基于测地线距离的空间非合作目标点云配准

doi:10.7527/S1000-6893.2021.26336

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于测地线距离的空间非合作目标点云配准

陈斌¹(), 郗厚印¹, 张晓东², 罗敏², 郭治栋¹

^1.北京邮电大学人工智能学院，北京 100876
^2.北京空间飞行器总体设计部，北京 100094

收稿日期:2021-09-07 修回日期:2021-10-25 接受日期:2021-11-12 出版日期:2023-01-15 发布日期:2021-11-23
通讯作者: 陈斌 E-mail:binchen@bupt.edu.cn
基金资助:
国家自然科学基金(62073033)

Point cloud registration of space non-cooperative targets based on geodesic distance

Bin CHEN¹(), Houyin XI¹, Xiaodong ZHANG², Min LUO², Zhidong GUO¹

^1.College of Artificial Intelligence，Beijing University of Posts and Telecommunications，Beijing 100876，China
^2.Beijing Institute of Spacecraft System Engineering，Beijing 100094，China

Received:2021-09-07 Revised:2021-10-25 Accepted:2021-11-12 Online:2023-01-15 Published:2021-11-23
Contact: Bin CHEN E-mail:binchen@bupt.edu.cn
Supported by:
National Natural Science Foundation of China(62073033)

摘要/Abstract

摘要：

针对局部结构相似及翻滚遮挡下目标动态特性辨识问题，提出一种融合疏密度指标与全局测地线距离的空间非合作目标点云配准方法。首先，引入球面投影法，将不规则的空间目标点云映射到规则的球面流形上。然后，设计基于点云离散程度的疏密度评价指标，将球面点云划分为不同的局部点云子集，在此基础上构建全局测地线距离矩阵以增强点云局部形状信息的感知能力。最后，依据全局测地线距离矩阵推导建立了场景点云与模型点云间配准矩阵，实现空间非合作目标的动态特性辨识。仿真与试验结果表明：提出的算法在目标局部结构相似及点云缺失下的配准精度优于最近迭代点（ICP）算法与基于凸包粗配准的改进ICP算法。

关键词: 非合作目标, 点云配准, 球面投影, 测地线距离, 疏密度

Abstract:

To realize identification of the dynamic characteristics of the space targets with local structural similarity and tumbling occlusion， a novel point cloud registration method is proposed for the space non-cooperative target by using the density index and global geodesic distance. First， the spherical projection method is introduced to map the irregular point cloud of the space target to the regular spherical manifold. Then， a density evaluation index based on the dispersion degree of point cloud is designed to divide the spherical point cloud into local subsets. On this basis， a global geodesic distance matrix is constructed to enhance the perception of the information of the local shape of the point cloud. Finally， according to the global geodesic distance matrix， a registration matrix between the scene point cloud and the model point cloud is established to realize the dynamic characteristic identification of the space non-cooperative target. Simulation and experimental results show that with similar target local structures and missing point clouds， the proposed algorithm has better registration accuracy compared to Iterative Closet Point（ICP） algorithms and improved ICP algorithms based on convex hull coarse registration.

Key words: non-cooperative target, point cloud registration, spherical projection, geodesic distance, density index

中图分类号:

V219

陈斌, 郗厚印, 张晓东, 罗敏, 郭治栋. 基于测地线距离的空间非合作目标点云配准[J]. 航空学报, 2023, 44(1): 326336-326336.

Bin CHEN, Houyin XI, Xiaodong ZHANG, Min LUO, Zhidong GUO. Point cloud registration of space non-cooperative targets based on geodesic distance[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(1): 326336-326336.

图/表 13

图 1

图 2

图 3

图 4

图 5

图 6

图 7

图 8

图 9

图 10

表 1

试验参数设置

参数	试验数值
目标星 $x$ 轴的旋转速度/ $((∘) ⋅ s - 1)$	3
目标星 $y$ 轴的旋转速度/ $((∘) ⋅ s - 1)$	4
目标星 $z$ 轴的旋转速度/ $((∘) ⋅ s - 1)$	3
相机的帧率/（frame $⋅ s - 1$ ）	30
采样时间/s	0.5
相机的颜色分辨率/（pixel $⋅ i n - 1$ ）	1 280×720
相机的深度分辨率/（pixel $⋅ i n - 1$ ）	640×480

