适用于非合作目标捕获的轻量级位姿估计网络

空间非合作目标的增多导致太空安全受到严重威胁,对非合作目标进行捕获回收具有维护空间安全、节约资源等现实意义。非合作目标捕获回收需要进行位姿估计,而目前在硬件资源有限的航天器平台上,现有的大多数非合作目标位姿估计算法无法同时满足及时性和准确性的要求。设计一种超轻量级目标检测网络YOLO-GhostECA,利用GhostBottleneck网络减少特征图冗余,并使用高效注意力机制提取核心特征图,以降低模型参数,在提升运算速度的同时保证精度水平几乎不下降。根据YOLO-GhostECA网络的检测结果粗略估计姿态,以协助机械臂更加合理地执行智能捕获任务,解决2D识别算法无法检测出物体姿态的问题。在7自由度冗余机械臂上开展的空间非合作目标捕获地面模拟的实验结果表明,与YOLOv5s网络相比,该网络模型大小减小了80.4%,运算复杂度降低了78.9%,而精度基本保持不变,可准确快速地对非合作目标进行位姿估计,能够引导机器人成功捕获非合作物体。     

结合IMask R-CNN的绳驱机械臂视觉抓取方法研究

绳驱超冗余机械臂具有灵活性强、工作空间大等特点,在航天活动中可替代宇航员进行各种航空作业.以空间飞行器在轨维修为研究背景,模拟其实验环境,设计了一套基于RGB-D的可移动绳驱超冗余机械臂定位抓取系统.首先改进了Mask R-CNN算法,在保证检测精度的同时降低模型尺寸,通过Intel RealSense D435 i采集图像输入到目标检测模型得到目标的类别和位置信息,进一步利用自适应末端位置更新算法递推机械臂的正逆运动学模型,并结合轨迹规划完成目标的三维空间定位和抓取.实验结果表明,改进后的Mask R-CNN算法能在保证精度的情况下有效地降低模型尺寸,抓取系统的逆运动学求解速度快,具有较好的定位精度,能够有效地完成飞行器抓取的任务.