CN111737882B - 复杂月面接近段实现自主障碍规避的着陆区选取方法 - Google Patents

复杂月面接近段实现自主障碍规避的着陆区选取方法 Download PDF

Info

Publication number
CN111737882B
CN111737882B CN202010707586.0A CN202010707586A CN111737882B CN 111737882 B CN111737882 B CN 111737882B CN 202010707586 A CN202010707586 A CN 202010707586A CN 111737882 B CN111737882 B CN 111737882B
Authority
CN
China
Prior art keywords
landing zone
annular mountain
landing
mountain
annular
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
Application number
CN202010707586.0A
Other languages
English (en)
Other versions
CN111737882A (zh
Inventor
吴鹏
穆荣军
邓雁鹏
刘丽丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010707586.0A priority Critical patent/CN111737882B/zh
Publication of CN111737882A publication Critical patent/CN111737882A/zh
Application granted granted Critical
Publication of CN111737882B publication Critical patent/CN111737882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

复杂月面接近段实现自主障碍规避的着陆区选取方法，解决了现有在月球软着陆自主障碍规避与着陆区选取时信息利用率不够高的问题，属于月球软着陆技术领域。所述方法包括：S1、获取在接近段测量的月球表面光学图像，确定待选着陆区；S2、在待选着陆区内提取环形山的形状信息，再结合分形布朗运动FBM对待选着陆区内的环形山重建，计算环形山内各点坡度，根据设定的安全坡度，得到坡度小于安全坡度的区域作为可降落区；S3、对待选着陆区进行纹理分析，评估粗糙度，得到待选着陆区的平坦的地块；S4、结合可降落区及平坦地块选出最优可行着陆区。本发明提出的方法能够准确反映月面图像中环形山和月表的形状特征，并能有效选取出适合着陆的区域，具有良好的工程适应性。