表 1

图 11

图 12

参考文献 25

1	CHENG L， CHEN S， LIU X Q， et al. Registration of laser scanning point clouds： A review［J］. Sensors， 2018， 18（5）： 1641.
2	LI Y P， WANG Y P， XIE Y C. Using consecutive point clouds for pose and motion estimation of tumbling non-cooperative target［J］. Advances in Space Research， 2019， 63（5）： 1576-1587.
3	陈路，黄攀峰，蔡佳. 基于改进HOG特征的空间非合作目标检测［J］. 航空学报， 2016， 37（2）： 717-726.
	CHEN L， HUANG P F， CAI J. Space non-cooperative target detection based on improved features of histogram of oriented gradient［J］. Acta Aeronautica et Astronautica Sinica， 2016， 37（2）： 717-726 （in Chinese）.
4	温卓漫，王延杰，邸男，等. 空间站机械臂位姿测量中合作靶标的快速识别［J］. 航空学报， 2015， 36（4）： 1330-1338.
	WEN Z M， WANG Y J， DI N， et al. Fast recognition of cooperative target used for position and orientation measurement of space station’s robot arm［J］. Acta Aeronautica et Astronautica Sinica， 2015， 36（4）： 1330-1338 （in Chinese）.
5	MARANI R， RENO， VITO， et al. A modified iterative closest point algorithm for 3D point cloud registration［J］. Computer-Aided Civil and Infrastructure Engineering， 2016， 31（7）： 515-534.
6	BESL P J， MCKAY N D. Method for registration of 3-d shapes［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1992， 14 （2）： 239-256.
7	CHEN Y， MEDIONI G. Object modelling by registration of multiple range images［J］. Image and Vision Computing， 1992， 10（3）： 145-155.
8	ZHANG H B， XIE F. A Method for registering range images based on matching triangle meshes［C］∥International Conference on Signal Processing. Piscataway： IEEE Press， 2005.
9	SUOMINEN O， GOTCHEV A. Circular trajectory correspondences for iterative closest point registration［C］∥2013 3DTV Vision Beyond Depth （3DTV-CON）. Piscataway： IEEE Press， 2013.
10	SHARP G C， LEE S W， WEHE D K. ICP registration using invariant features［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（1）： 90-102.
11	AHMED M T， MOHAMAD M， MARSHALL J A， et al. Registration of noisy point clouds using virtual interest points［C］∥2015 12th Conference on Computer and Robot Vision. Piscataway： IEEE Press， 2015.
12	郑晓璐，潘广贞，杨剑，等. 基于Hausdorff距离改进的ICP算法［J］. 计算机工程与设计， 2015， 36（9）： 2481-2484， 2489.
	ZHENG X L， PAN G Z， YANG J， et al. Improved ICP algorithm based on Hausdorff distance［J］. Computer Engineering and Design， 2015， 36（9）： 2481-2484， 2489 （in Chinese）.
13	石磊，严利民. 基于法向量和高斯曲率的点云配准算法［J］. 微电子学与计算机， 2020， 37（9）： 68-72.
	SHI L， YAN L M. Point cloud registration algorithm based on normal vector and Gaussian curvature［J］. Microelectronics ＆ Computer， 2020， 37（9）： 68-72 （in Chinese）.
14	DAROM T， KELLER Y. Scale-invariant features for 3-D mesh models［J］. IEEE Transactions on Image Processing： A Publication of the IEEE Signal Processing Society， 2012， 21（5）： 2758-2769.
15	申浩，李书晓，申意萍，等. 航拍视频帧间快速配准算法［J］. 航空学报， 2013， 34（6）： 1405-1413.
	SHEN H， LI S X， SHEN Y P， et al. Fast interframe registration method in aerial videos［J］. Acta Aeronautica et Astronautica Sinica， 2013， 34（6）： 1405-1413 （in Chinese）.
16	ZHAO G P， XU S X， BO Y M. LiDAR-based non-cooperative tumbling spacecraft pose tracking by fusing depth maps and point clouds［J］. Sensors （Basel， Switzerland）， 2018， 18（10）： 3432.
17	HATTAB A， TAUBIN G. 3D rigid registration of cad point-clouds［C］∥2018 International Conference on Computing Sciences and Engineering （ICCSE）. Piscataway： IEEE Press， 2018.
18	KLEPPE A L， TINGELSTAD L， EGELAND O. Coarse alignment for model fitting of point clouds using a curvature-based descriptor［J］. IEEE Transactions on Automation Science and Engineering， 2019， 16（2）： 811-824.
19	ATTIA M， SLAMA Y， PEYRODIE L， et al. 3D point cloud coarse registration based on convex hull refined by ICP and NDT［C］∥25th International Conference on Mechatronics and Machine Vision in Practice （M2VIP）. Piscataway： IEEE Press， 2018
20	WU B C， WAN A， YUE X Y， et al. SqueezeSeg： Convolutional neural nets with recurrent CRF for real-time road-object segmentation from 3D LiDAR point cloud［C］∥2018 IEEE International Conference on Robotics and Automation. Piscataway： IEEE Press，2018.
21	YARU X， JUN X， YING W. A fast registration algorithm of rock point cloud based on spherical projection and feature extraction［J］. Frontiers of Computer Science， 2019（1）： 170-182.
22	张帆，高云龙，黄先锋，等. 基于球面投影的单站地面激光点云直线段提取方法［J］. 测绘学报， 2015， 44（6）： 655-662.
	ZHANG F， GAO Y L， HUANG X F， et al. Spherical projection based straight line segment extraction for single station terrestrial laser point cloud［J］. Acta Geodaetica et Cartographica Sinica， 2015， 44（6）： 655-662 （in Chinese）.
23	RAO Y M， LU J W， ZHOU J. Spherical fractal convolutional neural networks for point cloud recognition［C］∥2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2019.
24	KAIRANBAY M， JANI H MAT. A review and evaluations of shortest path algorithms［J］. International Journal of Scientific & Technology Research， 2013， 2（6）： 99-104.
25	LaValle S M， Leidner D. Geometric representations and transformations. in planning algorithms［M］. Cambridge： Cambridge University Press， 2006： 81-126.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

