一、引言1.1研究背景與意義隨著航天技術(shù)的飛速發(fā)展，航天器的任務(wù)需求日益多樣化和復(fù)雜化。從早期簡單的衛(wèi)星發(fā)射與軌道運行，到如今在軌加注、在軌維護與裝配、在軌模塊更換等近距離操作任務(wù)，以及太空垃圾清理、航天器交會對接等關(guān)鍵任務(wù)，這些都對航天器的相對導(dǎo)航技術(shù)提出了極高的要求。特別是在非合作航天器的操作中，由于無法事先在目標航天器上安裝合作標識或通信設(shè)備，如何精確測量其相對位姿成為了實現(xiàn)各類空間任務(wù)的關(guān)鍵難題。在實際的空間環(huán)境中，非合作航天器的相對位姿測量面臨著諸多挑戰(zhàn)。一方面，太空環(huán)境復(fù)雜多變，存在著強烈的輻射、微流星體撞擊、高低溫交變等惡劣條件，這些因素會對測量設(shè)備和傳感器造成嚴重的影響，降低其性能和可靠性。另一方面，非合作航天器本身的特性也增加了測量的難度，如目標航天器的形狀不規(guī)則、表面材質(zhì)多樣、姿態(tài)運動復(fù)雜等，使得傳統(tǒng)的測量方法難以準確獲取其相對位姿信息。為了應(yīng)對這些挑戰(zhàn)，多源信息融合技術(shù)應(yīng)運而生，并逐漸成為解決非合作航天器相對位姿測量問題的關(guān)鍵手段。多源信息融合技術(shù)通過對來自不同傳感器的信息進行綜合處理和分析，充分發(fā)揮各傳感器的優(yōu)勢，彌補單一傳感器的不足，從而提高測量的精度和可靠性。例如，相機可以獲取目標航天器的高分辨率圖像，提供豐富的紋理和形狀信息，但容易受到光照條件的影響；激光雷達則能夠精確測量目標的距離信息，具有較高的測距精度和穩(wěn)定性，但數(shù)據(jù)分辨率較低，點云稀疏。將相機和激光雷達的信息進行融合，可以實現(xiàn)優(yōu)勢互補，獲取更全面、準確的目標相對位姿信息。多源信息融合技術(shù)在非合作航天器相對位姿測量中的應(yīng)用具有重要的意義。在太空垃圾清理任務(wù)中，精確測量太空垃圾的相對位姿是實現(xiàn)有效捕獲和清理的前提。通過融合多種傳感器的信息，可以提高對太空垃圾位姿的測量精度，降低碰撞風險，保障其他航天器的安全運行。在航天器交會對接任務(wù)中，準確掌握主、副航天器的相對位姿信息是實現(xiàn)成功對接的關(guān)鍵。多源信息融合技術(shù)能夠提供更可靠的位姿測量結(jié)果，提高交會對接的成功率，減少任務(wù)失敗帶來的巨大損失。在在軌維護與裝配等任務(wù)中，精確的相對位姿測量有助于操作人員更好地進行操作，提高任務(wù)效率和質(zhì)量。多源信息融合技術(shù)在非合作航天器相對位姿測量中的研究具有重要的現(xiàn)實意義和廣闊的應(yīng)用前景。通過深入研究該技術(shù)，可以為我國航天事業(yè)的發(fā)展提供關(guān)鍵技術(shù)支持，推動我國在空間操作、太空探索等領(lǐng)域取得更大的突破。1.2國內(nèi)外研究現(xiàn)狀在多源信息融合技術(shù)的發(fā)展歷程中，國外的研究起步較早，在理論和應(yīng)用方面都取得了顯著的成果。美國在多源信息融合技術(shù)的研究與應(yīng)用上處于世界領(lǐng)先地位，其在軍事、航空航天、智能交通等領(lǐng)域的應(yīng)用已經(jīng)相當成熟。例如，在軍事領(lǐng)域，美國的導(dǎo)彈防御系統(tǒng)通過融合雷達、衛(wèi)星、紅外等多種傳感器的信息，實現(xiàn)了對目標的高精度跟蹤和識別，大大提高了導(dǎo)彈防御的成功率。在航空航天領(lǐng)域，美國國家航空航天局（NASA）的一些深空探測任務(wù)中，利用多源信息融合技術(shù)對探測器獲取的圖像、光譜、雷達等數(shù)據(jù)進行綜合分析，成功實現(xiàn)了對行星表面的高精度測繪和資源探測。歐盟也在積極開展多源信息融合技術(shù)的研究與應(yīng)用，特別是在智能交通和環(huán)境監(jiān)測領(lǐng)域取得了一定的進展。例如，歐盟的一些城市通過融合交通攝像頭、地磁傳感器、車輛定位系統(tǒng)等多源信息，實現(xiàn)了對城市交通流量的實時監(jiān)測和智能調(diào)控，有效緩解了交通擁堵問題。國內(nèi)在多源信息融合技術(shù)方面的研究雖然起步相對較晚，但近年來發(fā)展迅速，在理論研究和實際應(yīng)用方面都取得了長足的進步。在理論研究方面，國內(nèi)的科研機構(gòu)和高校在信息融合算法、模型和架構(gòu)等方面開展了深入的研究，提出了許多具有創(chuàng)新性的理論和方法。例如，一些學(xué)者提出了基于深度學(xué)習的多源信息融合算法，通過構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)了對多源數(shù)據(jù)的自動特征提取和融合，提高了信息融合的效率和精度。在實際應(yīng)用方面，多源信息融合技術(shù)在國內(nèi)的軍事、航天、交通、醫(yī)療等領(lǐng)域得到了廣泛的應(yīng)用。在軍事領(lǐng)域，我國的防空系統(tǒng)通過融合多種雷達和電子偵察設(shè)備的信息，實現(xiàn)了對空中目標的全方位監(jiān)測和跟蹤，提高了防空作戰(zhàn)的能力。在航天領(lǐng)域，我國的載人航天工程和月球探測工程中，利用多源信息融合技術(shù)對航天器的姿態(tài)、軌道和環(huán)境等信息進行綜合處理，保障了任務(wù)的順利進行。在非合作航天器位姿測量方面，國外的研究主要集中在基于光學(xué)、激光和射頻等多種測量技術(shù)的融合應(yīng)用。美國的一些研究機構(gòu)和高校通過融合光學(xué)相機和激光雷達的信息，實現(xiàn)了對非合作航天器的高精度位姿測量。例如，美國某大學(xué)的研究團隊利用光學(xué)相機獲取目標航天器的圖像信息，通過圖像處理算法提取目標的特征點，再結(jié)合激光雷達測量的距離信息，利用三角測量原理計算出目標航天器的相對位姿。歐洲航天局也在開展相關(guān)的研究工作，通過融合多種傳感器的信息，實現(xiàn)了對非合作航天器的自主跟蹤和位姿測量。國內(nèi)在非合作航天器位姿測量方面的研究也取得了一系列的成果。一些高校和科研機構(gòu)通過融合視覺、激光和慣性等多種傳感器的信息，提出了多種非合作航天器位姿測量方法。例如，哈爾濱工業(yè)大學(xué)的研究團隊提出了一種基于雙目視覺和激光雷達融合的非合作航天器位姿測量方法，該方法利用雙目視覺獲取目標航天器的圖像信息，通過特征提取和匹配算法得到目標的二維坐標，再結(jié)合激光雷達測量的距離信息，實現(xiàn)了對目標航天器的三維位姿測量。中國科學(xué)院的一些研究機構(gòu)也在開展相關(guān)的研究工作，通過融合多種傳感器的信息，實現(xiàn)了對非合作航天器的高精度位姿測量和跟蹤。盡管國內(nèi)外在多源信息融合技術(shù)和非合作航天器位姿測量方面取得了一定的成果，但仍然存在一些不足之處。在多源信息融合技術(shù)方面，信息融合的精度和可靠性還有待進一步提高，特別是在復(fù)雜環(huán)境下，多源信息之間的沖突和不確定性問題仍然較為突出。在非合作航天器位姿測量方面，現(xiàn)有的測量方法在測量精度、實時性和魯棒性等方面還不能完全滿足實際應(yīng)用的需求，特別是在面對目標航天器的復(fù)雜運動和空間環(huán)境的干擾時，測量精度會受到較大的影響。1.3研究目標與內(nèi)容本研究旨在通過深入探索多源信息融合技術(shù)，攻克非合作航天器相對位姿測量的關(guān)鍵難題，實現(xiàn)高精度、實時性和魯棒性的位姿測量，為我國航天領(lǐng)域的相關(guān)任務(wù)提供堅實的技術(shù)支撐。具體研究內(nèi)容如下：多源傳感器信息獲取與預(yù)處理：針對非合作航天器的特性，選用合適的傳感器，如光學(xué)相機、激光雷達、慣性測量單元（IMU）等，獲取其相對位姿信息。對傳感器獲取的原始數(shù)據(jù)進行預(yù)處理，包括去噪、濾波、校準等操作，以提高數(shù)據(jù)的質(zhì)量和可靠性。研究不同傳感器數(shù)據(jù)的特點和噪聲模型，采用相應(yīng)的算法進行處理，去除噪聲和干擾，提高數(shù)據(jù)的準確性。多源信息融合算法研究：深入研究各種多源信息融合算法，如卡爾曼濾波、粒子濾波、神經(jīng)網(wǎng)絡(luò)等，結(jié)合非合作航天器相對位姿測量的實際需求，選擇并改進合適的算法。