Description

复杂月面接近段实现自主障碍规避的着陆区选取方法
技术领域
本发明涉及一种复杂月面接近段实现自主障碍规避的着陆区选取方法，属于月球软着陆技术领域。
背景技术
从20世纪60年代开始至今，美国、苏联、欧洲、日本、中国、印度等国家和地区发射了多个月球探测器。对于早期月面探测任务，由于缺乏自主避障能力，通常会在任务实施前规划较为宽阔和平坦处作为任务着陆区，如Luna系列探测器和勘探者系列探测器；或者依靠人工操纵实现避障功能，如Apollo系列探测器。为提高着陆成功率，需要月球探测器具有自主选择着陆点的能力。
21世纪以来，美国提出一种基于激光雷达的无人灵巧着陆自主软着陆避障技术，但根据已有资料，该技术还未得到成功应用。在“嫦娥”三号和四号飞行器的软着陆任务中，采用粗精结合的避障算法进行自主障碍规避与着陆区选取。在接近段(2400m-100m)主要进行“粗避障”，根据被动探测获得的光学信息基础上重新设定制导目标并规划着陆区域；在悬停、避障及缓速下降段(100m-2m)，通过采用激光雷达、激光高度计等敏感器得到月面高精度地形信息，选取最优着陆点实现“精避障”。
月球软着陆自主障碍规避与着陆区选取技术的难点在于任务执行前缺乏月面高精度高程图(Digital Elevation Model,DEM)信息，而当探测器在着陆末段获得较精确的月面高程信息时已无法完成较大的避障机动。目前，基于接近段获得的被动光学探测信息，障碍识别与安全着陆区选取主要通过分析环形山、石块等障碍的明暗、阴影灰度特征实现，信息利用率不够高。
发明内容
针对现有在月球软着陆自主障碍规避与着陆区选取时信息利用率不够高的问题，本发明提供一种在充分分析月面环形山形状特征基础上，对接近段待选着陆区进行粗略重建，从二维图像恢复出三维信息，提升信息利用率的复杂月面接近段实现自主障碍规避的着陆区选取方法。
本发明的一种复杂月面接近段实现自主障碍规避的着陆区选取方法，所述方法包括：
S1、获取在接近段测量的月球表面光学图像，确定待选着陆区；
S2、在待选着陆区内提取环形山的形状信息，再结合分形布朗运动FBM对待选着陆区内的环形山重建，计算环形山内各点坡度，根据设定的安全坡度，得到坡度小于安全坡度的区域作为可降落区；
S3、对待选着陆区进行纹理分析，评估粗糙度，得到待选着陆区的平坦的地块；
S4、结合可降落区及平坦地块选出最优可行着陆区。
作为优选，所述S2包括：
S21、提取出待选着陆区的环形山进行圆拟合，并计算出拟合环形山的坑唇间直径D；
S22、根据公式一和公式二获取环形山的深度H和坑唇高度Hr：
H＝0.196D1.01 公式一
Hr＝0.036D1.014 公式二
S23、根据环形山的坑唇间直径D、深度H和坑唇高度Hr，获取坑唇外边缘等效半径Dr：
S24、将环形山近似为球面，计算出环形山等效球面半径R：
S25、根据环形山的坑唇间直径D、深度H、坑唇高度Hr、坑唇外边缘等效半径Dr和等效球面半径R确定环形山的形状，应用基于分形布朗运动FBM对环形山进行叠加，形成环形山仿真点；
S26、根据环形山仿真点，计算环形山内各点坡度ψ；
S27、根据设定的安全坡度ψ*，得到坡度小于安全坡度的区域作为可降落区。
作为优选，安全坡度ψ*＝12。
作为优选，所述S3中：
S31、将待选着陆区月球表面光学图像按照灰度特征不同分为N个类别的月面图像纹理，所述灰度特征用于表示平坦地块的特征；
S32、应用K均值聚类方法对待选着陆区内每类月面图像纹理进行纹理分析，获得聚类结果，根据聚类结果确定平坦地块。
作为优选，所述N为6，6个类别分别为平坦月面、粗糙月面、大环形山阴面、大环形山阳面、小环形山阴面和小环形山阳面。
本发明的有益效果：本发明针对探测器光学探测得到的灰度图像，首先对探测得到的环形山形状特征和分布特征进行建模，计算出待选着陆区内各点坡度；随后采用基于K-means聚类的图像纹理分析方法评估待选着陆区的粗糙度；综合考虑坡度、粗糙度，在待选着陆区内进行可行着陆区选取，本发明具体三个优点：(1)提升被动光学探测信息的利用率，提高自主导航和障碍识别的精度；(2)可恢复“看不见”地区的障碍结构，显著提升了月球探测器选取着陆区的自主性；(3)为“嫦娥”系列探测器精避障***提供更准确可靠的初始信息。本申请进行了仿真实验，实验表明，本发明提出的方法能够准确反映月面图像中环形山和月表的形状特征，并能有效选取出适合着陆的区域，具有良好的工程适应性。
附图说明
图1为本发明的流程示意图；
图2为环形山提取及圆拟合；
图3为环形山等效剖面图；
图4为环形山三维形状拟合；
图5为环形山仿真点云；
图6为“嫦娥”一号图像样本；
图7为环形山内各点等效坡度；
图8为纹理分析结果；
图9为轮廓值分布；
图10为不同类别数轮廓值结果；
图11为膨胀处理后的平坦月面纹理；
图12为“嫦娥”探测器拍摄图像；
图13为待选着陆区域区(A区)；
图14为分形布朗运动坡度估计；
图15为可行着陆区选取结果(A区)；
图16为待选着陆区(B区)；
图17为可行着陆区选取结果(C区)。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
