本书系统介绍了空间目标近距离相对视觉测量的理论基础，以及深度学习技术在该领域的方法与应用。主要内容涵盖相对视觉测量基础，单目与双目相机的测量原理及方法，基于深度学习的空间目标位姿估计算法及最新研究进展，以及深度学习方法在近距离视觉导航中的应用。

本书注重基础理论与前沿研究成果的有机结合，可供航空航天科学与技术、人工智能与计算机视觉等领域的科研与工程技术人员阅读参考，也可作为对航天器视觉测量感兴趣的高年级本科生和研究生的参考资料。

目录

第 1 章 绪论

1.1 背景和意义

1.2 空间目标近距离相对测量概念

1.3 空间目标相对视觉测量技术

1.4 空间目标相对视觉测量技术挑战

1.5 空间目标相对视觉测量深度学习方法与应用

1.6 本书内容安排

第一篇 视觉测量基本原理

第 2 章 摄像机模型

2.1 视觉测量相关坐标系定义

2.2 视觉测量有限摄像机模型

2.2.1 摄像机投影模型

2.2.2 摄像机平移与旋转

2.2.3 摄像机标定

第 3 章 单目视觉测量

3.1 目标质点角度测量

3.2 目标刚体位姿测量

3.2.1 通过求解姿态矩阵获得目标位姿

3.2.2 N 点透视法求解目标相对位姿

3.3 基于未知点对关系的位姿求解方法

3.4 基于直线对应的位姿测量方法

3.4.1 基于直线对应的位姿测量方法

3.4.2 基于直线特征的即时姿态和匹配求解

3.5 仿真与实验验证

第 4 章 双目视觉测量

4.1 双目相机测量原理

4.1.1 平行式双目相机测量

4.1.2 一般双目相机测量

4.1.3 对极几何与基本矩阵

4.2 双目相机立体匹配

4.2.1 区域匹配算法

4.2.2 特征匹配算法

4.2.3 半全局匹配算法

4.3 基于双目相机的目标位姿测量

4.3.1 双矢量定姿法

4.3.2 基于椭圆的对接环识别与姿态确定

4.3.3 基于直线匹配的帧间相对姿态确定算法

4.3.4 基于 SFM&MVS 的目标三维重建

第 5 章 TOF 相机测量

5.1 TOF 相机测量原理

5.2 TOF 相机噪声特性分析

5.3 基于图像与点云融合的目标位姿估计方法

5.3.1 基于点云配准的相对位姿计算

5.3.2 基于特征匹配的位姿初值计算

5.3.3 基于靶标形状的目标位姿估计方法

5.3.4 基于主成分分析（PCA）的位姿初值计算

本篇小结

参考文献

第二篇 基于深度学习的目标位姿测量

第 6 章 空间目标视觉测量训练数据集生成

6.1 合成图像生成

6.1.1 背景生成

6.1.2 光照模拟

6.1.3 航天器模型

6.1.4 摄像头传感器设置

6.2 数据集分布

6.3 物理航天器模型的伪实图像生成

6.4 常用航天器位姿数据集

第 7 章 空间目标视觉测量深度网络模型

7.1 目标检测与识别深度网络模型

7.1.1 R?CNN 网络

7.1.2 YOLO 目标检测系列

7.1.3 基于 Transformer 的目标检测模型

7.1.4 仿真与实验结果

7.2 目标位姿识别分类回归网络模型

7.2.1 航天器位姿网络姿态识别

7.2.2 其他分类回归网络

7.3 深度学习与传统几何技术结合的位姿估计

7.3.1 基于关键点识别网络的位姿估计框架

7.3.2 三维关键点识别网络

7.3.3 二维关键点识别网络

7.3.4 仿真与实验验证

7.4 模型未知目标位姿估计方法

7.4.1 类别级姿态估计方法

7.4.2 零样本目标姿态估计方法

第 8 章 空间目标视觉测量强化学习模型

8.1 强化学习 DDPG 模型

8.2 位姿估计 DDPG 学习方法设计

8.3 基于 DDPG 的位姿估计算法

8.4 实验结果

本篇小结

参考文献

第三篇 深度学习技术在近距离相对导航中的应用

第 9 章 空间目标视觉测量相对导航应用

9.1 相对测量传感器及配置

9.1.1 相对测量传感器

9.1.2 相对测量传感器融合测量配置

9.2 相对导航滤波

9.2.1 相对运动动力学模型

9.2.2 相对导航滤波算法

9.3 相对制导控制方法

9.3.1 C?W 制导方法

9.3.2 视线导航控制技术

9.3.3 视觉伺服控制

第 10 章 视觉测量深度学习方法应用示例

10.1 目标检测识别应用

10.1.1 空间目标识别网络设计

10.1.2 仿真验证

10.2 目标位姿回归网络应用

10.2.1 关键点识别网络

10.2.2 卡曼滤波状态方程与观测方程

10.2.3 仿真验证

10.3 视觉测量模型在轨部署

本篇小结

参考文献

前言

近年来，以在轨维修、在轨组装、燃料加注和空间碎片清理为核心的在轨服务技术发展迅速，成为保证航天器在复杂空间环境中持久、稳定、高质量地在轨运行的重要手段。在轨操作能力是国家太空安全的重要支柱，也是航天技术可持续发展的技术支撑，具有重大的经济、政治、军事效益。