提出一種基于改進卡爾曼濾波的多源信息融合算法，充分考慮不同傳感器數(shù)據(jù)的不確定性和相關(guān)性，實現(xiàn)對非合作航天器相對位姿的精確估計。研究如何有效地融合不同類型的傳感器數(shù)據(jù)，提高融合算法的精度和魯棒性，解決數(shù)據(jù)沖突和不確定性問題。非合作航天器位姿解算模型建立：根據(jù)多源信息融合的結(jié)果，建立非合作航天器的位姿解算模型。研究基于幾何模型和運動學(xué)模型的位姿解算方法，利用傳感器獲取的信息，通過數(shù)學(xué)計算求解非合作航天器的相對位置和姿態(tài)。結(jié)合目標航天器的幾何特征和運動規(guī)律，建立精確的位姿解算模型，提高位姿測量的精度和可靠性。實驗驗證與系統(tǒng)性能評估：搭建實驗平臺，對所提出的基于多源信息融合的非合作航天器相對位姿測量方法進行實驗驗證。利用模擬目標和實際航天器進行實驗，采集數(shù)據(jù)并進行分析，評估系統(tǒng)的性能指標，如測量精度、實時性、魯棒性等。通過實驗驗證，不斷優(yōu)化算法和模型，提高系統(tǒng)的性能和可靠性，為實際應(yīng)用提供依據(jù)。實際應(yīng)用場景分析與拓展：分析基于多源信息融合的非合作航天器相對位姿測量技術(shù)在實際航天任務(wù)中的應(yīng)用場景，如太空垃圾清理、航天器交會對接、在軌維護等。研究如何將該技術(shù)與其他航天技術(shù)相結(jié)合，拓展其應(yīng)用范圍，提高航天任務(wù)的效率和成功率。針對不同的應(yīng)用場景，提出相應(yīng)的解決方案和優(yōu)化策略，推動該技術(shù)的實際應(yīng)用和發(fā)展。1.4研究方法與技術(shù)路線文獻研究法：廣泛搜集國內(nèi)外關(guān)于多源信息融合技術(shù)、非合作航天器相對位姿測量的相關(guān)文獻資料，全面了解該領(lǐng)域的研究現(xiàn)狀、技術(shù)發(fā)展趨勢以及存在的問題。通過對文獻的深入分析，總結(jié)前人的研究成果和經(jīng)驗，為本文的研究提供理論基礎(chǔ)和技術(shù)參考。對卡爾曼濾波、粒子濾波等多源信息融合算法的相關(guān)文獻進行研究，了解其原理、應(yīng)用場景和優(yōu)缺點，為后續(xù)算法的選擇和改進提供依據(jù)。實驗分析法：搭建實驗平臺，開展相關(guān)實驗研究。利用光學(xué)相機、激光雷達、慣性測量單元（IMU）等傳感器獲取非合作航天器的多源信息，并對傳感器數(shù)據(jù)進行預(yù)處理和融合實驗。通過實驗，驗證所提出的多源信息融合算法和位姿解算模型的有效性和可靠性，分析實驗結(jié)果，找出存在的問題并進行優(yōu)化。在暗室環(huán)境下，利用雙目相機和激光雷達對模擬的非合作航天器進行位姿測量實驗，對比不同算法和模型的測量精度，評估系統(tǒng)的性能。模型構(gòu)建法：根據(jù)多源信息融合的原理和非合作航天器相對位姿測量的需求，建立相應(yīng)的數(shù)學(xué)模型和算法模型。通過對模型的求解和分析，實現(xiàn)對非合作航天器相對位姿的精確估計。建立基于改進卡爾曼濾波的多源信息融合模型，結(jié)合不同傳感器的測量數(shù)據(jù)，對非合作航天器的相對位置和姿態(tài)進行實時估計。技術(shù)路線：本研究的技術(shù)路線如圖1所示，首先通過文獻研究，明確研究方向和關(guān)鍵技術(shù)問題，確定選用光學(xué)相機、激光雷達、IMU等傳感器用于獲取非合作航天器的多源信息。對傳感器獲取的原始數(shù)據(jù)進行去噪、濾波、校準等預(yù)處理操作，以提高數(shù)據(jù)質(zhì)量。接著，深入研究卡爾曼濾波、粒子濾波、神經(jīng)網(wǎng)絡(luò)等多源信息融合算法，結(jié)合非合作航天器相對位姿測量的實際需求，選擇并改進合適的算法，對預(yù)處理后的多源數(shù)據(jù)進行融合處理。根據(jù)融合后的信息，建立基于幾何模型和運動學(xué)模型的位姿解算模型，通過數(shù)學(xué)計算求解非合作航天器的相對位置和姿態(tài)。搭建實驗平臺，利用模擬目標和實際航天器進行實驗，對所提出的方法進行實驗驗證，采集實驗數(shù)據(jù)并進行分析，評估系統(tǒng)的測量精度、實時性、魯棒性等性能指標。根據(jù)實驗結(jié)果，對算法和模型進行優(yōu)化和改進，最終形成一套完整的基于多源信息融合的非合作航天器相對位姿測量技術(shù)體系，并分析其在實際航天任務(wù)中的應(yīng)用場景和拓展方向。[此處插入技術(shù)路線圖1，圖中清晰展示從文獻研究到實驗驗證與應(yīng)用拓展的流程，各步驟之間用箭頭連接，明確先后順序和邏輯關(guān)系]二、多源信息融合技術(shù)基礎(chǔ)2.1多源信息融合的概念與原理多源信息融合，又被稱為多傳感器信息融合，是一種對來自多個不同傳感器、數(shù)據(jù)庫、知識庫等信息源的數(shù)據(jù)進行綜合處理與分析的技術(shù)。其核心目的是通過整合多源信息，消除信息間的冗余與矛盾，進而獲取對目標或環(huán)境更全面、準確且可靠的描述與理解，為后續(xù)的決策和控制提供堅實的依據(jù)。美國電氣與電子工程師協(xié)會（IEEE）將多源信息融合定義為：“多源信息融合是利用計算機技術(shù)對按時序獲得的若干傳感器的觀測信息，在一定準則下加以自動分析、綜合，以完成所需的決策和估計任務(wù)而進行的信息處理過程。”從本質(zhì)上講，多源信息融合技術(shù)模擬了人類大腦處理信息的方式，人類通過視覺、聽覺、觸覺、嗅覺等多種感官獲取外界信息，并在大腦中進行綜合分析，從而形成對周圍環(huán)境的認知。多源信息融合技術(shù)則是借助計算機和算法，將來自不同傳感器的信息進行類似的綜合處理，以實現(xiàn)對目標的精確感知和理解。多源信息融合技術(shù)的原理基于信息的互補性、冗余性和相關(guān)性。不同類型的傳感器由于其工作原理和特性的差異，能夠獲取關(guān)于目標或環(huán)境的不同方面的信息，這些信息之間具有互補性。例如，光學(xué)相機能夠獲取目標的紋理、顏色和形狀等視覺信息，而激光雷達則擅長測量目標的距離和三維空間位置信息。將光學(xué)相機和激光雷達的信息進行融合，可以獲得目標更全面的信息，彌補單一傳感器的不足。多個傳感器對同一目標或環(huán)境進行觀測時，可能會獲取到部分重疊的信息，這些冗余信息可以提高信息的可靠性和準確性。在目標跟蹤中，多個傳感器同時對目標的位置進行測量，通過對這些冗余測量信息的融合，可以降低測量誤差，提高目標位置估計的精度。多源信息之間還存在著相關(guān)性，通過挖掘和利用這些相關(guān)性，可以進一步提高信息融合的效果。例如，在智能交通系統(tǒng)中，車輛的速度、加速度和行駛方向等信息之間存在著一定的相關(guān)性，通過對這些相關(guān)信息的融合分析，可以更好地預(yù)測車輛的行駛軌跡和行為。多源信息融合的基本過程通常包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)融合和融合結(jié)果評估四個主要步驟。在數(shù)據(jù)采集階段，需要根據(jù)具體的應(yīng)用需求和目標，選擇合適的傳感器類型和數(shù)量，并合理布置傳感器的位置，以確保能夠獲取到全面、準確的信息。對于非合作航天器相對位姿測量，可能需要選擇光學(xué)相機、激光雷達、慣性測量單元（IMU）等多種傳感器。數(shù)據(jù)采集過程中，還需要考慮傳感器的精度、分辨率、采樣頻率等性能指標，以及傳感器之間的時空同步問題，以保證采集到的數(shù)據(jù)具有一致性和可靠性。采集到的原始數(shù)據(jù)往往包含噪聲、干擾和誤差等不良因素，會影響后續(xù)的信息融合效果。因此，在數(shù)據(jù)預(yù)處理階段，需要對原始數(shù)據(jù)進行去噪、濾波、校準、歸一化等處理操作，以提高數(shù)據(jù)的質(zhì)量和可用性。可以采用均值濾波、中值濾波等方法去除噪聲，通過傳感器校準技術(shù)消除傳感器的系統(tǒng)誤差，對數(shù)據(jù)進行歸一化處理，使其具有相同的量綱和尺度。數(shù)據(jù)融合是多源信息融合的核心步驟，根據(jù)具體的應(yīng)用場景和需求，選擇合適的融合算法和模型，對預(yù)處理后的數(shù)據(jù)進行融合處理，以得到更準確、更全面的信息。常見的融合算法包括卡爾曼濾波、粒子濾波、神經(jīng)網(wǎng)絡(luò)、D-S證據(jù)理論等。