒子保持自身历史最优方向的趋势;P3为种群最优部分,是粒子保持种群最优方向的趋势。
对于上述子步骤B4的过程结合下述优选实施例进行详细描述。
在本发明的另一种优选实施例中,上述子步骤B4可以包括:
子步骤C1:根据所述粒子种群中的各所述适应度,迭代更新所述粒子种群和所述粒子种群中每个所述模型参数的最优适应度和位置;
子步骤C2:在所述迭代更新的次数达到设定次数时,输出所述优化模型参数。
在本发明实施例中,可以根据粒子种群中的各适应度,迭代更新粒子种群和粒子种群中每个模型参数的最优适应度和位置,并在迭代更新的次数达到设定次数时,可以输出优化模型参数。
在本发明中,可以重复执行子步骤B3和子步骤B4,迭代结束后,种群历史最优参数值即广义灰色预测模型中参数的最优取值。
接下来,结合优选实施例对确定异常数据的过程进行如下详细描述。
在本发明的另一种优选实施例中,上述步骤104可以包括:
子步骤D1:在第一位置对应的所述差值绝对值大于或等于所述误差阈值的情况下,判定所述第一位置对应的实际位姿数据为异常位姿数据,并丢弃所述第一位置对应的实际位姿数据;所述第一位置为所述多个位置中的一个位置。
在本发明实施例中,第一位置是指多个位置中的一个或多个位置,在第一位置对应的差值绝对值大于或等于误差阈值时,即第一位置处的实际位姿数据和预测位姿数据之间的差值绝对值大于或等于误差阈值时,可以判定第一位置对应的实际位姿数据为异常位姿数据。
在确定出第一位置对应的实际位姿数据为异常位姿数据之后,可以丢弃第一位置对应的实际位姿数据。
子步骤D2:在第二位置对应的所述差值绝对值小于所述误差阈值的情况下,判定所述第二位置对应的实际位姿数据为正常位姿数据,并保存所述第二位置对应的实际位姿数据;所述第二位置为所述多个位置中的一个位置。
在本发明实施例中,第二位置是指多个位置中的一个或多个位置,在第二位置对应的差值绝对值小于误差阈值时,即第二位置处的实际位姿数据和预测位姿数据之间的差值绝对值小于误差阈值时,可以判定第二位置处的实际位姿数据为正常位姿数据,此时,可以保存第二位置处所对应的实际位姿数据。
在本发明中误差阈值优选为1%。
本发明实施例针对连续位姿测量过程中异常值检测的问题,引入灰色预测模型,提出了基于广义灰色预测模型的动态位姿估计算法,实时地预测位姿数据作为参考值,与测量得到的实际位姿数据进行比较,检测位姿测量过程中的异常值,避免将其应用于后续任务中,解决了复杂环境下测量***的鲁棒性和稳定性问题。
本发明实施例提供了一种动态位姿估计方法,通过采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据,基于预先建立的广义灰色预测模型,预测空间飞行器在多个位置处的预测位姿数据,计算每个位置处的实际位姿数据和预测位姿数据之间的差值绝对值,根据每个位置对应的差值绝对值和误差阈值,确定多个实际位姿数据中的异常数据。本发明实施例针对连续位姿测量过程中异常值检测的问题,引入灰色预测模型,提出了基于广义灰色预测模型的动态位姿估计算法,实时地预测位姿数据作为参考值,与测量得到的实际位姿数据进行比较,检测位姿测量过程中的异常值,避免将其应用于后续任务中,解决了复杂环境下测量***的鲁棒性和稳定性问题。
实施例二
参照图2,示出了本发明实施例提供的一种动态位姿估计装置的结构示意图。如图2所示,该动态位姿估计装置可以包括如下模块:
实际位姿数据采集模块210,用于采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据;
预测位姿数据预测模块220,用于基于预先建立的广义灰色预测模型,预测所述空间飞行器在所述多个位置处的预测位姿数据;
差值绝对值计算模块230,用于计算每个所述位置处的所述实际位姿数据和所述预测位姿数据之间的差值绝对值;
异常数据确定模块240,用于根据每个所述位置对应的所述差值绝对值和误差阈值,确定多个所述实际位姿数据中的异常数据。
优选地,所述装置还包括:
初始预测模型建立模块,用于建立初始广义灰色预测模型;
优化模型参数确定模块,用于基于粒子群优化算法,确定所述初始广义灰色预测模型对应的优化模型参数;
广义预测模型生成模块,用于依据所述优化模型参数,训练所述初始广义灰色预测模型,生成所述广义灰色预测模型。
优选地,所述优化模型参数确定模块包括:
模型参数设定子模块,用于基于所述空间飞行器的历史位姿数据,设定所述粒子群优化算法对应的模型参数;
粒子种群初始子模块,用于基于所述模型参数,初始化粒子种群;
目标适应度计算子模块,用于计算所述粒子种群对应的目标函数适应度;
优化参数更新子模块,用于基于所述目标函数适应度,更新得到所述优化模型参数。
优选地,所述优化参数更新子模块包括:
适应度迭代子模块,用于根据所述粒子种群中的各所述适应度,迭代更新所述粒子种群和所述粒子种群中每个所述模型参数的最优适应度和位置;
