立即注册
查看: 463|回复: 1

[其他定位技术] 一种光学卫星无控定位误差智能建模方法

已绑定手机
发表于 2022-3-9 17:47:51 | 显示全部楼层 |阅读模式 来自 广东省深圳市
摘要:光学卫星的无控定位精度是决定影像应用效果的重要因素;研究表明,影响光学卫星无控定位精度的主要因素包括姿态测量随机误差、时间同步误差、结构变形等引起的姿态低频误差等,影响因素多,难解耦,传统通过控制点评估来建立无控定位误差模型的方法难以客观全面地揭示误差规律;为了更准确地建立无控定位误差变化规律模型,该文将卷积神经网络引入无控定位精度建模。以下星成像参数和业务系统全自动几,何质检结果作为学习样本,利用网络训练无控定位精度与成像参数的关系,更全面揭示无控定位误差规律,并通过预测定位误差来提升无控定位精度;试验中选取了10 019 景珞珈一号01 星数据,采用7 514景影像作为无控定位误差变化规律的训练样本集,剩余的数据开展无控定位误差预测补偿精度验证;结果表明,模型预测精度小于1个像素,验证了该文方案的有效性和可行性。

长期以来,世界各国竞相发展航天遥感技术,陆续发射了系列对地观测光学卫星,如美国的 GeoEye、WorldView系列卫星,法国的 SPOT、Pleiades系列卫星等。国外依靠硬件优势,结合地面定标、误差建模等高精度处理技术,实现了光学卫星全球最高3~5 m 的无控定位精度。"十二五"以来,我国在高分辨率对地观测卫星领域均取得重大成果,至"十三五"结束,我国高分专项卫星完成部署,民用领域光学卫星最高分辨率已可达0.5 m 左右。虽然国内光学卫星影像分辨率日益趋近国外先进水平,但国内光学影像无控精度普遍在 10米开外,与国外仍有较大差距。已有研究表明,影响光学卫星无控定位精度的因素包括姿态测量精度、结构变形等引起的低频姿态误差。国内相关单位针对上述两方面开展了大量研究。针对姿态测量精度,2012年发射的资源三号 01星,姿态测量精度/频率可达到3"/4 Hz,2014年发射的高分二号卫星姿态确定精度可达 3.6",2019 年发射的高分七号卫星姿态确定精度可达到 1",姿态测量误差得到很好的控制;而针对低频姿态误差,熊凯等采用扩维卡尔曼滤波方法,将卫星成像姿态、低频误差参数作为变量进行同时估计,并在真实卫星遥测数据的基础上构建了仿真模型,利用仿真数据对所提方法开展验证,结果表明该方法在低频误差较大情况下的效果明显优于低频误差较小情况,其中当低频误差较小情况的姿态确定精度甚至不如传统的扩展卡尔曼滤波方法;Lai Yuwang 等学者首先对 STE-CE(空间技术试验和气候探测)卫星两颗星敏间的夹角变化进行频谱分析,该研究认为星敏夹角变化可以侧面反映因外热流引起的结构变形,最终造成姿态低频误差。通过采用 Vondrak 滤波算法可以抑制该误差对姿态确定的影响,使滤波后的姿态低频误差峰值相交补偿前更小。
国内部分学者试图从地面处理的角度出发,直接建立无控定位精度随成像参数的变化规律,以求对定位误差进行预测补偿。王艳丽等学者认为姿态低频误差主要由外热流引起的结构变化造成,且该变化与太阳高度角相关,进而提出一种顾及太阳高度角变化的光学影像姿态低频误差标校与补偿方法,建立了姿态低频误差的傅里叶级数展开模型,并利用地面控制求解模型参数,将海洋1C卫星无控定位精度从 3.8像元提升到1个像元;管志超等学者同样认为姿态低频误差与外热流引起的结构变形紧密相关,该变形可能与成像星下点经纬度存在关系,建立了无控定位误差与成像星下点经纬度的关系模型,并利用资源三号卫星正视相机开展了验证,建模精度可在 10米以内。
但是,姿态低频误差的产生原因是多方面的,包括星敏/星相机内部随温度变化、外热流引起的结构变化等,因素多,难建模,传统通过地面控制点结合经验模型的建模补偿方法难以客观、全面的揭示姿态低频误差的特征规律。本文提出了一种光学卫星无控定位误差智能建模方法。首先,基于卷积神经网络对无控定位精度建模;其次,以卫星成像参数和业务系统全自动几何质检结果作为学习样本,利用网络训练无控定位精度与成像参数的关系,挖掘无控定位误差规律;最后,通过预测定位误差来提升无控定位精度。

1、算法原理
卫星在轨运行中,通常采用GPS设备测量其相位中心在 WGS84 坐标系下的位置及速度矢量;星敏及陀螺等定姿设备测量卫星成像姿态∶当星敏参与定姿时,利用观测数据最终确定卫星本体相对于 J2000 坐标系的姿态;而当星敏不参与定姿时,则通常测量卫星本体相对于轨道坐标系的姿态。当前国内在轨的线阵推扫卫星均采用了星敏定姿,因此本文研究几何定位模型中仅考虑 J2000 坐标系下的姿态测量数据。
相机随着卫星的运动而推扫成像,各行影像符合中心投影原理。依据相关坐标系定义及转换,可构建线阵推扫光学卫星几何定位模型如下
1.jpg