在非合作航天器相對位姿測量中，可以利用卡爾曼濾波算法對光學(xué)相機和激光雷達的數(shù)據(jù)進行融合，以估計航天器的相對位姿。融合結(jié)果評估是對融合后信息的準確性、可靠性和有效性進行評估和驗證，通過與真實值或其他參考數(shù)據(jù)進行對比分析，計算相關(guān)的性能指標，如誤差、精度、召回率等，以判斷融合結(jié)果是否滿足應(yīng)用需求。如果融合結(jié)果不理想，需要對融合算法、模型或數(shù)據(jù)進行調(diào)整和優(yōu)化，直到達到滿意的效果。2.2融合模型與結(jié)構(gòu)在多源信息融合技術(shù)中，融合模型與結(jié)構(gòu)是實現(xiàn)信息有效融合的關(guān)鍵要素，不同的融合模型和結(jié)構(gòu)具有各自的特點和適用場景。從融合模型的角度來看，主要包括數(shù)據(jù)級融合、特征級融合和決策級融合三種類型。數(shù)據(jù)級融合是最底層的融合方式，它直接對來自不同傳感器的原始數(shù)據(jù)進行融合處理。在圖像融合領(lǐng)域，將多個相機拍攝的同一場景的原始圖像數(shù)據(jù)進行融合，以獲取更清晰、更全面的圖像信息。這種融合方式的優(yōu)點是能夠保留原始數(shù)據(jù)的全部細節(jié)信息，充分利用傳感器數(shù)據(jù)的互補性，從而提高融合結(jié)果的精度和可靠性。由于原始數(shù)據(jù)量通常較大，數(shù)據(jù)級融合對計算資源和通信帶寬的要求較高，處理過程較為復(fù)雜，且容易受到噪聲和干擾的影響。如果某個傳感器的數(shù)據(jù)存在較大誤差或噪聲，可能會對整個融合結(jié)果產(chǎn)生較大的負面影響。特征級融合則是在數(shù)據(jù)級融合的基礎(chǔ)上，先對各個傳感器的原始數(shù)據(jù)進行特征提取，然后將提取出的特征進行融合。在目標識別任務(wù)中，從光學(xué)相機圖像中提取目標的形狀、紋理等特征，從激光雷達數(shù)據(jù)中提取目標的距離、速度等特征，再將這些特征進行融合，以提高目標識別的準確性。特征級融合的優(yōu)勢在于能夠降低數(shù)據(jù)處理的復(fù)雜度，減少數(shù)據(jù)傳輸量，因為特征信息通常比原始數(shù)據(jù)更具代表性和抽象性。通過特征融合，可以更好地利用不同傳感器數(shù)據(jù)的互補特征，提高系統(tǒng)的識別和分類能力。然而，特征提取的過程需要針對不同的傳感器和應(yīng)用場景進行優(yōu)化，選擇合適的特征提取算法和參數(shù)，這對技術(shù)人員的專業(yè)知識和經(jīng)驗要求較高。如果特征提取不準確或不完整，可能會影響融合效果和后續(xù)的決策。決策級融合是最高層次的融合方式，它是在各個傳感器獨立進行處理和決策的基礎(chǔ)上，將這些決策結(jié)果進行融合。在自動駕駛系統(tǒng)中，攝像頭識別出前方有行人，激光雷達也檢測到前方有障礙物，將這兩個決策結(jié)果進行融合，以做出更準確的行駛決策。決策級融合的優(yōu)點是對通信帶寬和計算資源的要求相對較低，因為只需要傳輸和處理決策結(jié)果，而不是大量的原始數(shù)據(jù)或特征信息。這種融合方式具有較強的魯棒性和容錯性，當某個傳感器出現(xiàn)故障或決策失誤時，其他傳感器的決策結(jié)果仍可能對最終決策產(chǎn)生影響，從而保證系統(tǒng)的可靠性。決策級融合需要合理地分配各個傳感器決策結(jié)果的權(quán)重，以及選擇合適的融合規(guī)則，這需要根據(jù)具體的應(yīng)用場景和需求進行深入研究和優(yōu)化。如果權(quán)重分配不合理或融合規(guī)則不恰當，可能會導(dǎo)致決策失誤或降低系統(tǒng)的性能。從融合結(jié)構(gòu)的角度來看，常見的有集中式、分布式和混合式融合結(jié)構(gòu)。集中式融合結(jié)構(gòu)是將所有傳感器采集到的原始數(shù)據(jù)直接傳輸?shù)揭粋€中央處理器進行融合處理。在早期的一些簡單多傳感器系統(tǒng)中，各個傳感器將數(shù)據(jù)直接發(fā)送到中央計算機，由中央計算機完成所有的數(shù)據(jù)融合和處理任務(wù)。這種結(jié)構(gòu)的優(yōu)點是結(jié)構(gòu)簡單，易于實現(xiàn)，融合算法相對靈活，可以充分利用所有的原始數(shù)據(jù)進行處理，從而獲得較高的數(shù)據(jù)處理精度。隨著傳感器數(shù)量的增加和數(shù)據(jù)量的增大，集中式融合結(jié)構(gòu)會導(dǎo)致中央處理器的計算和通信負載過重，系統(tǒng)的實時性和可靠性受到嚴重影響。一旦中央處理器出現(xiàn)故障，整個系統(tǒng)將無法正常工作，系統(tǒng)的容錯性較差。分布式融合結(jié)構(gòu)則是各個傳感器先利用各自的處理器對原始數(shù)據(jù)進行局部處理，然后將處理結(jié)果傳輸?shù)街醒胩幚砥鬟M行融合。在智能交通系統(tǒng)中，每個路口的交通傳感器先對本地的交通數(shù)據(jù)進行初步分析和處理，如統(tǒng)計車流量、車速等信息，然后將這些處理結(jié)果上傳到交通管理中心進行融合和綜合分析。分布式融合結(jié)構(gòu)的優(yōu)勢在于對通信帶寬的要求較低，因為傳輸?shù)氖墙?jīng)過局部處理的數(shù)據(jù)，而不是大量的原始數(shù)據(jù)。每個傳感器都具有一定的自主處理能力，即使某個傳感器出現(xiàn)故障，其他傳感器仍能正常工作，系統(tǒng)的可靠性和容錯性較高，計算速度也相對較快。由于各個傳感器獨立進行局部處理，可能會導(dǎo)致信息的不一致性和冗余性增加，而且中央處理器無法直接訪問原始數(shù)據(jù)，對于一些需要深入分析原始數(shù)據(jù)的應(yīng)用場景可能不太適用?；旌鲜饺诤辖Y(jié)構(gòu)是集中式和分布式融合結(jié)構(gòu)的結(jié)合，即部分傳感器采用集中式融合架構(gòu)，其余傳感器采用分布式融合架構(gòu)。在一個復(fù)雜的航天監(jiān)測系統(tǒng)中，對于一些對實時性和精度要求較高的關(guān)鍵傳感器數(shù)據(jù)，采用集中式融合結(jié)構(gòu)，直接將原始數(shù)據(jù)傳輸?shù)街醒胩幚砥鬟M行處理；而對于一些對實時性要求相對較低、數(shù)據(jù)量較大的輔助傳感器數(shù)據(jù)，則采用分布式融合結(jié)構(gòu)，先進行局部處理，再將結(jié)果傳輸?shù)街醒胩幚砥鬟M行融合。這種結(jié)構(gòu)結(jié)合了集中式和分布式融合結(jié)構(gòu)的優(yōu)點，既能夠保證關(guān)鍵數(shù)據(jù)的處理精度和實時性，又能夠提高系統(tǒng)的可靠性和容錯性，降低通信帶寬和計算資源的壓力?；旌鲜饺诤辖Y(jié)構(gòu)的設(shè)計和實現(xiàn)較為復(fù)雜，需要合理地劃分傳感器的融合方式，以及協(xié)調(diào)不同融合架構(gòu)之間的數(shù)據(jù)傳輸和處理流程。2.3常用融合方法與算法2.3.1基于統(tǒng)計學(xué)的方法基于統(tǒng)計學(xué)的方法在多源信息融合中占據(jù)著重要地位，其中貝葉斯估計和最大似然估計是兩種典型且應(yīng)用廣泛的方法。貝葉斯估計以貝葉斯定理為基石，其核心思想是將待估計的參數(shù)視為隨機變量，并為其賦予一個先驗分布。先驗分布代表了在獲取觀測數(shù)據(jù)之前，我們對參數(shù)的已有認知和信念。隨著新的觀測數(shù)據(jù)不斷涌入，利用貝葉斯公式將先驗分布與數(shù)據(jù)的似然函數(shù)相結(jié)合，從而更新對參數(shù)的估計，得到后驗分布。假設(shè)我們要估計非合作航天器的軌道參數(shù)，先根據(jù)以往的航天任務(wù)經(jīng)驗和相關(guān)理論知識，為軌道參數(shù)設(shè)定一個先驗分布。當通過光學(xué)相機、雷達等傳感器獲取到關(guān)于航天器位置、速度等觀測數(shù)據(jù)后，運用貝葉斯公式，將這些觀測數(shù)據(jù)的似然函數(shù)與先驗分布進行融合，進而得到軌道參數(shù)的后驗分布。這個后驗分布綜合了先驗信息和最新的觀測數(shù)據(jù)，能夠更準確地描述軌道參數(shù)的真實狀態(tài)。