优化参数输出子模块,用于在所述迭代更新的次数达到设定次数时,输出所述优化模型参数。
优选地,所述异常数据确定模块240包括:
异常位姿数据判定子模块,用于在第一位置对应的所述差值绝对值大于或等于所述误差阈值的情况下,判定所述第一位置对应的实际位姿数据为异常位姿数据,并丢弃所述第一位置对应的实际位姿数据;所述第一位置为所述多个位置中的一个位置;
正常位姿数据判定子模块,用于在第二位置对应的所述差值绝对值小于所述误差阈值的情况下,判定所述第二位置对应的实际位姿数据为正常位姿数据,并保存所述第二位置对应的实际位姿数据;所述第二位置为所述多个位置中的一个位置。
本发明实施例提供了一种动态位姿估计装置,通过采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据,基于预先建立的广义灰色预测模型,预测空间飞行器在多个位置处的预测位姿数据,计算每个位置处的实际位姿数据和预测位姿数据之间的差值绝对值,根据每个位置对应的差值绝对值和误差阈值,确定多个实际位姿数据中的异常数据。本发明实施例针对连续位姿测量过程中异常值检测的问题,引入灰色预测模型,提出了基于广义灰色预测模型的动态位姿估计算法,实时地预测位姿数据作为参考值,与测量得到的实际位姿数据进行比较,检测位姿测量过程中的异常值,避免将其应用于后续任务中,解决了复杂环境下测量***的鲁棒性和稳定性问题。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (8)
1.一种动态位姿估计方法,其特征在于,包括:
采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据;
基于预先建立的广义灰色预测模型,预测所述空间飞行器在所述多个位置处的预测位姿数据;
计算每个所述位置处的所述实际位姿数据和所述预测位姿数据之间的差值绝对值;
根据每个所述位置对应的所述差值绝对值和误差阈值,确定多个所述实际位姿数据中的异常数据;
在所述采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据之前,还包括:
建立初始广义灰色预测模型;广义灰色预测模型的白化微分方程为:
式中,x(r)(t)为原始序列的r阶广义累加序列,z(r)(t)为序列的背景值,u0,u1,...,uN为非齐次灰作用量参数;a为序列发展系数;
将广义灰色预测模型的白化微分方程的通解包括齐次解和非齐次解;
齐次解由齐次方程确定;假设非齐次解带入广义灰色预测模型的白化微分方程中由递推方程逐个求出非齐次解;
将初始条件带入广义灰色预测模型的白化微分方程的通解后获得累加序列的预测值;
基于粒子群优化算法,确定所述初始广义灰色预测模型对应的优化模型参数;
依据所述优化模型参数,训练所述初始广义灰色预测模型,生成所述广义灰色预测模型。
2.根据权利要求1所述的方法,其特征在于,所述基于粒子群优化算法,确定所述初始广义灰色预测模型对应的优化模型参数,包括:
基于所述空间飞行器的历史位姿数据,设定所述粒子群优化算法对应的模型参数;
基于所述模型参数,初始化粒子种群;
计算所述粒子种群对应的目标函数适应度;
基于所述目标函数适应度,更新得到所述优化模型参数。
3.根据权利要求2所述的方法,其特征在于,所述基于所述目标函数适应度,更新得到所述优化模型参数,包括:
根据所述粒子种群中的各所述目标函数适应度,迭代更新所述粒子种群和所述粒子种群中每个所述模型参数的最优适应度和位置;
在所述迭代更新的次数达到设定次数时,输出所述优化模型参数。
4.根据权利要求1所述的方法,其特征在于,所述根据每个所述位置对应的所述差值绝对值和误差阈值,确定多个所述实际位姿数据中的异常数据,包括:
在第一位置对应的所述差值绝对值大于或等于所述误差阈值的情况下,判定所述第一位置对应的实际位姿数据为异常位姿数据,并丢弃所述第一位置对应的实际位姿数据;所述第一位置为所述多个位置中的一个位置;
在第二位置对应的所述差值绝对值小于所述误差阈值的情况下,判定所述第二位置对应的实际位姿数据为正常位姿数据,并保存所述第二位置对应的实际位姿数据;所述第二位置为所述多个位置中的一个位置。
5.一种动态位姿估计装置,其特征在于,包括:
实际位姿数据采集模块,用于采集空间飞行器在飞行过程中处于多个位置处的实际位姿数据;
预测位姿数据预测模块,用于基于预先建立的广义灰色预测模型,预测所述空间飞行器在所述多个位置处的预测位姿数据;
差值绝对值计算模块,用于计算每个所述位置处的所述实际位姿数据和所述预测位姿数据之间的差值绝对值;
异常数据确定模块,用于根据每个所述位置对应的所述差值绝对值和误差阈值,确定多个所述实际位姿数据中的异常数据;
动态位姿估计装置还包括:
初始预测模型建立模块,用于建立初始广义灰色预测模型;广义灰色预测模型的白化微分方程为:
式中,x(r)(t)为原始序列的r阶广义累加序列,z(r)(t)为序列的背景值,u0,u1,...,uN为非齐次灰作用量参数;a为序列发展系数;