在月球软着陆任务中，自主导航和避障是同时进行的，主要包括自主导航、障碍识别与着陆点选取、障碍相对导航、避障制导与控制等关键技术。本实施方式以在“嫦娥”系列飞行器为例，“嫦娥”系列探测器在姿态调整段之后，从接近段1500m高度开始，光学相机近似竖直指向月面，对待选着陆区域进行观察，获取地形障碍信息并进行粗避障。“嫦娥”三号探测器到达悬停段100m后，采用激光雷达、激光高速计等敏感器在30s内完成着陆区探测，选择安全着陆点并机动下降至着陆点上方30m，完成避障段精避障工作。“嫦娥”四号探测器着陆时序与“嫦娥”三号探测器基本相同，但“嫦娥”三号探测器是在“嫦娥”二号探测器已获取的超高分辨率图像引导下完成着陆任务的，而“嫦娥”四号则是在没有成像参考的情况下完成着陆任务，着陆环境复杂多变、配置的传感器作用距离更长、接近段近似垂直下落。着陆避障时序如表1所示。
表1着陆避障时序
本实施方式针对的是接近段的可行着陆区选取，包括：
步骤一、获取在接近段测量的月球表面光学图像，根据飞行任务规划，确定待选着陆区；步骤一中还需要对月面光学图像进行去噪、二值化等预处理，便于环形山的提取和月面纹理分析。
步骤二、在待选着陆区内提取环形山的形状信息，再结合分形布朗运动FBM对待选着陆区内的环形山重建，计算环形山内各点坡度，根据设定的安全坡度，得到坡度小于安全坡度的区域作为可降落区；
步骤三、对待选着陆区进行纹理分析，评估待选着陆区的粗糙度，得到待选着陆区的平坦的地块；
步骤四、结合可降落区及平坦地块选出最优可行着陆区。
本实施方式还给出了关于对基于FBM的月面重建的说明：
月面自然地形符合二维FBM特征，是一个高斯随机过程，对应随机变量X＝X(t)服从于N(0,tα)随机分布，α为维数，代表粗糙程度。月面地形统计自相似性、变异差及剖面功率谱密度分别满足下式(1)～(3)。
p(X(t)＜x)＝p(X(γt)＜γHt) (1)
E[X(t+h)-X(t)]2＝k|h|2H (2)
G(ω)＝2πkω-H (3)
式中：γ为迭代层数，k为尺度因数，H为非规则维数。分形维数FD与H之间关系为[17]：
FD+H＝3.
应用FBM对月面进行仿真时，首先利用一阶绝对矩估计法计算H(0≤H≤1)。
式(4中BH(t)为FBM函数，对式(4)取对数得到
式(5)近似线性关系。
对于月面二维FBM函数BH(u)，令u＝(ux,uy)为某一点位置向量，形式如下：
式中：ω(x,y)为二维高斯白噪声。“嫦娥”二号立体影像重建月球地形DEM数据计算月球表面维数。
首先计算月面二维FBM函数BH(u)在两个方向的增量均值：
其中N为选取的N×N数据窗口宽度、Δ为增量计算步长，取50m。计算整体均值：
根据式(5)对上式取对数，得：
log(E(Δ))＝log(EConst)+(3-FD)log(Δ) (10)
可以得出：
在现有数据中任取5个200×200图像区域计算分形维数FD，结果如下：
表2月面分形维数
编号 1 2 3 4 5
非规则维数 0.762 0.284 0.466 0.559 0.961
分形维数 2.238 2.716 2.534 2.441 2.039
选取的五个区域分形维数均大于2，说明月面分形特性良好，可采用FBM进行重建。在重建FBM基础上叠加月面环形山信息即可完成地形仿真。
优选实施例中，本实施方式的步骤二包括：
步骤二一、提取出待选着陆区的环形山进行圆拟合，并计算出拟合环形山的坑唇间直径D，如图2所示；
步骤二二、根据式(12)和(13)获取环形山的深度H和坑唇高度Hr：
H＝0.196D1.01 (12)
Hr＝0.036D1.014 (13)
其中环形山在月面上的分布数量规律可由以下统计模型表示：
lgN(D)＝b×lg(D)+lg(a) (14)
式中：D表示环形山直径，N(D)为单位面积内直径大于D的环形山数目，a和b为模型参数。给出了不同尺寸环形山在月面和月海上的统计分布参数，如表3所示(单位：米)。
表3环形山分形分布参数
据统计月球表面的陨石坑在33000个以上，月面环形山高度和直径的关系符合经验公式(12)和(13)。
步骤二三、环形山剖面图如图3所示，根据环形山的坑唇间直径D、深度H和坑唇高度Hr，获取坑唇外边缘等效半径Dr：
步骤二四、将环形山近似为球面，根据式(12)和(13)计算出环形山等效球面半径R：
环形山形状拟合结果如图4所示；
步骤二五、根据环形山的坑唇间直径D、深度H、坑唇高度Hr、坑唇外边缘等效半径Dr和等效球面半径R确定环形山的形状，应用基于分形布朗运动FBM对环形山进行叠加，形成环形山仿真点；在图4基础上，应用FBM对环形山进行叠加，形成环形山仿真点云图如图5所示。
步骤二六、根据环形山仿真点，计算环形山内各点坡度ψ：
式中：(x0,y0)为环形山探测圆心，(x,y)为环形山内各点坐标。
步骤二七、根据设定的安全坡度ψ*，得到坡度小于安全坡度的区域作为可降落区。
本实施方式设定粗避障可行着陆区安全坡度ψ*＝12。越靠近环形山边缘，地形坡度越大，故选定避障坡度阈值ψ*后，可确定对应可行着陆区及环形山内可行着陆区半径d，如图6中(a)-(d)所示。
d＝R sin(ψ*) (18)