貝葉斯估計具有顯著的優(yōu)勢，它能夠充分融合先驗知識和實時觀測數(shù)據(jù)，這在數(shù)據(jù)量有限或噪聲干擾較大的情況下尤為重要。在早期對某新型非合作航天器進行探測時，由于獲取的數(shù)據(jù)量較少，單純依靠觀測數(shù)據(jù)進行參數(shù)估計可能會產(chǎn)生較大的誤差。而貝葉斯估計通過引入先驗知識，能夠在有限的數(shù)據(jù)條件下，提供更為穩(wěn)健和可靠的估計結(jié)果，降低估計的不確定性。貝葉斯估計還能夠?qū)?shù)的不確定性進行量化評估，通過后驗分布的方差等統(tǒng)計量，我們可以清晰地了解到參數(shù)估計的精度和可靠性，為后續(xù)的決策和分析提供重要的參考依據(jù)。最大似然估計則是基于另一種思路，它的目標是尋找一組參數(shù)值，使得在這組參數(shù)下，觀測數(shù)據(jù)出現(xiàn)的概率達到最大。在實際應(yīng)用中，首先需要根據(jù)問題的背景和數(shù)據(jù)的特點，假設(shè)數(shù)據(jù)服從某種概率分布模型，如正態(tài)分布、泊松分布等。然后，構(gòu)建關(guān)于參數(shù)的似然函數(shù)，該函數(shù)表示在給定參數(shù)值的情況下，觀測數(shù)據(jù)出現(xiàn)的概率。通過對似然函數(shù)進行最大化求解，通?？梢允褂锰荻认陆怠⑴ｎD法等優(yōu)化算法，得到使似然函數(shù)取最大值的參數(shù)估計值。在利用激光雷達測量非合作航天器的距離時，假設(shè)測量數(shù)據(jù)服從正態(tài)分布，其概率密度函數(shù)為P(x|\theta)=\frac{1}{\sqrt{2\pi\sigma^2}}e^{-\frac{(x-\mu)^2}{2\sigma^2}}，其中x是測量得到的距離值，\theta=(\mu,\sigma^2)是需要估計的參數(shù)，分別表示距離的均值和方差。我們通過大量的測量數(shù)據(jù)，構(gòu)建似然函數(shù)L(\theta)=\prod_{i=1}^{n}P(x_i|\theta)，其中n是測量數(shù)據(jù)的數(shù)量，x_i是第i次測量得到的距離值。對似然函數(shù)進行對數(shù)變換，得到\lnL(\theta)，然后通過求導(dǎo)等方法找到使\lnL(\theta)最大的\theta值，即為距離參數(shù)的最大似然估計值。最大似然估計的優(yōu)點在于計算相對簡便，不需要過多的先驗知識，僅僅依賴于觀測數(shù)據(jù)本身。在數(shù)據(jù)量足夠大的情況下，根據(jù)大數(shù)定律，最大似然估計能夠漸進地收斂到參數(shù)的真實值，具有良好的統(tǒng)計性質(zhì)。這使得它在許多實際應(yīng)用中，尤其是在對先驗信息了解較少的情況下，成為一種非常實用的參數(shù)估計方法。在一些緊急的航天任務(wù)中，來不及獲取詳細的先驗知識，此時最大似然估計可以快速地根據(jù)觀測數(shù)據(jù)進行參數(shù)估計，為任務(wù)的決策提供及時的支持。2.3.2基于神經(jīng)網(wǎng)絡(luò)的方法神經(jīng)網(wǎng)絡(luò)憑借其強大的非線性映射能力，在多源信息融合領(lǐng)域展現(xiàn)出獨特的優(yōu)勢和廣闊的應(yīng)用前景。神經(jīng)網(wǎng)絡(luò)由大量的神經(jīng)元相互連接組成，這些神經(jīng)元按照層次結(jié)構(gòu)進行排列，通常包括輸入層、隱藏層和輸出層。在多源信息融合中，不同傳感器獲取的數(shù)據(jù)被作為輸入信號傳遞到神經(jīng)網(wǎng)絡(luò)的輸入層。這些數(shù)據(jù)可以是光學(xué)相機采集的圖像像素值、激光雷達測量的距離信息、慣性測量單元輸出的加速度和角速度等。輸入層的神經(jīng)元將這些原始數(shù)據(jù)傳遞給隱藏層，隱藏層中的神經(jīng)元通過非線性激活函數(shù)對輸入信號進行復(fù)雜的變換和處理，從而提取出數(shù)據(jù)中的深層特征。這些特征是對原始數(shù)據(jù)的高度抽象和概括，能夠更有效地反映數(shù)據(jù)的內(nèi)在規(guī)律和模式。經(jīng)過隱藏層的多次處理后，最終的特征信息被傳遞到輸出層，輸出層根據(jù)具體的任務(wù)需求，如非合作航天器的位姿估計、目標識別等，給出融合后的結(jié)果。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是使其能夠有效進行多源信息融合的關(guān)鍵環(huán)節(jié)。在訓(xùn)練過程中，需要使用大量的帶有標簽的樣本數(shù)據(jù)，這些樣本數(shù)據(jù)包含了不同傳感器數(shù)據(jù)以及對應(yīng)的真實位姿信息或目標類別等標簽。訓(xùn)練的目標是通過不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置參數(shù)，使得網(wǎng)絡(luò)的輸出盡可能接近真實標簽。這一過程通常采用反向傳播算法來實現(xiàn)，反向傳播算法通過計算網(wǎng)絡(luò)輸出與真實標簽之間的誤差，然后將誤差從輸出層反向傳播到輸入層，在這個過程中，根據(jù)誤差對權(quán)重和偏置進行調(diào)整，使得誤差逐漸減小。為了提高訓(xùn)練的效果和效率，還會采用一些優(yōu)化策略，如隨機梯度下降、Adagrad、Adadelta等優(yōu)化算法，這些算法能夠自適應(yīng)地調(diào)整學(xué)習率，加快模型的收斂速度，避免陷入局部最優(yōu)解。為了防止過擬合，通常會在訓(xùn)練過程中加入正則化項，如L1正則化和L2正則化，通過對權(quán)重進行約束，使得模型更加泛化，能夠在未知數(shù)據(jù)上表現(xiàn)出良好的性能。在非合作航天器相對位姿測量中，神經(jīng)網(wǎng)絡(luò)可以學(xué)習到不同傳感器數(shù)據(jù)之間復(fù)雜的非線性關(guān)系。光學(xué)相機圖像中的紋理特征與激光雷達測量的距離信息之間可能存在著復(fù)雜的幾何關(guān)系，神經(jīng)網(wǎng)絡(luò)能夠自動捕捉到這些關(guān)系，并將它們?nèi)诤掀饋恚瑥亩岣呶蛔藴y量的精度。通過大量的訓(xùn)練數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)可以學(xué)習到在不同光照條件、姿態(tài)角度下，如何準確地融合多源信息來估計航天器的位姿。與傳統(tǒng)的基于手工設(shè)計特征和規(guī)則的方法相比，神經(jīng)網(wǎng)絡(luò)能夠自動從數(shù)據(jù)中學(xué)習特征，避免了人工設(shè)計特征的局限性和主觀性，能夠更好地適應(yīng)復(fù)雜多變的實際應(yīng)用場景。2.3.3其他方法除了基于統(tǒng)計學(xué)和神經(jīng)網(wǎng)絡(luò)的方法外，還有一些其他的多源信息融合方法在處理不確定性和復(fù)雜信息時發(fā)揮著重要作用，包括模糊邏輯、證據(jù)理論和深度學(xué)習等。模糊邏輯方法利用模糊集合和模糊推理來處理信息的不確定性和模糊性。在多源信息融合中，不同傳感器提供的信息可能具有不同的可信度和不確定性，模糊邏輯可以將這些不確定性進行量化表示。通過定義模糊集合，將傳感器數(shù)據(jù)映射到相應(yīng)的模糊集合中，然后利用模糊規(guī)則進行推理和決策。在判斷非合作航天器是否處于某個特定的軌道區(qū)域時，來自不同傳感器的軌道參數(shù)測量值可能存在一定的誤差和不確定性。模糊邏輯可以將這些測量值轉(zhuǎn)化為模糊集合，如“接近軌道區(qū)域”“遠離軌道區(qū)域”等，通過設(shè)定一系列的模糊規(guī)則，如“如果傳感器A測量的軌道半徑接近標準值，且傳感器B測量的軌道速度在一定范圍內(nèi)，則認為航天器接近軌道區(qū)域”，來綜合判斷航天器的軌道狀態(tài)。模糊邏輯的優(yōu)點在于能夠直觀地處理不確定性信息，不需要精確的數(shù)學(xué)模型，對于一些難以用傳統(tǒng)數(shù)學(xué)方法描述的復(fù)雜問題具有很好的適應(yīng)性。證據(jù)理論，如D-S證據(jù)理論，主要用于處理具有不確定性和不完全性的多源信息融合問題。它通過定義基本概率賦值函數(shù)（BPA）來表示對各個命題的信任程度，這些命題可以是關(guān)于非合作航天器的位姿、狀態(tài)等。