空間目標(biāo)在軌狀態(tài)雷達(dá)成像估計技術(shù)綜述

周葉劍 馬 巖 張 磊 鐘衛(wèi)軍

①(浙江工業(yè)大學(xué) 杭州 310014)

②(北京跟蹤與通信技術(shù)研究所 北京 100094)

③(中山大學(xué) 廣州 510275)

④(西安衛(wèi)星測量中心 西安 710071)

1 引言

隨著航天技術(shù)的迅猛發(fā)展，世界各國加速對空間資源的開發(fā)建設(shè)，越來越多搭載高性能傳感設(shè)備的空間目標(biāo)被送入地球軌道，為軍事偵察、實時通訊、資源勘探等航天活動提供重要信息。截至2021年4月累積超過36,000個人造目標(biāo)被送入太空，其中超過22,000個目標(biāo)仍處于在軌運行狀態(tài)[1]。隨著以SpaceX公司“星鏈(Starlink)”計劃為首的商業(yè)航天活動興起，這一數(shù)字將持續(xù)上漲，空間軌道資源將被進一步壓縮，目標(biāo)間相互影響的風(fēng)險系數(shù)不斷增大，空間態(tài)勢安全面臨極大挑戰(zhàn)。2009年2月，美國商業(yè)衛(wèi)星“銥33”與俄羅斯軍用衛(wèi)星“宇宙2251”發(fā)生了首次人造衛(wèi)星相撞事件，碰撞所產(chǎn)生的碎片對其他臨近目標(biāo)構(gòu)成了極大威脅[2,3]。因而，對在軌空間目標(biāo)進行連續(xù)跟蹤監(jiān)測，進而分析其運行狀態(tài)是當(dāng)前空間態(tài)勢感知領(lǐng)域的迫切需求。

空間目標(biāo)在軌狀態(tài)信息的分析通常依賴傳感器的高質(zhì)量追蹤觀測。長期以來，各航天大國都在積極研發(fā)光電、紅外等高性能觀測設(shè)備[4–16]。其中，具備遠(yuǎn)距離、高分辨探測能力，同時具有全天時、全天候、主動式特點的地基逆合成孔徑雷達(dá)(Inverse Synthetic Aperture Radar,ISAR)是目前執(zhí)行該任務(wù)的中堅力量。早在1970年，美國MIT林肯實驗室根據(jù)Lincoln C波段ISAR成像雷達(dá)ALCOR實現(xiàn)蘇聯(lián)Salyut-1空間站、美國Skylab空間站等近地目標(biāo)的高分辨成像與狀態(tài)監(jiān)測[8,9]。相關(guān)工作成果極大地推動了空間目標(biāo)監(jiān)測技術(shù)的發(fā)展[10,11]。MIT林肯實驗室另一部Haystack雷達(dá)經(jīng)過數(shù)十年的升級改造，工作波段已達(dá)W波段(96 GHz)，帶寬拓展已至8 GHz，作用距離超過4×104km，是現(xiàn)役最高分辨率的地基ISAR空間目標(biāo)成像雷達(dá)。該雷達(dá)與HAX雷達(dá)以及距其實驗場32 km處的多部寬帶雷達(dá)組成了林肯空間監(jiān)視組合網(wǎng)[12]，融入了美國導(dǎo)彈防御、空間態(tài)勢感知體系。德國宇航局弗勞恩霍夫高頻物理與雷達(dá)技術(shù)研究所的跟蹤和成像雷達(dá)TIRA是歐洲航天局(European Space Agency,ESA)獲取低軌衛(wèi)星態(tài)勢的重要途徑，在一系列空間觀測活動中提供了高分辨的空間目標(biāo)成像結(jié)果[13–15]，如圖1所示。該系統(tǒng)天線可實現(xiàn)方位360°、俯仰90°的全空域掃描，且其方位維度360°環(huán)掃僅需15 s。此外，法國太空監(jiān)視雷達(dá)GRAVES、俄羅斯Voronezh雷達(dá)也是其他航天大國執(zhí)行空間目標(biāo)態(tài)勢感知任務(wù)的主要地基雷達(dá)設(shè)備。我國空間觀測ISAR設(shè)備研制與體系建設(shè)雖起步較晚但發(fā)展迅猛。1993年，第1臺地基ISAR系統(tǒng)由航天二院23所研制完成并投入使用。近幾十年來，中國電子科技集團、中國航天科工集團下屬各研究所、中國科學(xué)院、西安電子科技大學(xué)、國防科技大學(xué)、清華大學(xué)、北京理工大學(xué)等高校對空間觀測雷達(dá)體系開展了全方位的研究。目前，我國已初步建成了空間觀測雷達(dá)體系，具備一定的空間目標(biāo)跟蹤、識別、監(jiān)測能力。2018年4月對天宮一號“再入軌”的成功監(jiān)測標(biāo)志著我國空間態(tài)勢感知體系建設(shè)已邁入面向應(yīng)用需求的新階段[16]。