1.1 构建光学无控定位误差模型数据集
无控定位误差本质上是由测姿随机误差、低频误差等引起。而测姿随机误差主要与星敏/星相机状态(如因温度变化造成的焦面变化)、成像空间(即观测恒星的星等、数量等情况)相关,而低频误差与外热流等相关,而无论温度变化、成像空间变化或者外热流等,均可包含在卫星成像的相关参数种,例如星下点经纬度、成像姿态。因此,可以利用无控定位误差与成像参数作为训练对来搭建样本集。
当前卫星业务处理系统均包含自动几何质检模块,可以利用国内外公开的较高精度几何基准数据开展几何质检,评估得到每景影像的无控定位误差。为了进行无控定位误差智能建模,文中对影响卫星定位精度的核心要素进行筛选,例如可选取影响卫星定位精度的星下点位置、成像姿态等作为模型回归拟合的自变量,相应的定位误差作为回归拟合的因变量∶
2.jpg
1.2 数据预处理
卫星成像数据传输过程,可能存在误码等现象,造成少量影像数据无控定位异常,该部分数据不应加入样本集进行训练。因此,在构建数据集中,我们首先需要对样本进行预处理,以提高模型预测精度。
1)我们利用Pandas 库提供的 drop 函数接口和isna 函数接口,对初始样本集种的所有样本进行数值探测,剔除数值过大或者过小的异常值,避免影响模型拟合精度。
2)采用 Pandas 库提供的 corrwith 函数,对选择的自变量和因变量进行相关性分析,若因变量与自变量相关性强,则说明该自变量因素是引起无控定位误差变化的主要因素,若相关性弱,则该自变量因素可能与无控定位误差变化无关。设定 corrwith 函数阈值为0.000 1,剔除相关性小于0.000 1的自变量因素。
3)由于数据在数量级上存在较大差距,易造成模型陷入局部最优状态,我们采用标准化方法对样本集进行处理。在文中总共采用了3个函数进行标准化处理,分别是 MinMaxScaler、Normalizer、Stan-dardScaler。经过反复验证和调整参数,最终采用的标准话函数是 MinMaxScaler。最终获取文中数据集。

1.3 DenseNet模型构建
深度学习可以通过构建具有多隐藏层的神经元节点来构建机器学习模型,并从海量的数据中学习隐藏的特征,以实现对数据的高准确性预测。深度学习之所以称之为深度学习是因为它相较于浅层神经网络模型具有更多的层,并且它的优势是可以实现特征的自动学习,与传统方法相比,它能挖掘更深层次的数据特征。
卷积神经网络(CNN,convolutional neural net-works)模型是深度学习中最具代表性的模型之一,在计算机视觉领域有着广泛的应用,但随着应用领域的不断扩展,CNN模型在随着网络层数不断加深时,神经网络层的梯度消失问题逐渐显现,这一问题也导致了CNN 个学者对该问题的改进。DenseNet 通过将所有层直接相互连接,在实验过程中也验证了该操作可以有效减轻梯度消失的问题。 文中也借鉴了DenseNet 网络的优势,构建适用于珞珈数据的神经网络模型。DenseNet 网络通过将每一层中的神经元以前馈的方式与其他层均进连接,每一层的输出都是前面所有层的输入经过激活函数计算得到的,此外,网络中每一层都与输入层连接,经过实验验证发现,该连接方式有效减轻了梯度消失的问题,并加强了数据特征的传输,有效了缓解了数据集上过拟合的问题,使得数据隐藏特征被充分挖掘,有效的提高了网络 预 测 精度。与残 差 网络(ResNet),由于DenseNet 网络的每一层都有自己的权重,整个模型参数数量巨大。但 DenseNe的不同之处在于,它没有一味的通过加深网络层数来构建网络架构,这种机制有效了提高了参数的利用率,故在反向传播过程中网络需要更新的参数数量较少,模型也更加易于收敛,我们将 DenseNet 网络结构引入了回归拟合中,激活函数采用了RELU函数。

更多详细内容请下载附件查看
游客,如果您要查看本帖隐藏内容请回复
已绑定手机
发表于 2022-3-15 01:46:41 | 显示全部楼层 来自 广东省揭阳市
感谢分享
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

合作/建议

TEL: 19168984579

工作时间:
周一到周五 9:00-11:30 13:30-19:30
  • 扫一扫关注公众号
  • 扫一扫打开小程序
Copyright © 2013-2024 一牛网 版权所有 All Rights Reserved. 帮助中心|隐私声明|联系我们|手机版|粤ICP备13053961号|营业执照|EDI证
在本版发帖搜索
扫一扫添加微信客服
QQ客服返回顶部
快速回复 返回顶部 返回列表