图6中(a)中，D为环形山坑唇间直径，Dr为环形山坑唇外边缘等效半径；通过式(12)和式(16)可计算出环形山深度H和环形山等效球面半径R，如图6中(c)所示；拟合出环形山后，通过式(17)可计算出环形山内各点坡度，如图6中(d)所示；通过选取安全坡度ψ*，可获得当前地块中可降落区域，如图6中(b)所示。
可降落区域仅仅满足着陆区降落的坡度要求，为选取可行着陆区需要同时考虑该地块的粗糙度，优选实施例中，本实施方式的步骤三包括：
步骤三一、将待选着陆区月球表面光学图像按照灰度特征不同分为N个类别的月面图像纹理，所述灰度特征用于表示平坦地块的特征；
步骤三二、应用K均值聚类方法对待选着陆区内每类月面图像纹理进行纹理分析，获得聚类结果，根据聚类结果确定平坦地块。
K-means聚类算法是一种无监督分类算法，可以对月面光学探测图像进行纹理分析。纹理分析的作用是评估待选着陆区的粗糙度，选出较为平坦的地块，将坡度较小且很平坦的地区作为可行着陆区，提升自主避障及软着陆的可靠性。
优选实施例中，N为6，6个类别分别为平坦月面、粗糙月面、大环形山阴面、大环形山阳面、小环形山阴面和小环形山阳面。
对应6种有标签数据簇Ci(i＝1,2,…,6)，如表4所示。应用K-means聚类算法将其分开进行纹理分析。设图片灰度矩阵为一无标签数据集，有n个点。
X＝[x(1) x(2) ... x(n)]T (19)
C＝[C1,C2,C3,C4,C5,C6] (20)
表4月面图像纹理分类
将图像按照分类数目K＝6分成6个簇，并构建最小化损失目标函数J：
式中：μi为簇Ci的中心点；||xi-μi||2为簇Ci中各点与中心点之间的距离。
选取“嫦娥”一号探测器拍摄的月面图像样本进行纹理分析，图像样本如图7所示。
对图7进行K-means聚类纹理分析，分析结果如图8所示。
图8中(a)～(f)为同一区域，地块中对应白色区域为选出的、符合条件的地块。图8中(a)白色区域为较小环形山阴面；图8中(b)白色区域为较大环形山阴面；图8中(c)白色区域为粗糙月面；图8中(d)白色区域为平坦月面；图8中(e)白色区域为较小环形山阳面；图8中(f)白色区域为较大环形山阳面。
获得聚类结果后，采用轮廓系数S(Silhouette Coefficient)对聚类结果进行评价。对于灰度图像里任一点i：簇内不相似度a(i)表示该聚类簇的凝聚度，a(i)为i到同簇内其他点距离的平均值；簇间不相似度b(i)表示该聚类簇的分离度，b(i)为i到其他簇中心距离的最小值。i点轮廓系数S(i)为：
该聚类的轮廓系数S为：
S越接近1，说明聚类结果越好，数据簇凝聚度越高、不同数据簇越分散；当S(i)<0，说明该点聚类不合理，应被分到其他数据簇。对图7、图8聚类结果进行评价，将图7分别分为4～7类，计算轮廓值分布，结果如图9所示。
当聚类类别数为6时，轮廓值为负的灰度样本点数目最少，说明分为6类时聚类数据簇分离度好、簇间分离度高。
不同类别数对应轮廓值如图10所示。
考虑到月面纹理分析中环形山的完整性，聚类类别为8时分割过度，易将同一环形山所在地区分割多个两部分，不利于识别完整环形山；当分隔数目过少时，无法提取出符合着陆条件的目标地形，因此聚类数可选4～7，对应聚类轮廓值及聚类时长如表5所示：
表5聚类轮廓值及聚类时长
当聚类数为6时，聚类轮廓值最大，说明提出的基于K-means聚类的月面图像纹理分析可按照任务需求，对月面灰度图像进行分类，区分不同图像纹理对应实际地形，为可行着陆区选取提供支持。
根据月面图像纹理分析结果，选取图8中(d)纹理对应平坦月面为可行着陆区。图11中(a)为图8中(d)平坦月面原始图像，将其中白色区域膨胀处理后形成图11中(b)，图11中(b)中白色区域粗糙度较小，可以看出基本避开了所有环形山，可以着陆。
实验验证：
选用“嫦娥”一号探测器拍摄的月面图像为分析样本，如图12中(a)所示，分别基于分形特征和月面纹理分析进行可行着陆区选取。
首先对原图进行高斯模糊和二值化处理，识别出图像中的环形山边缘和直径，如图12中(b)所示。
根据任务规划要求，在图12中(a)上任取一定区域(A区)作为待选着陆区，如图13所示。
通过FBM重建图13地形并计算各点地形坡度；设定安全着陆区坡度为12°，得到的坡度大于安全坡度的地块如图14黑色区域所示。
图14中，黑色区块为平均坡度较大区域，不能作为可行着陆区。同时，对图13进行纹理分析，综合考虑图像区域的坡度和和粗糙度进行着陆可行性评估，选出可行着陆区如图15所示：
在图12中另取一待选着陆区(B区)进行分析，如图16中(a)；对其进行着陆可行性评估，得出可行着陆区如图16中(b)所示：
图16中，综合考虑图像纹理分析的的结果和FBM估计坡度后选出了一个可行着陆区，左上角有一块“黑色”平坦区域，却未将其选取为可行着陆区，原因是该区域位于环形山内部，坡度也较大。
在图12中另选一图像灰度值分布不均匀区域(C区)，对其进行着陆可行性评估，无法得出可行着陆区，如图17所示。
可以看出，针对不同的待选着陆区，本发明能够在重建月面的基础上重建地形、识别障碍、自主选取出有效的可行着陆区。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (2)