将广义灰色预测模型的白化微分方程的通解包括齐次解和非齐次解;
齐次解由齐次方程确定;假设非齐次解带入广义灰色预测模型的白化微分方程中由递推方程逐个求出非齐次解;
将初始条件带入广义灰色预测模型的白化微分方程的通解后获得累加序列的预测值;
优化模型参数确定模块,用于基于粒子群优化算法,确定所述初始广义灰色预测模型对应的优化模型参数;
广义预测模型生成模块,用于依据所述优化模型参数,训练所述初始广义灰色预测模型,生成所述广义灰色预测模型。
6.根据权利要求5所述的装置,其特征在于,所述优化模型参数确定模块包括:
模型参数设定子模块,用于基于所述空间飞行器的历史位姿数据,设定所述粒子群优化算法对应的模型参数;
粒子种群初始子模块,用于基于所述模型参数,初始化粒子种群;
目标适应度计算子模块,用于计算所述粒子种群对应的目标函数适应度;
优化参数更新子模块,用于基于所述目标函数适应度,更新得到所述优化模型参数。
7.根据权利要求6所述的装置,其特征在于,所述优化参数更新子模块包括:
适应度迭代子模块,用于根据所述粒子种群中的各所述目标函数适应度,迭代更新所述粒子种群和所述粒子种群中每个所述模型参数的最优适应度和位置;
优化参数输出子模块,用于在所述迭代更新的次数达到设定次数时,输出所述优化模型参数。
8.根据权利要求5所述的装置,其特征在于,所述异常数据确定模块包括:
异常位姿数据判定子模块,用于在第一位置对应的所述差值绝对值大于或等于所述误差阈值的情况下,判定所述第一位置对应的实际位姿数据为异常位姿数据,并丢弃所述第一位置对应的实际位姿数据;所述第一位置为所述多个位置中的一个位置;
正常位姿数据判定子模块,用于在第二位置对应的所述差值绝对值小于所述误差阈值的情况下,判定所述第二位置对应的实际位姿数据为正常位姿数据,并保存所述第二位置对应的实际位姿数据;所述第二位置为所述多个位置中的一个位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911122354.2A CN110986946B (zh) | 2019-11-15 | 2019-11-15 | 一种动态位姿估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911122354.2A CN110986946B (zh) | 2019-11-15 | 2019-11-15 | 一种动态位姿估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110986946A CN110986946A (zh) | 2020-04-10 |
CN110986946B true CN110986946B (zh) | 2022-07-26 |
Family
ID=70084570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911122354.2A Active CN110986946B (zh) | 2019-11-15 | 2019-11-15 | 一种动态位姿估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110986946B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111637901B (zh) * | 2020-04-28 | 2021-12-07 | 北京控制工程研究所 | 一种基于非齐次方程解的多陀螺故障诊断与重构方法 |
CN112344933B (zh) * | 2020-08-21 | 2023-04-07 | 北京京东乾石科技有限公司 | 一种信息生成的方法、装置和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104180845A (zh) * | 2014-09-16 | 2014-12-03 | 哈尔滨恒誉名翔科技有限公司 | 水下无人航行器传感器状态诊断与信号恢复方法 |
CN104239963A (zh) * | 2014-08-14 | 2014-12-24 | 国家电网公司 | 基于灰色gm(1,1)模型查找异常电能表的方法 |
CN107257351A (zh) * | 2017-07-28 | 2017-10-17 | 广东电网有限责任公司云浮供电局 | 一种基于灰色lof流量异常检测***及其检测方法 |
CN108898257A (zh) * | 2018-07-05 | 2018-11-27 | 上海海事大学 | 一种基于粒子群优化的灰色预测方法 |
-
2019