圖1 TIRA空間目標(biāo)成像觀測結(jié)果[13–15]Fig.1 ISAR imaging result of three space targets by TIRA system[13–15]

綜觀地基雷達(dá)設(shè)備建設(shè)及空間目標(biāo)狀態(tài)監(jiān)測技術(shù)發(fā)展，空間目標(biāo)ISAR成像探測研究重點已從高分辨追蹤成像逐步轉(zhuǎn)移至目標(biāo)成像信息參數(shù)化獲取上，期望在高分辨ISAR圖像中精確獲取空間目標(biāo)形狀、尺寸、散射機理等關(guān)鍵信息，為空間環(huán)境態(tài)勢研判、衛(wèi)星運行狀態(tài)調(diào)整、復(fù)雜空間協(xié)同活動提供技術(shù)支持。本文將根據(jù)現(xiàn)有空間雷達(dá)成像目標(biāo)在軌狀態(tài)估計方法特點，從數(shù)據(jù)特征關(guān)聯(lián)匹配、三維成像重建測姿和目標(biāo)狀態(tài)自估計3條典型技術(shù)途徑綜述該方向先進技術(shù)方法，同時對該方向未來發(fā)展進行展望。

2 數(shù)據(jù)特征關(guān)聯(lián)匹配技術(shù)

針對外部傳感設(shè)備觀測空間目標(biāo)場景，一類經(jīng)典目標(biāo)狀態(tài)估計方法通過計算機仿真模擬或?qū)崪y數(shù)據(jù)長期累積的方式建立目標(biāo)多類狀態(tài)下的觀測樣本集合，而后根據(jù)當(dāng)前觀測樣本在歷史數(shù)據(jù)集合內(nèi)最為相近的匹配結(jié)果確定目標(biāo)狀態(tài)參數(shù)。現(xiàn)階段，該方向工作主要基于一維的激光反射單元相對位置、雷達(dá)散射截面(Radar Cross Section,RCS)序列變化特征和二維的雷達(dá)成像形態(tài)特征開展，并在國內(nèi)外一些重要空間活動中得到了應(yīng)用，具體介紹如下。

2.1 一維相對位置特征匹配估計方法

通過激光傳感器測量空間目標(biāo)配備的角錐反射器(Corner Cubere Reflector,CCR)距離變化定目標(biāo)在軌運行狀態(tài)是一類常見的數(shù)據(jù)特征關(guān)聯(lián)匹配方法[17–20]。2013年至2015年，國際激光測距協(xié)會(International Laser Ranging Service,ILRS)曾組織全球各激光觀測站點對失聯(lián)的環(huán)境資源衛(wèi)星Envisat進行長達(dá)兩年的追蹤測量。如圖2所示，根據(jù)ESA公布的Envisat衛(wèi)星結(jié)構(gòu)，該衛(wèi)星搭載了由9個CCR組成的后向反射矩陣單元(Retroreflector Array,RRA)。韓國天文學(xué)和空間科學(xué)研究所的Kucharski、奧地利理工學(xué)院的Kirchner等人[17]根據(jù)該單元在衛(wèi)星整體內(nèi)相對位置變化獲得其姿態(tài)、運動參數(shù)，并進行長時間狀態(tài)的擬合與統(tǒng)計，如圖3、圖4所示。該方法在Kirchner等人[18]先前關(guān)于Ajisai在軌自旋運動分析的研究中已有體現(xiàn)，并在后續(xù)其他研究團隊關(guān)于Envisat運行狀態(tài)受重力梯度影響的研究中得到進一步應(yīng)用[19,20]。

圖2 Envisat與其搭載的RRA結(jié)構(gòu)模型(@ESA)Fig.2 Envisat and its RRA courtesy of ESA

圖3 2013年7月Graz站點Envisat衛(wèi)星CCR相對位置變化測量結(jié)果[17]Fig.3 Range residuals calculated for Envisat pass measured by Graz SLR station on July,2013[17]