[1]	王梓, 孙晓亮, 李璋, 程子龙, 于起峰. 基于Transformer模型的卫星单目位姿估计方法[J]. 航空学报, 2022, 43(5): 325298-325298.
[2]	夏鹏程, 罗建军, 王明明, 谭龙玉. 空间双臂机器人抓捕非合作目标后的协调稳定控制[J]. 航空学报, 2022, 43(2): 325398-325398.
[3]	孙博文, 王大轶, 王炯琦, 周海银, 葛东明, 董天舒. 基于序列图像的航天器自主导航降维滤波方法[J]. 航空学报, 2021, 42(4): 524971-524971.
[4]	董凯凯, 罗建军, 马卫华, 高登巍, 谭龙玉. 非合作目标交会的双层MPC全局轨迹规划控制[J]. 航空学报, 2021, 42(11): 524903-524903.
[5]	牟金震, 刘宗明, 韩飞, 周彦, 李爽. 失效卫星远距离相对位姿估计与优化方法[J]. 航空学报, 2021, 42(11): 524959-524959.
[6]	万文娅, 孙冲, 袁建平. 空间非合作目标多指包络抓捕路径设计[J]. 航空学报, 2020, 41(12): 324041-324041.
[7]	刘冰雁, 叶雄兵, 高勇, 王新波, 倪蕾. 基于分支深度强化学习的非合作目标追逃博弈策略求解[J]. 航空学报, 2020, 41(10): 324040-324040.
[8]	朱云峰, 孙永荣, 赵伟, 黄斌, 吴玲. 包含乘性噪声自适应修正的非合作目标相对导航算法[J]. 航空学报, 2019, 40(7): 322884-322884.
[9]	路勇, 刘晓光, 周宇, 刘崇超. 空间翻滚非合作目标消旋技术发展综述[J]. 航空学报, 2018, 39(1): 21302-021302.
[10]	于大腾, 王华, 孙福煜. 考虑潜在威胁区的航天器最优规避机动策略[J]. 航空学报, 2017, 38(1): 320202-320202.
[11]	孙俊, 张世杰, 马也, 楚中毅. 空间非合作目标惯性参数的Adaline网络辨识方法[J]. 航空学报, 2016, 37(9): 2799-2808.
[12]	陈路, 黄攀峰, 蔡佳. 基于改进HOG特征的空间非合作目标检测[J]. 航空学报, 2016, 37(2): 717-726.
[13]	戴崇, 徐振海, 肖顺平. 非合作目标动态RCS仿真方法[J]. 航空学报, 2014, 35(5): 1374-1384.
[14]	韦文书, 荆武兴, 高长生. 捕获非合作目标后航天器的自主稳定技术研究[J]. 航空学报, 2013, 34(7): 1520-1530.
[15]	王楷, 陈统, 徐世杰. 基于双视线测量的相对导航方法[J]. 航空学报, 2011, 32(6): 1084-1091.

基于测地线距离的空间非合作目标点云配准

Point cloud registration of space non-cooperative targets based on geodesic distance

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 25

相关文章 15

编辑推荐

Metrics

本文评价