1.复杂月面接近段实现自主障碍规避的着陆区选取方法，其特征在于，所述方法包括：
S1、获取在接近段测量的月球表面光学图像，确定待选着陆区；
S2、在待选着陆区内提取环形山的形状信息，再结合分形布朗运动FBM对待选着陆区内的环形山重建，计算环形山内各点坡度，根据设定的安全坡度，得到坡度小于安全坡度的区域作为可降落区；
S3、对待选着陆区进行纹理分析，评估粗糙度，得到待选着陆区的平坦的地块；
S4、结合可降落区及平坦地块选出最优可行着陆区；
所述S2包括：
S21、提取出待选着陆区的环形山进行圆拟合，并计算出拟合环形山的坑唇间直径D；
S22、根据公式一和公式二获取环形山的深度H和坑唇高度Hr：
H＝0.196D1.01 公式一
Hr＝0.036D1.014 公式二
S23、根据环形山的坑唇间直径D、深度H和坑唇高度Hr，获取坑唇外边缘等效半径Dr：
S24、将环形山近似为球面，计算出环形山等效球面半径R：
S25、根据环形山的坑唇间直径D、深度H、坑唇高度Hr、坑唇外边缘等效半径Dr和等效球面半径R确定环形山的形状，应用基于分形布朗运动FBM对环形山进行叠加，形成环形山仿真点；
S26、根据环形山仿真点，计算环形山内各点坡度ψ；
S27、根据设定的安全坡度ψ*，得到坡度小于安全坡度的区域作为可降落区；
所述S3中：
S31、将待选着陆区月球表面光学图像按照灰度特征不同分为N个类别的月面图像纹理，所述灰度特征用于表示平坦地块的特征；
S32、应用K均值聚类方法对待选着陆区内每类月面图像纹理进行纹理分析，获得聚类结果，根据聚类结果确定平坦地块；
所述N为6，6个类别分别为平坦月面、粗糙月面、大环形山阴面、大环形山阳面、小环形山阴面和小环形山阳面。
2.根据权利要求1所述的复杂月面接近段实现自主障碍规避的着陆区选取方法，其特征在于，安全坡度ψ*＝12。
CN202010707586.0A 2020-07-21 2020-07-21 复杂月面接近段实现自主障碍规避的着陆区选取方法 Active CN111737882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010707586.0A CN111737882B (zh) 2020-07-21 2020-07-21 复杂月面接近段实现自主障碍规避的着陆区选取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010707586.0A CN111737882B (zh) 2020-07-21 2020-07-21 复杂月面接近段实现自主障碍规避的着陆区选取方法