圖4 2013年Envisat自旋周期變化趨勢分析[17](黑點為目標(biāo)真實自旋周期；灰點為Graz站觀測得到的CCR自旋周期)Fig.4 Spin period analysis of Envisat during year 2013[17](black points Inertial spin period) and (gray points apparent spin period)

與CCR一維相對距離測量類似，地基雷達(dá)測量獲取的RCS序列特征也被用于空間目標(biāo)在軌狀態(tài)的參數(shù)估計。西安衛(wèi)星測量中心的鐘衛(wèi)軍等人[21]提出通過目標(biāo)實際測量RCS序列與預(yù)先電磁仿真生成的RCS仿真序列進行特征匹配，采用混合粒子群優(yōu)化(Hybrid Particle Swarm Optimization,HPSO)算法來實現(xiàn)三軸穩(wěn)定目標(biāo)在軌參數(shù)的優(yōu)化求解。地面雷達(dá)站點RCS測量示意圖如圖5所示，目標(biāo)RCS實際測量與仿真對比結(jié)果如圖6所示。南京大學(xué)的呂江濤等人[22]在此基礎(chǔ)上對目標(biāo)在軌自旋情況下的姿態(tài)估計進行進一步拓展。

圖5 空間目標(biāo)地基雷達(dá)RCS測量觀測幾何Fig.5 RCS measuring geometry configuration of space targets via ground-based radar

圖6 實測RCS序列與角度優(yōu)化后RCS模板仿真結(jié)果對比[21]Fig.6 Comparison between the measured RCS sequences and the RCS sequences[21]

2.2 二維雷達(dá)成像特征匹配估計方法

MIT林肯實驗室較早開展了利用空間目標(biāo)雷達(dá)圖像獲取目標(biāo)的幾何拓?fù)浣Y(jié)構(gòu)特征的研究，并通過語義網(wǎng)絡(luò)實現(xiàn)目標(biāo)建模和數(shù)據(jù)積累建庫，實現(xiàn)面向空間態(tài)勢感知應(yīng)用的目標(biāo)分類識別。斯坦福大學(xué)的D’Amico等人[23]提出對比分析目標(biāo)3D模型與其星載雷達(dá)圖像間視覺特征進行目標(biāo)在軌狀態(tài)的判定，如圖7所示。并在后續(xù)工作提出通過仿真生成目標(biāo)ISAR圖像獲取其輪廓和邊界信息，并用傅里葉描述子將這些信息特征化從而建立基于相似度衡量的目標(biāo)分類識別模型[24,25]。

圖7 文獻(xiàn)[23]中的目標(biāo)姿態(tài)估計流程Fig.7 The flowchart of attitude estimation method in Ref.[23]

歐空局的Lemmens等人[26]結(jié)合TIRA雷達(dá)系統(tǒng)特點對合作目標(biāo)建立仿真圖像數(shù)據(jù)庫，通過實測圖像目標(biāo)輪廓信息在數(shù)據(jù)庫內(nèi)匹配搜索來確定其在軌姿態(tài)參數(shù)。該團隊基于該思路設(shè)計了一套工程化軟件系統(tǒng)，如圖8所示，應(yīng)用于Envisat等衛(wèi)星實際狀態(tài)監(jiān)測工作，并在后續(xù)研究中對精度影響因素進行討論[27]。西班牙GMV宇航公司的Avilés等人[28]則在目標(biāo)ISAR圖像特征匹配的基礎(chǔ)上，實現(xiàn)目標(biāo)狀態(tài)自動化測量，如圖9所示。此外，福建農(nóng)林大學(xué)的楊長才等人[29]提出利用目標(biāo)主體主軸方向和太陽能帆板的姿態(tài)空間約束關(guān)系，通過連續(xù)觀測圖像序列間變化特征匹配搜索實現(xiàn)目標(biāo)姿態(tài)估計。

圖8 MOWA目標(biāo)姿態(tài)擬合軟件處理界面[27]Fig.8 Graphical interface of MOWA target attitude fitting[27]

圖9 空間約束下的Envisat序列姿態(tài)關(guān)聯(lián)估計[28]Fig.9 Attitude estimation for Envisat sequence frames after constraining the search space[28]

總體而言，在處理觀測積累數(shù)據(jù)樣本充分的情況下，數(shù)據(jù)特征關(guān)聯(lián)匹配技術(shù)可以完成對空間目標(biāo)在軌姿態(tài)等狀態(tài)參數(shù)的有效估計。對于合作式目標(biāo)的長期監(jiān)測，這類方法處理過程相對簡便，因而應(yīng)用廣泛。但值得注意的是，該類方法難以適用于無法預(yù)先獲取目標(biāo)模型以及觀測數(shù)據(jù)積累有限的非合作目標(biāo)觀測場景。