空间在轨精细操控关键能力可形象地概括为 “靠得近、看得清、抓得住”。“靠得近”，服务航天器首先需要在地面测控系统引导下进入目标航天器轨道附近；“看得清”，服务航天器需要利用自己携带的测量传感器，获得目标航天器的运动特性和规律，从而规划最终与目标交会的路径；“抓得住”，通过超近距离相对导航，控制服务航天器到达规划好的位置，对目标实施捕获 / 对接操作。因此，精确测量目标航天器与服务航天器之间的相对位姿信息是空间在轨操控任务实施的前提。

目前，空间相对测量的主要传感器包括微波雷达、激光雷达以及可见光相机、红外相机等，视觉传感器因其体积小、质量轻、成本低，广泛用于近距离位姿测量。在服务航天器超近距离接近目标阶段，视觉传感器是目标位姿测量的主要设备，而空间复杂光照条件和航天器高动态性对相对测量系统提出了巨大的挑战，要求测量系统具备动态性、连续性、稳定性和高更新率。近年来，随着人工智能（AI）技术的发展，大量的研究投入基于人工智能技术的视觉测量或多传感器融合测量方法中，旨在通过人工智能方法提供更好的测量动态性、鲁棒性和自主性。与此同时，传统的视觉测量方法也继续在一些场景中使用，或者与人工智能方法结合后取得了较大的性能提升。

本书面向空间在轨操作任务对目标相对位姿测量的需求，介绍了最新的人工智能技术如何应用于空间目标位姿测量，以及人工智能技术与传统滤波估计结合的方法和结果，将空间目标相对测量技术端到端地呈现给读者。

全书共 10 章。第 1 章绪论。第 2～5 章介绍视觉测量基本原理以及常用相机的基本测量方法，该部分内容是空间目标相对测量的基础。其中，第 2 章建立摄像机投影模型；第 3 章介绍单目相机测量原理及典型方法；第 4 章双目视觉测量，给出利用特征点匹配求解目标深度信息方法，利用点云匹配求解位姿变化方法以及基于靶标直线的矢量位姿求解方法；第 5 章 TOF 相机测量，给出 TOF 相机进行相对位姿测量的经典算法。第 6～8 章介绍基于人工智能技术的视觉测量或多传感器融合测量方法，介绍深度学习技术在目标位姿测量中的几种典型应用，分析深度学习技术是如何解决传统方法难以解决的难题，探讨深度学习技术提高目标测量性能的关键。其中，第 6 章给出测量数据集生成技术；第 7 章概述了基于卷积神经网络（Convolutional Neural Network，CNN）的位姿识别技术，介绍了几类深度学习方法，对每一类方法，给出了应用案例和测量结果；第 8 章介绍了强化学习在位姿测量中的方法和仿真结果。第 9～10 章介绍深度学习技术在相对导航中端到端的应用方案。其中，第 9 章介绍导航滤波技术，给出了相关动力学模型和观测模型；第 10 章主要展示近距离接近阶段将深度学习与卡尔曼滤波算法结合，估计目标相对位置和速度，以及相对姿态和角速度仿真示例。

本书作者是国内较早参与人工智能技术研究者之一，后在航天测控领域耕耘多年，近年来从事空间操控任务仿真、空间目标识别、空间目标相对测量技术研究，具有相关专业理论基础和丰富的实践经验，作者主导的某型视觉相对测量系统已完成工程样机研制和地面实验验证，相关方法应用和实践经验为编写本书奠定了坚实的基础。

本书注重基础理论与前沿研究成果的有机结合。内容既包括视觉测量的基本概念和基础理论，也包括近年来人工智能在视觉测量应用方面的最新成果，以及作者团队利用这些基础理论和最新方法解决具体问题的思路和算法，可供航空航天科学与技术、人工智能与计算机视觉等领域的科研与工程技术人员阅读参考，也可作为对航天器视觉测量感兴趣的高年级本科生和研究生的参考资料。在编著过程中深感个人能力局限，书中难免有疏漏和不妥之处，恳请广大读者批评指导。

作者

2025 年 10 月