不同傳感器提供的信息可以看作是對這些命題的不同證據(jù)，證據(jù)理論利用組合規(guī)則將多個證據(jù)進行合成，得到綜合的信任度。在對非合作航天器的故障診斷中，來自不同傳感器的故障信號可以作為不同的證據(jù)，每個證據(jù)都有其對應(yīng)的基本概率賦值。通過D-S證據(jù)理論的組合規(guī)則，可以將這些證據(jù)進行融合，得到對航天器是否發(fā)生故障以及故障類型的綜合判斷。證據(jù)理論能夠有效地處理證據(jù)之間的沖突和不確定性，提供更合理的決策依據(jù)。深度學(xué)習作為一種新興的人工智能技術(shù)，在多源信息融合中也得到了廣泛的應(yīng)用。深度學(xué)習通過構(gòu)建具有多個隱藏層的深度神經(jīng)網(wǎng)絡(luò)，能夠自動學(xué)習到數(shù)據(jù)的高級抽象特征。在多源信息融合中，深度學(xué)習可以對不同類型的傳感器數(shù)據(jù)進行深度融合，如將圖像、語音、文本等多模態(tài)數(shù)據(jù)進行融合。在處理非合作航天器的監(jiān)測數(shù)據(jù)時，深度學(xué)習模型可以同時學(xué)習光學(xué)相機圖像中的視覺特征、雷達回波信號中的距離和速度特征等，通過對這些多源數(shù)據(jù)的深度融合，實現(xiàn)對航天器狀態(tài)的更準確監(jiān)測和分析。深度學(xué)習模型還具有強大的泛化能力和自適應(yīng)能力，能夠在不同的環(huán)境和任務(wù)條件下表現(xiàn)出良好的性能。三、非合作航天器相對位姿測量技術(shù)3.1測量原理與坐標系定義非合作航天器相對位姿測量的核心原理是通過對不同類型傳感器獲取的信息進行分析和處理，從而確定目標航天器相對于測量航天器的位置和姿態(tài)。位置信息通常用三維坐標來表示，描述了目標航天器在空間中的具體位置；姿態(tài)信息則用于描述目標航天器的方向，一般通過歐拉角（滾轉(zhuǎn)角、俯仰角、偏航角）或四元數(shù)來表示。在測量過程中，為了準確描述和計算相對位姿，需要定義多個坐標系，這些坐標系之間存在著特定的轉(zhuǎn)換關(guān)系。世界坐標系，通常用O_w-X_wY_wZ_w表示，是一個固定的全局參考坐標系，用于描述整個空間中物體的位置和運動。在航天領(lǐng)域，世界坐標系可以選擇地心慣性坐標系（ECI），其原點位于地球質(zhì)心，坐標軸指向固定的恒星方向。這種坐標系的選擇使得在研究航天器的軌道運動時，能夠方便地與地球的引力場模型相結(jié)合，準確描述航天器在太空中的位置和運動軌跡。在進行深空探測任務(wù)時，以太陽為中心建立的日心慣性坐標系也常被用作世界坐標系，便于研究探測器相對于太陽的位置和運動，以及與其他行星的相對位置關(guān)系。世界坐標系為整個測量過程提供了一個統(tǒng)一的基準，使得不同航天器之間的位置和姿態(tài)信息能夠在同一參考框架下進行比較和分析。相機坐標系，記為O_c-X_cY_cZ_c，原點O_c位于相機的光心，Z_c軸與相機的光軸重合，指向相機的拍攝方向，X_c軸和Y_c軸分別與相機成像平面的水平和垂直方向平行。相機坐標系是從相機的角度來描述物體的位置，通過相機獲取的圖像信息，經(jīng)過一系列的處理和計算，可以將圖像中的像素坐標轉(zhuǎn)換為相機坐標系下的三維坐標。在利用光學(xué)相機對非合作航天器進行觀測時，首先需要確定相機坐標系與世界坐標系之間的轉(zhuǎn)換關(guān)系，才能將相機拍攝到的目標航天器的圖像信息轉(zhuǎn)換為在世界坐標系下的位置和姿態(tài)信息。目標坐標系，用O_t-X_tY_tZ_t表示，原點O_t通常定義在目標航天器的質(zhì)心位置，坐標軸的方向根據(jù)目標航天器的幾何特征或特定的參考方向來確定。對于形狀規(guī)則的目標航天器，如立方體衛(wèi)星，可以將目標坐標系的坐標軸與衛(wèi)星的棱邊方向?qū)R；對于一些具有特定功能模塊的航天器，也可以根據(jù)關(guān)鍵模塊的方向來定義目標坐標系。目標坐標系的建立使得我們能夠更直觀地描述目標航天器自身的姿態(tài)和運動，以及相對于其他坐標系的位置關(guān)系。在進行非合作航天器的對接任務(wù)時，需要精確知道目標航天器的目標坐標系與測量航天器的相關(guān)坐標系之間的轉(zhuǎn)換關(guān)系，以便準確控制測量航天器的運動，實現(xiàn)成功對接。從世界坐標系到相機坐標系的轉(zhuǎn)換，涉及到旋轉(zhuǎn)和平移操作。設(shè)世界坐標系到相機坐標系的旋轉(zhuǎn)矩陣為R_{wc}，平移向量為T_{wc}，則世界坐標系中的點P_w(X_w,Y_w,Z_w)在相機坐標系中的坐標P_c(X_c,Y_c,Z_c)可以通過以下公式進行轉(zhuǎn)換：\begin{bmatrix}X_c\\Y_c\\Z_c\end{bmatrix}=R_{wc}\begin{bmatrix}X_w\\Y_w\\Z_w\end{bmatrix}+T_{wc}旋轉(zhuǎn)矩陣R_{wc}描述了兩個坐標系之間的旋轉(zhuǎn)關(guān)系，它由三個歐拉角（或四元數(shù)）確定，可以通過對相機的安裝姿態(tài)進行測量和計算得到。平移向量T_{wc}則表示兩個坐標系原點之間的相對位置，通常通過測量相機在世界坐標系中的位置來確定。從相機坐標系到目標坐標系的轉(zhuǎn)換同樣包含旋轉(zhuǎn)和平移。設(shè)相機坐標系到目標坐標系的旋轉(zhuǎn)矩陣為R_{ct}，平移向量為T_{ct}，相機坐標系中的點P_c(X_c,Y_c,Z_c)在目標坐標系中的坐標P_t(X_t,Y_t,Z_t)的轉(zhuǎn)換公式為：\begin{bmatrix}X_t\\Y_t\\Z_t\end{bmatrix}=R_{ct}\begin{bmatrix}X_c\\Y_c\\Z_c\end{bmatrix}+T_{ct}確定R_{ct}和T_{ct}需要先對目標航天器的幾何形狀和姿態(tài)進行分析，通過圖像處理、特征提取等技術(shù)手段，找到目標航天器在相機圖像中的特征點，并結(jié)合相機的標定參數(shù)，計算出相機坐標系與目標坐標系之間的轉(zhuǎn)換關(guān)系。在實際應(yīng)用中，由于測量噪聲、目標航天器的運動等因素的影響，這些轉(zhuǎn)換關(guān)系的計算需要采用合適的算法進行優(yōu)化和修正，以提高相對位姿測量的精度和可靠性。3.2基于單一傳感器的測量方法及局限性3.2.1視覺測量方法視覺測量方法在非合作航天器相對位姿測量中占據(jù)重要地位，其中雙目相機是一種常用的視覺測量設(shè)備。雙目相機的測量原理基于三角測量原理，通過模擬人類雙眼的視覺機制，利用兩臺相機從不同角度對目標航天器進行觀測，從而獲取目標的三維信息。假設(shè)兩臺相機的光心分別為O_1和O_2，它們之間的距離為基線b。對于空間中的目標點P，在左相機成像平面上的像點為p_1，在右相機成像平面上的像點為p_2。根據(jù)相似三角形原理，有以下關(guān)系：\frac{Z}=\frac{f}{x_1-x_2}其中，Z為目標點P到相機平面的距離，f為相機的焦距，x_1和x_2分別為像點p_1和p_2在各自成像平面上的橫坐標，x_1-x_2稱為視差。通過測量視差，并結(jié)合相機的焦距和基線長度，就可以計算出目標點P的深度信息Z。再利用相機的成像模型和坐標變換關(guān)系，就能夠進一步確定目標點P在世界坐標系中的三維坐標。在實際應(yīng)用中，圖像特征提取與匹配是雙目相機視覺測量的關(guān)鍵步驟。圖像特征提取是從圖像中提取出具有代表性的特征點或特征區(qū)域，這些特征應(yīng)具有獨特性、穩(wěn)定性和可重復(fù)性，以便在不同圖像之間進行準確匹配。常見的圖像特征提取算法包括尺度不變特征變換（SIFT）、加速穩(wěn)健特征（SURF）、定向FAST和旋轉(zhuǎn)BRIEF（ORB）等。SIFT算法通過構(gòu)建尺度空間，在不同尺度下檢測圖像中的極值點，并計算其特征描述子，具有良好的尺度不變性和旋轉(zhuǎn)不變性，但計算復(fù)雜度較高，實時性較差。SURF算法則在SIFT算法的基礎(chǔ)上進行了改進，采用了積分圖像和Haar小波特征，大大提高了計算速度，同時保持了較好的特征提取性能。ORB算法結(jié)合了FAST特征點檢測和BRIEF特征描述子，具有計算速度快、占用內(nèi)存小等優(yōu)點，非常適合在實時性要求較高的場景中應(yīng)用。圖像特征匹配是將左、右相機圖像中提取的特征點進行對應(yīng)匹配，以確定同一目標點在不同圖像中的位置。常用的特征匹配算法有基于歐氏距離的最近鄰匹配、基于漢明距離的匹配等。在基于歐氏距離的最近鄰匹配中，通過計算兩個特征點的特征描述子之間的歐氏距離，將距離最小的兩個特征點視為匹配點。基于漢明距離的匹配則適用于二進制特征描述子，如ORB算法生成的特征描述子，通過計算兩個二進制特征描述子之間的漢明距離來進行匹配，具有計算速度快的優(yōu)勢。然而，視覺測量方法也存在一些局限性。光照條件的變化對視覺測量精度有著顯著的影響。在太空環(huán)境中，由于太陽光照的強烈變化以及目標航天器表面的反射特性不同，相機獲取的圖像可能會出現(xiàn)過亮、過暗、陰影等問題，從而導(dǎo)致圖像特征提取和匹配的準確性下降。當目標航天器表面的一部分處于陰影區(qū)域時，該區(qū)域的圖像特征可能會變得模糊或丟失，使得在特征提取和匹配過程中無法準確識別這些區(qū)域的特征點，進而影響相對位姿的測量精度。視覺測量方法對目標航天器的表面紋理和形狀也有一定的要求。如果目標航天器表面紋理過于簡單或形狀不規(guī)則，可能會導(dǎo)致圖像特征提取困難，難以找到足夠的特征點進行匹配，從而降低測量的準確性和可靠性。對于一些表面光滑、沒有明顯紋理的非合作航天器，傳統(tǒng)的視覺測量方法可能無法準確測量其相對位姿。3.2.2激光雷達測量方法激光雷達是一種通過發(fā)射激光束并測量反射光的時間來獲取目標距離信息的傳感器，在非合作航天器相對位姿測量中發(fā)揮著重要作用。其測量位姿的原理主要基于點云數(shù)據(jù)的處理和分析。激光雷達發(fā)射的激光束在遇到目標航天器表面時會發(fā)生反射，傳感器接收反射光并記錄激光脈沖從發(fā)射到接收的時間差\Deltat，根據(jù)光速c是已知常量，利用公式d=c\times\Deltat/2（其中d為目標距離），就可以計算出激光雷達與目標航天器表面各點之間的距離。通過在不同角度發(fā)射激光脈沖，并對返回的反射光進行測量和計算，激光雷達能夠獲取目標航天器表面的大量離散點的三維坐標信息，這些點構(gòu)成了點云數(shù)據(jù)。在獲取點云數(shù)據(jù)后，需要通過一系列算法來提取目標航天器的位姿信息。常用的方法是基于迭代最近點（ICP）算法，該算法的基本思想是通過不斷迭代尋找兩組點云之間的最優(yōu)匹配關(guān)系，從而計算出目標航天器的旋轉(zhuǎn)和平移矩陣，進而得到其相對位姿。首先，選取一組參考點云（可以是事先測量得到的目標航天器的標準模型點云，也可以是前一時刻測量得到的點云），然后將當前測量得到的點云與參考點云進行匹配。在每次迭代中，ICP算法通過尋找當前點云中每個點在參考點云中的最近鄰點，構(gòu)建對應(yīng)點對。利用這些對應(yīng)點對，通過最小化點對之間的距離誤差，使用奇異值分解（SVD）等方法計算出當前點云相對于參考點云的旋轉(zhuǎn)矩陣R和平移向量T。將當前點云根據(jù)計算得到的旋轉(zhuǎn)和平移進行變換，使其與參考點云更加接近。不斷重復(fù)上述過程，直到點云之間的距離誤差收斂到一定閾值以下，此時得到的旋轉(zhuǎn)矩陣R和平移向量T即為目標航天器相對于參考坐標系的位姿。盡管激光雷達在非合作航天器相對位姿測量中具有一定的優(yōu)勢，如測距精度高、不受光照條件影響等，但也存在一些局限性。激光雷達獲取的點云數(shù)據(jù)通常比較稀疏，特別是在遠距離測量或目標表面反射特性較差的情況下。稀疏的點云數(shù)據(jù)可能無法完整地描述目標航天器的形狀和結(jié)構(gòu)，導(dǎo)致在進行位姿解算時丟失重要信息，從而影響測量精度。當目標航天器表面存在大面積的光滑平面或低反射率區(qū)域時，激光雷達返回的點云數(shù)據(jù)在這些區(qū)域會非常稀疏，使得基于點云匹配的位姿解算算法難以準確找到對應(yīng)點對，進而降低位姿測量的準確性。激光雷達點云數(shù)據(jù)本身不包含目標航天器的紋理信息，這在一些需要對目標進行詳細識別和分析的場景中是一個明顯的不足。紋理信息對于區(qū)分目標航天器的不同部分、識別關(guān)鍵特征等具有重要作用，缺乏紋理信息會限制激光雷達在某些應(yīng)用中的性能。在對非合作航天器進行故障診斷時，紋理信息可能有助于發(fā)現(xiàn)航天器表面的損傷或異常，但激光雷達無法提供這方面的信息。3.3面臨的挑戰(zhàn)在非合作航天器相對位姿測量的實際應(yīng)用中，面臨著諸多復(fù)雜且嚴峻的挑戰(zhàn)，這些挑戰(zhàn)嚴重影響著測量的準確性、實時性和可靠性。非合作航天器由于其本身不具備人工設(shè)計的特殊標志物和主動應(yīng)答機等合作機構(gòu)，使得測量過程缺乏明確的標識和信息反饋，這給測量工作帶來了極大的困難。由于缺乏合作標識，在利用視覺測量方法時，難以通過預(yù)設(shè)的特征點或標志進行快速準確的識別和匹配，增加了圖像特征提取和匹配的難度。對于形狀不規(guī)則、表面材質(zhì)復(fù)雜的非合作航天器，傳統(tǒng)的特征提取算法可能無法有效地提取出穩(wěn)定、可靠的特征，導(dǎo)致測量精度下降。當目標航天器表面存在大面積的光滑金屬區(qū)域或復(fù)雜的紋理圖案時，視覺傳感器獲取的圖像可能會出現(xiàn)反射眩光、紋理混淆等問題，使得基于圖像的位姿測量方法難以準確識別目標特征，進而影響位姿解算的準確性。非合作航天器的運動狀態(tài)往往是未知的，其可能存在平移、旋轉(zhuǎn)、翻滾等復(fù)雜的運動形式，且運動速度和加速度也可能隨時發(fā)生變化。這種未知的運動狀態(tài)使得測量系統(tǒng)難以建立準確的運動模型，從而增加了位姿測量的不確定性。在利用激光雷達進行測量時，目標航天器的快速旋轉(zhuǎn)可能導(dǎo)致激光點云數(shù)據(jù)的嚴重畸變，使得基于點云匹配的位姿解算算法無法準確找到對應(yīng)點對，進而影響位姿測量的精度。如果目標航天器在測量過程中突然改變運動方向或速度，測量系統(tǒng)可能無法及時跟蹤和調(diào)整，導(dǎo)致測量結(jié)果出現(xiàn)較大誤差。在許多航天任務(wù)中，如航天器交會對接、在軌捕獲等，對非合作航天器相對位姿測量的實時性要求極高。需要在短時間內(nèi)快速獲取準確的位姿信息，以便及時調(diào)整測量航天器的運動軌跡和姿態(tài)，確保任務(wù)的順利進行。然而，現(xiàn)有的測量方法和算法在處理大量傳感器數(shù)據(jù)時，往往需要較長的計算時間，難以滿足實時性的要求。一些基于深度學(xué)習的多源信息融合算法雖然在精度上有一定優(yōu)勢，但由于其計算復(fù)雜度高，需要大量的計算資源和時間進行模型訓(xùn)練和推理，在實時性要求較高的場景中應(yīng)用受到限制。實時性要求還對測量系統(tǒng)的硬件性能提出了更高的挑戰(zhàn)，需要采用高性能的處理器、快速的數(shù)據(jù)傳輸接口等硬件設(shè)備來支持快速的數(shù)據(jù)處理和傳輸。對于非瞬時成像的測量傳感器，如線陣激光雷達、掃描式相機等，當目標航天器處于運動狀態(tài)時，會產(chǎn)生運動畸變。在利用線陣激光雷達對旋轉(zhuǎn)的非合作航天器進行測量時，由于激光雷達是逐行掃描獲取點云數(shù)據(jù)，在掃描過程中目標航天器的運動會導(dǎo)致不同行的點云數(shù)據(jù)在時間上存在差異，從而使得點云數(shù)據(jù)發(fā)生畸變，無法準確反映目標航天器的真實形狀和位姿。運動畸變會導(dǎo)致測量數(shù)據(jù)的誤差增大，使得基于這些數(shù)據(jù)的位姿解算結(jié)果出現(xiàn)偏差，嚴重影響測量的準確性和可靠性。為了克服運動畸變的影響，需要對測量數(shù)據(jù)進行復(fù)雜的運動補償處理，但這又增加了測量系統(tǒng)的復(fù)雜性和計算量。四、基于多源信息融合的測量方案設(shè)計4.1傳感器選型與配置在基于多源信息融合的非合作航天器相對位姿測量系統(tǒng)中，傳感器的選型與配置是至關(guān)重要的環(huán)節(jié)，直接影響著測量的精度、可靠性和實時性。經(jīng)過綜合考量，本研究選用雙目相機和激光雷達作為主要的測量傳感器，并對它們進行合理的搭載配置，以實現(xiàn)優(yōu)勢互補，提高相對位姿測量的性能。雙目相機在非合作航天器相對位姿測量中具有獨特的優(yōu)勢。它能夠獲取目標航天器的高分辨率圖像，提供豐富的紋理和形狀信息，這對于識別目標航天器的特征和結(jié)構(gòu)非常關(guān)鍵。通過對圖像的處理和分析，可以提取出目標航天器的邊緣、角點等特征點，利用這些特征點進行匹配和三角測量，從而計算出目標航天器的相對位姿。在目標航天器的表面存在一些獨特的幾何特征，如衛(wèi)星的太陽能板邊緣、對接環(huán)等，雙目相機能夠清晰地捕捉到這些特征，為后續(xù)的位姿解算提供準確的信息。雙目相機的測量原理基于三角測量，具有較高的測量精度，特別是在近距離測量時，能夠滿足對非合作航天器相對位姿測量的精度要求。而且，雙目相機的成本相對較低，體積小、重量輕，便于在航天器上進行搭載和安裝。激光雷達則在距離測量方面表現(xiàn)出色，能夠精確地獲取目標航天器的距離信息，生成點云數(shù)據(jù)，從而構(gòu)建目標航天器的三維模型。激光雷達發(fā)射的激光束在遇到目標航天器表面時會發(fā)生反射，通過測量激光脈沖從發(fā)射到接收的時間差，結(jié)合光速，可以準確計算出目標點與激光雷達之間的距離。這種直接測量距離的方式使得激光雷達在測距精度上具有明顯的優(yōu)勢，不受光照條件的影響，能夠在復(fù)雜的太空環(huán)境中穩(wěn)定工作。在目標航天器處于不同的光照條件下，如被太陽直射或處于陰影區(qū)域，激光雷達都能夠準確地測量距離，為相對位姿測量提供可靠的距離數(shù)據(jù)。激光雷達獲取的點云數(shù)據(jù)能夠直觀地反映目標航天器的三維結(jié)構(gòu)，對于形狀不規(guī)則的非合作航天器，通過點云數(shù)據(jù)的處理和分析，可以更好地理解其幾何形狀和姿態(tài)，提高位姿測量的準確性。為了充分發(fā)揮雙目相機和激光雷達的優(yōu)勢，需要對它們進行合理的搭載配置。在硬件安裝方面，將雙目相機和激光雷達安裝在測量航天器的同一側(cè)，并且保證它們的視場有一定的重疊區(qū)域。這樣可以確保在對非合作航天器進行觀測時，兩種傳感器能夠同時獲取目標航天器的信息，便于后續(xù)的信息融合處理。調(diào)整雙目相機和激光雷達的安裝角度，使它們能夠覆蓋目標航天器可能出現(xiàn)的空間范圍，提高測量的可靠性。在軟件同步方面，建立雙目相機和激光雷達的數(shù)據(jù)同步機制，確保它們在同一時刻獲取的關(guān)于目標航天器的信息能夠準確對應(yīng)。通過精確的時間同步和數(shù)據(jù)標記，使得在進行信息融合時，能夠?qū)⑼粫r刻的圖像信息和點云數(shù)據(jù)進行有效的結(jié)合，避免因時間不同步而導(dǎo)致的誤差。還需要對雙目相機和激光雷達的測量數(shù)據(jù)進行統(tǒng)一的坐標轉(zhuǎn)換，將它們轉(zhuǎn)換到同一個坐標系下，以便進行后續(xù)的融合計算。通?？梢赃x擇以測量航天器的質(zhì)心為原點建立坐標系，將雙目相機和激光雷達獲取的數(shù)據(jù)都轉(zhuǎn)換到這個坐標系中，方便進行數(shù)據(jù)處理和位姿解算。4.2信息融合策略本研究設(shè)計了一種分階段、多層次的信息融合策略，充分發(fā)揮雙目相機和激光雷達的優(yōu)勢，以實現(xiàn)對非合作航天器相對位姿的高精度測量。在初始階段，主要利用雙目相機獲取非合作航天器的初步位姿信息。雙目相機憑借其高分辨率圖像獲取能力，能夠清晰地捕捉到目標航天器的表面紋理和幾何特征。通過先進的圖像特征提取算法，如改進的尺度不變特征變換（SIFT）算法，該算法在傳統(tǒng)SIFT算法的基礎(chǔ)上，針對太空環(huán)境下的圖像特點，對特征點檢測和描述子計算進行了優(yōu)化，能夠更準確地提取目標航天器的關(guān)鍵特征點。利用這些特征點，采用基于區(qū)域匹配和特征約束的立體匹配算法，該算法結(jié)合了區(qū)域的灰度信息和特征點的幾何約束，提高了匹配的準確性和穩(wěn)定性，實現(xiàn)左右圖像的特征點匹配。根據(jù)三角測量原理，通過匹配點對的視差計算，能夠初步解算出目標航天器在相機坐標系下的三維坐標，進而得到其相對位姿的初步估計值。在獲取初步位姿后，引入激光雷達的點云數(shù)據(jù)進行精確位姿確定。激光雷達能夠提供高精度的距離信息，生成目標航天器的點云數(shù)據(jù)，這些點云數(shù)據(jù)能夠直觀地反映目標航天器的三維結(jié)構(gòu)。將雙目相機初步估計的位姿作為初始值，利用迭代最近點（ICP）算法的改進版本，該改進算法在傳統(tǒng)ICP算法的基礎(chǔ)上，增加了點云特征約束和全局優(yōu)化策略，提高了算法的收斂速度和精度，對激光雷達點云數(shù)據(jù)與預(yù)先建立的目標航天器點云模型進行匹配。通過不斷迭代優(yōu)化，尋找兩組點云之間的最優(yōu)匹配關(guān)系，從而精確計算出目標航天器的旋轉(zhuǎn)矩陣和平移向量，得到其在世界坐標系下的精確相對位姿。在整個信息融合過程中，還引入了時間序列信息進行動態(tài)融合。利用卡爾曼濾波算法對不同時刻的位姿估計值進行融合處理，該算法能夠充分考慮系統(tǒng)的動態(tài)特性和測量噪聲，通過預(yù)測和更新兩個步驟，不斷優(yōu)化位姿估計結(jié)果。在預(yù)測步驟中，根據(jù)前一時刻的位姿估計值和系統(tǒng)的運動模型，預(yù)測當前時刻的位姿；在更新步驟中，將當前時刻的測量值與預(yù)測值進行融合，得到更準確的位姿估計。通過這種方式，不僅能夠提高位姿測量的精度，還能夠增強系統(tǒng)對目標航天器運動變化的跟蹤能力，適應(yīng)非合作航天器復(fù)雜多變的運動狀態(tài)。4.3數(shù)據(jù)處理流程本研究的基于多源信息融合的非合作航天器相對位姿測量的數(shù)據(jù)處理流程主要包含傳感器數(shù)據(jù)采集、預(yù)處理、特征提取到融合計算位姿這幾個關(guān)鍵步驟。在傳感器數(shù)據(jù)采集階段，選用的雙目相機和激光雷達開始工作。雙目相機通過光學(xué)成像原理，將目標航天器的光學(xué)信息轉(zhuǎn)化為電信號，進而生成數(shù)字圖像數(shù)據(jù)。其以一定的幀率持續(xù)拍攝目標航天器，獲取不同時刻的圖像序列，這些圖像包含了目標航天器的豐富視覺信息，如表面紋理、形狀輪廓以及可能存在的特征標識等。激光雷達則發(fā)射激光束，激光束在遇到目標航天器表面后反射回來，通過測量激光脈沖的飛行時間，計算出目標航天器表面各點與激光雷達之間的距離，從而獲取目標航天器的點云數(shù)據(jù)。激光雷達按照設(shè)定的掃描模式，對目標航天器進行全方位或特定區(qū)域的掃描，生成包含目標航天器三維結(jié)構(gòu)信息的點云數(shù)據(jù)集。在采集過程中，需要確保雙目相機和激光雷達的同步工作，通過精確的時間同步機制，保證兩者在同一時刻獲取到關(guān)于目標航天器的不同類型數(shù)據(jù)，為后續(xù)的融合處理奠定基礎(chǔ)。采集到的原始數(shù)據(jù)通常包含各種噪聲和干擾，需要進行預(yù)處理操作以提高數(shù)據(jù)質(zhì)量。對于雙目相機獲取的圖像數(shù)據(jù)，首先進行去噪處理，采用中值濾波算法，該算法能夠有效去除圖像中的椒鹽噪聲等孤立噪聲點。中值濾波通過在圖像中以一定大小的窗口滑動，將窗口內(nèi)像素的中值作為中心像素的新值，從而平滑圖像，減少噪聲對后續(xù)處理的影響。接著進行圖像增強，利用直方圖均衡化技術(shù)，通過對圖像的灰度直方圖進行調(diào)整，擴展圖像的灰度動態(tài)范圍，增強圖像的對比度，使目標航天器的特征更加明顯，便于后續(xù)的特征提取。對于激光雷達采集的點云數(shù)據(jù)，首先進行去噪處理，基于距離統(tǒng)計的去噪方法，計算點云中每個點與其鄰域內(nèi)所有點的距離均值，即點密度，統(tǒng)計所有點密度的均值和標準差，將點密度大于均值2倍中誤差的點視為噪點并剔除，從而去除離散的空間噪點。然后進行運動補償，考慮到目標航天器的運動以及激光雷達掃描過程中的時間延遲，根據(jù)點云數(shù)據(jù)的時間戳信息，計算每個點在獲取時刻相對于激光開始測量時刻的角度，進而計算姿態(tài)補償矩陣，對每個點的坐標進行修正，以消除運動帶來的誤差。在預(yù)處理之后，進入特征提取階段。對于雙目相機圖像，采用改進的尺度不變特征變換（SIFT）算法提取特征點。在傳統(tǒng)SIFT算法的基礎(chǔ)上，針對太空環(huán)境下圖像的特點，對特征點檢測和描述子計算進行了優(yōu)化。在特征點檢測時，結(jié)合圖像的灰度梯度信息和局部對比度，提高了特征點檢測的準確性和穩(wěn)定性，能夠更準確地提取出目標航天器的關(guān)鍵特征點，如衛(wèi)星的太陽能板邊緣、對接環(huán)等部位的特征點。對于激光雷達點云數(shù)據(jù)，采用基于特征的提取方法，通過計算點云的曲率、法向量等幾何特征，篩選出具有明顯幾何特征的點作為特征點。對于點云數(shù)據(jù)中曲率較大的點，通常對應(yīng)著目標航天器表面的邊緣、角點等關(guān)鍵部位，將這些點作為特征點，能夠有效代表目標航天器的幾何形狀信息。將雙目相機和激光雷達提取的特征點進行融合計算位姿。利用雙目相機初步估計的位姿作為初始值，采用改進的迭代最近點（ICP）算法對激光雷達點云數(shù)據(jù)與預(yù)先建立的目標航天器點云模型進行匹配。在傳統(tǒng)ICP算法的基礎(chǔ)上，增加了點云特征約束和全局優(yōu)化策略。通過不斷迭代優(yōu)化，尋找兩組點云之間的最優(yōu)匹配關(guān)系，從而精確計算出目標航天器的旋轉(zhuǎn)矩陣和平移向量，得到其在世界坐標系下的精確相對位姿。在迭代過程中，根據(jù)點云特征之間的幾何約束關(guān)系，如特征點之間的距離、角度等，對匹配過程進行約束，提高匹配的準確性和穩(wěn)定性。還引入全局優(yōu)化策略，通過對整個點云數(shù)據(jù)集進行優(yōu)化，避免陷入局部最優(yōu)解，從而得到更準確的位姿估計結(jié)果。五、案例分析與實驗驗證5.1案例選取與場景設(shè)定為了全面驗證基于多源信息融合的非合作航天器相對位姿測量方法的有效性和可靠性，本研究精心選取了具有代表性的非合作航天器任務(wù)案例，并設(shè)定了一系列復(fù)雜多樣的測量場景。以某型號退役衛(wèi)星作為非合作目標航天器，該衛(wèi)星在軌道運行多年，表面存在一定程度的磨損和老化，其形狀不規(guī)則，表面材質(zhì)包含金屬、復(fù)合材料等多種類型，具有典型的非合作航天器特征。在實際航天任務(wù)中，對這類退役衛(wèi)星的監(jiān)測和處理是一個重要的問題，準確測量其相對位姿對于后續(xù)的軌道維持、空間碎片清理等任務(wù)具有關(guān)鍵意義。設(shè)定了不同距離的測量場景，包括近距離（10-100米）、中距離（100-1000米）和遠距離（1000米以上）。在近距離場景下，目標航天器占據(jù)相機視場的比例較大，能夠獲取更詳細的表面紋理和幾何特征信息，但對測量系統(tǒng)的精度和實時性要求更高，因為在近距離操作中，微小的位姿誤差都可能導(dǎo)致嚴重的后果。在進行航天器在軌維護任務(wù)時，測量航天器需要接近目標航天器進行操作，此時精確的相對位姿測量至關(guān)重要。中距離場景下，目標航天器的細節(jié)信息相對減少，但仍然能夠通過圖像和點云數(shù)據(jù)進行有效的特征提取和位姿解算，這個距離范圍在一些航天器交會對接任務(wù)的中間階段較為常見。遠距離場景下，目標航天器在圖像中成像較小，點云數(shù)據(jù)也相對稀疏，測量難度較大，需要充分發(fā)揮多源信息融合的優(yōu)勢，綜合利用各種傳感器數(shù)據(jù)來提高測量精度，如在對遠距離的太空垃圾進行監(jiān)測時，就面臨著這樣的挑戰(zhàn)。光照條件是影響非合作航天器相對位姿測量的重要因素之一，因此設(shè)定了多種光照場景。包括強光直射場景，模擬衛(wèi)星在太陽直射下的情況，此時目標航天器表面會出現(xiàn)強烈的反光和陰影，可能導(dǎo)致圖像過曝或部分區(qū)域細節(jié)丟失，對視覺測量造成較大干擾。弱光場景，如衛(wèi)星處于地球陰影區(qū)或夜間飛行時，光照強度較低，圖像的信噪比降低，特征提取難度增加，需要采用特殊的圖像處理算法和傳感器技術(shù)來提高測量的準確性。還設(shè)置了不均勻光照場景，由于目標航天器表面的形狀和材質(zhì)不均勻，光照在其表面產(chǎn)生的反射和散射也不均勻，這會導(dǎo)致圖像中不同區(qū)域的亮度和對比度差異較大，增加了圖像分析和位姿解算的復(fù)雜性。在不同的測量場景下，目標航天器的姿態(tài)也有所不同，設(shè)定了多種姿態(tài)場景。包括翻滾姿態(tài)場景，目標航天器圍繞自身的三個坐標軸進行快速旋轉(zhuǎn)，這種情況下，目標航天器的表面特征在圖像中快速變化，點云數(shù)據(jù)也會發(fā)生嚴重的畸變，對測量系統(tǒng)的跟蹤和位姿解算能力提出了極高的挑戰(zhàn)。在對失控的非合作航天器進行測量時，就可能遇到這種情況。偏航姿態(tài)場景，目標航天器繞著其自身的垂直軸進行旋轉(zhuǎn)，導(dǎo)致其在相機視場中的角度不斷變化，需要測量系統(tǒng)能夠?qū)崟r調(diào)整測量策略，準確跟蹤目標的姿態(tài)變化。俯仰姿態(tài)場景，目標航天器繞著其自身的水平軸進行旋轉(zhuǎn)，使得其在垂直方向上的姿態(tài)發(fā)生改變，這也會影響到圖像特征的提取和點云數(shù)據(jù)的處理，需要測量系統(tǒng)具備較強的適應(yīng)性。5.2實驗setup為了模擬真實的太空環(huán)境，實驗搭建了一個高真空、微重力和強輻射的模擬太空環(huán)境艙。利用大型真空泵組將環(huán)境艙內(nèi)的氣壓降低至10^-6Pa以下，模擬太空的高真空環(huán)境。在微重力模擬方面，采用磁懸浮技術(shù)，通過精確控制磁場強度和方向，使實驗?zāi)繕撕教炱髟诃h(huán)境艙內(nèi)處于微重力狀態(tài)，盡可能減少重力對實驗結(jié)果的影響。利用鈷-60放射源和高能粒子加速器，在環(huán)境艙內(nèi)產(chǎn)生與太空環(huán)境相似的輻射場，模擬太空輻射對測量系統(tǒng)的影響。在實驗中，通過調(diào)整放射源的強度和粒子加速器的參數(shù)，控制輻射劑量和粒子能量，以測試測量系統(tǒng)在不同輻射條件下的性能。實驗使用的主要設(shè)備包括工業(yè)級雙目相機和高精度激光雷達。雙目相機選用的是德國Basler公司的acA2040-90um型號，該相機具有2048×1088像素的分辨率，幀率可達90fps，能夠滿足對非合作航天器高分辨率圖像獲取的需求。其配備了兩個焦距為12mm的鏡頭，基線長度為100mm，通過精確的標定和校準，保證了雙目相機的測量精度和穩(wěn)定性。激光雷達采用的是美國Velodyne公司的VLP-16型號，它能夠以每秒30萬次的測量速度獲取目標的距離信息，垂直視場角為30°，水平視場角為360°，生成的點云數(shù)據(jù)能夠全面地反映目標航天器的三維結(jié)構(gòu)。實驗還配備了高精度的轉(zhuǎn)臺和定位系統(tǒng)，用于模擬非合作航天器的各種運動姿態(tài)和位置變化。轉(zhuǎn)臺能夠?qū)崿F(xiàn)三個自由度的旋轉(zhuǎn)，旋轉(zhuǎn)精度可達0.01°，定位系統(tǒng)的定位精度可達0.1mm，為實驗提供了準確的運動控制和位置參考。在實驗參數(shù)設(shè)置方面，根據(jù)實際航天任務(wù)中可能遇到的情況，設(shè)置了不同的測量距離、光照條件和目標姿態(tài)。測量距離設(shè)置為5米、10米和20米，分別模擬近距離、中距離和遠距離的測量場景。光照條件通過調(diào)整環(huán)境艙內(nèi)的光源強度和角度來實現(xiàn)，設(shè)置了強光直射、弱光和不均勻光照三種場景。對于目標姿態(tài)，通過轉(zhuǎn)臺控制目標航天器模型繞三個坐標軸進行旋轉(zhuǎn)，模擬翻滾、偏航和俯仰等姿態(tài)變化，旋轉(zhuǎn)角度范圍為±360°，旋轉(zhuǎn)速度設(shè)置為5°/s、10°/s和20°/s，以測試測量系統(tǒng)在不同運動速度下的性能。5.3實驗結(jié)果與分析在近距離測量場景下，針對強光直射、弱光和不均勻光照這三種不同光照條件，以及翻滾、偏航和俯仰這三種不同姿態(tài)，分別對單傳感器（雙目相機和激光雷達）和多源融合的測量結(jié)果進行了對比分析。在強光直射條件下，對于翻滾姿態(tài)的非合作航天器，雙目相機由于強光反射導(dǎo)致圖像部分區(qū)域過曝，特征提取出現(xiàn)偏差，位姿測量誤差較大，位置誤差達到了±0.5米，角度誤差達到了±5°。激光雷達雖然不受光照影響，但由于目標的快速翻滾，點云數(shù)據(jù)出現(xiàn)嚴重畸變，位姿測量誤差也較大，位置誤差為±0.4米，角度誤差為±4°。而采用多源融合方法后，通過對雙目相機圖像和激光雷達點云數(shù)據(jù)的互補融合，有效減少了誤差，位置誤差降低到了±0.2米，角度誤差降低到了±2°，精度提升明顯。在弱光條件下，對于偏