Publications (2)

Publication Number Publication Date
CN111737882A CN111737882A (zh) 2020-10-02
CN111737882B true CN111737882B (zh) 2024-02-27

Family

ID=72656233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010707586.0A Active CN111737882B (zh) 2020-07-21 2020-07-21 复杂月面接近段实现自主障碍规避的着陆区选取方法

Country Status (1)

Country Link
CN (1) CN111737882B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359320B (zh) * 2021-12-15 2023-02-03 哈尔滨工业大学 月球探测器鲁棒环形山检测方法及飞行器导航方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102173313A (zh) * 2010-12-24 2011-09-07 北京控制工程研究所 一种软着陆接力避障方法
CN106527473A (zh) * 2016-10-27 2017-03-22 上海航天控制技术研究所 一种月面避障着陆方法
CN110647159A (zh) * 2019-09-23 2020-01-03 北京控制工程研究所 一种月球软着陆精确避障异构备份方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102173313A (zh) * 2010-12-24 2011-09-07 北京控制工程研究所 一种软着陆接力避障方法
CN106527473A (zh) * 2016-10-27 2017-03-22 上海航天控制技术研究所 一种月面避障着陆方法
CN110647159A (zh) * 2019-09-23 2020-01-03 北京控制工程研究所 一种月球软着陆精确避障异构备份方法

Also Published As

Publication number Publication date
CN111737882A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
CN110264572B (zh) 一种融合几何特性与力学特性的地形建模方法及***
CN105184250B (zh) 一种电力走廊机载LiDAR点云数据的地物分类方法
Yu et al. A new approach based on crater detection and matching for visual navigation in planetary landing
CN104376595B (zh) 一种基于机载LiDAR和GIS协同的三维道路生成方法
CN109558859B (zh) 基于DInSAR和DCNN的矿区分布信息提取方法及***
Chen et al. Lunar crater detection based on terrain analysis and mathematical morphology methods using digital elevation models
CN103871100B (zh) 基于点云与数据驱动的树木模型重建方法
Westoby et al. Interannual surface evolution of an Antarctic blue-ice moraine using multi-temporal DEMs
Ayhan et al. Semi-automated emergency landing site selection approach for UAVs
Shen et al. A new algorithm of building boundary extraction based on LIDAR data
CN106991411B (zh) 基于深度形状先验的遥感图像目标精细化提取方法
CN103218787A (zh) 多源异构遥感影像控制点自动采集方法
KR101549155B1 (ko) 라이다 자료를 활용한 구조물의 직선경계 추출방법
CN106875403B (zh) 一种用于空中加油的仿鹰眼视觉运动目标检测方法
Hui et al. An active learning method for DEM extraction from airborne LiDAR point clouds
CN115761303A (zh) 基于机载激光雷达点云和遥感影像数据的地物分类方法
CN111721302B (zh) 不规则小行星表面复杂地形特征识别与感知方法
CN111737882B (zh) 复杂月面接近段实现自主障碍规避的着陆区选取方法
Wang et al. Automatic mapping of lunar landforms using DEM-derived geomorphometric parameters
CN107292039B (zh) 一种基于小波聚类的uuv巡岸轮廓构建方法
CN109556598B (zh) 一种基于超声波传感器阵列的自主建图与导航定位方法
Savage et al. A Bayesian approach to subkilometer crater shape analysis using individual HiRISE images
CN117765006A (zh) 基于无人机影像与激光点云的多层次密集树冠分割方法
CN107742295A (zh) 一种基于视觉的立方星对接重构方法
CN112907574B (zh) 一种飞行器的降落点寻找方法、装置、***及存储介质

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