- 2019-11-15 CN CN201911122354.2A patent/CN110986946B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239963A (zh) * | 2014-08-14 | 2014-12-24 | 国家电网公司 | 基于灰色gm(1,1)模型查找异常电能表的方法 |
CN104180845A (zh) * | 2014-09-16 | 2014-12-03 | 哈尔滨恒誉名翔科技有限公司 | 水下无人航行器传感器状态诊断与信号恢复方法 |
CN107257351A (zh) * | 2017-07-28 | 2017-10-17 | 广东电网有限责任公司云浮供电局 | 一种基于灰色lof流量异常检测***及其检测方法 |
CN108898257A (zh) * | 2018-07-05 | 2018-11-27 | 上海海事大学 | 一种基于粒子群优化的灰色预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110986946A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178385B (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
JP6912008B2 (ja) | マシンビジョンシステム | |
Liu et al. | Deep inference for covariance estimation: Learning gaussian noise models for state estimation | |
CN113486078B (zh) | 一种分布式配电网运行监控方法及*** | |
CN110986946B (zh) | 一种动态位姿估计方法及装置 | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN110309537B (zh) | 一种飞行器的智能健康预测方法及*** | |
CN111260124A (zh) | 一种基于注意力机制深度学习的混沌时间序列预测方法 | |
Tarel et al. | Using robust estimation algorithms for tracking explicit curves | |
Guo et al. | UAV flight control sensing enhancement with a data-driven adaptive fusion model | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN114582131A (zh) | 一种基于匝道智能控流算法的监控方法及*** | |
CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
CN117406027A (zh) | 一种配电网故障测距方法及其*** | |
CN108446506B (zh) | 一种基于区间反馈神经网络的不确定***建模方法 | |
CN116468174A (zh) | 飞行参数预测及置信度评价方法 | |
CN112762824B (zh) | 一种无人车定位方法及*** | |
CN114527776A (zh) | 一种无人机抗风扰控制方法、装置、终端及存储介质 | |
Jadala et al. | Satellite Orbit Prediction Using a Machine Learning Approach. | |
KR20230072920A (ko) | 오염된 IoT 데이터 환경에서 비지도 이상 감지 모델을 위한 반복적 학습 방법 및 장치 | |
Cui et al. | The atmospheric model of neural networks based on the improved Levenberg-Marquardt algorithm | |
CN115855069B (zh) | 基于sce的geo航天器机动检测与位置预测方法 | |
Herzallah et al. | Robust control of nonlinear stochastic systems by modelling conditional distributions of control signals | |
Noursadeghi et al. | A particle-filtering based approach for distributed fault diagnosis of large-scale interconnected nonlinear systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |