Page 101 - 当代控制理论及应用技术概论

第三章 自适应控制研究

形或三角形等规则特征进行提取。对于不规则几何特征的情况，角点等局部特征
通常被应用于空间特征提取中。角点检测算法主要包括基于图像边缘和基于图像
灰度两类方法，其中后者运行速度快、精度高，为主流算法，经典算法主要包
括 Fast、Harris 和 Shi-Tomasi 等，许多学者对上述工作进行了适应性改进，以提

高鲁棒性、快速性等性能。由于受目标剧烈运动以及光照条件的影响，目标的形
态特征存在尺度变化较大的问题，单纯依靠角点易造成误匹配，因此通常需要进
一步对关键点附近区域进行描述，获得具有光照、旋转和尺度不变性的特征描述
符。常用的二维特征描述符包括 SIFT 和 SURF 等。文献利用粒子滤波方法减小

了 SIFT 特征点的匹配误差；文献将 SURF 特征描述与 Fast 角点检测法相结合，
实现了较低采样频率下的特征点提取。近年来，FCOS 网络、VoxelNet 网络和全
卷积网络等人工智能方法也被应用于目标形态特征的提取中。然而，由于特征描
述法和人工智能法所需计算量较大，其空间的实施应用受航天器有限计算资源的

制约。
在轨道目标行为特征提取方面，当相对距离较远时，被测航天器在敏感器
视野中仅为点目标，此时只能获得目标的视线信息。当能够通过多个航天器合作
获取同一非合作目标的多条视线信息时，可通过卡尔曼滤波及其改进方法估计出

目标的运动状态。然而，当只有单视线测量信息时，由于对目标的仅测角无源定
位跟踪存在观测量几何约束弱、系统可观度低的问题，往往需要我方航天器通过
一定的轨道机动在多个位置均给出视线测量量，才能对非合作目标的运动状态进
行有效估计。航天器与目标相对距离较近时，可获得目标的深度点云及图像信息，

此时则可利用基于卷积神经网络的联合滤波器或基于自监督模型的自适应融合机
制等方法将点云与图像信息进行融合，估计目标的运动状态。然而，由于轨道空
间受平行光影响，易出现目标局部过亮或过暗的情况，可能造成无法连续提取目
标的形态或行为特征的情况。

空间态势评估是引导航天器进行空间活动的基础，是自主完成空间任务的
关键，因此研究态势评估方法显得尤为重要。传统的态势评估算法主要基于专家
系统、模板技术和贝叶斯网络推理等方法进行设计，大多对人的先验知识具有较
强的依赖性，可能受设计者的主观因素影响较大。为避免该问题，该领域的学者

提出了多种基于大量样本数据进行学习训练的推理网络参数确定方法，但当样本
数量有限时则无法保证训练效果。通过引入先验知识可减小推理网络参数的搜索

93
93