3 三維成像重建測姿技術(shù)

三維成像重建測姿技術(shù)著眼于地基ISAR成像幾何建模，推導(dǎo)圖像內(nèi)目標(biāo)結(jié)構(gòu)形態(tài)與其真實三維空間分布間或直接或間接的數(shù)學(xué)表達(dá)，反演目標(biāo)在軌狀態(tài)參數(shù)。該類方法建立的物理模型一定程度上與計算機視覺領(lǐng)域研究相近，部分工作在雷達(dá)信息處理過程中借鑒了光學(xué)圖像解譯的成熟思路，亦為微波視覺領(lǐng)域研究提供了新視角[30,31]。

3.1 散射歷史矩陣分解重建技術(shù)

使用矩陣奇異值分解(Singular Value Decompose,SVD)進行目標(biāo)三維信息反演是一類常見手段，該類方法也常被稱為“因式分解(Factorization Method,FA)”算法。該類算法主要借鑒了計算機視覺領(lǐng)域經(jīng)典的“運動恢復(fù)結(jié)構(gòu)”(Structure From Motion,SFM)方法[32,33]，使用SVD算法對空間目標(biāo)雷達(dá)散射點觀測矩陣(如距離-多普勒歷史矩陣)進行分解，根據(jù)分解得到的結(jié)構(gòu)矩陣與測量矩陣推算目標(biāo)在三維空間內(nèi)的形狀、位置信息。1992年，康奈爾大學(xué)的Tomasi等人[34]根據(jù)光學(xué)相機透視成像特性，提出利用剛體目標(biāo)在正投影下光流影(Image Stream)的形狀與運動間聯(lián)系恢復(fù)目標(biāo)的三維結(jié)構(gòu)信息。2009年，美國空軍研究實驗室的Ferrara等人[35]首次將該思路借鑒至雷達(dá)圖像處理領(lǐng)域，利用矩陣因式分解的方式從雷達(dá)測量的目標(biāo)散射點一維斜距矩陣中恢復(fù)各散射點在真實三維空間內(nèi)的結(jié)構(gòu)信息，如圖10所示，并在該團隊后續(xù)研究中引入目標(biāo)特征級的先驗信息以提升算法的魯棒性[36]。

圖10 目標(biāo)散射點雷達(dá)一維距離序列錄取示意圖[35]Fig.10 Recording the distance sequence of target scattering points through radar ranging[35]

此后，澳大利亞通用動力先進信息系統(tǒng)公司的McFadden[37]將因式分解方法推廣至雷達(dá)成像二維觀測場景下，根據(jù)各散射點在ISAR圖像序列的二維坐標(biāo)信息計算其真實三維空間坐標(biāo)，并在艦船目標(biāo)實測數(shù)據(jù)上進行驗證，如圖11所示。復(fù)旦大學(xué)的王峰等人[38,39]將該方法應(yīng)用至稀疏成像場景，結(jié)合壓縮感知(Compressed Sensing,CS)技術(shù)將多角度稀疏ISAR圖像目標(biāo)散射點序列分解，而后完成目標(biāo)的三維重建，如圖12所示。

圖11 艦船目標(biāo)散射點三維重建結(jié)果[37]Fig.11 The scattering points reconstruction result of the ship[37]

圖12 稀疏觀測條件下航天飛機三維重建結(jié)果[38]Fig.12 The reconstruction result of shuttle in sparse observation[38]

需要指出的是，由于雷達(dá)、光學(xué)成像機理不盡相同，很難直接采用光學(xué)相機標(biāo)定的方式對目標(biāo)ISAR測量矩陣進行分析，進而導(dǎo)致了目標(biāo)態(tài)勢分析結(jié)果僅停留在目標(biāo)結(jié)構(gòu)分析階段，通過因式分解方法獲取散射點的位置信息仍需要額外的旋轉(zhuǎn)矩陣標(biāo)定。此外，該類方法一般基于多視角圖像內(nèi)目標(biāo)關(guān)鍵點準(zhǔn)確關(guān)聯(lián)的前提假設(shè)。而在實際空間目標(biāo)在軌姿態(tài)測量應(yīng)用場景下，如何解決因觀測視角變化引起目標(biāo)ISAR散射點特征在長時間ISAR觀測序列內(nèi)的起伏問題，即“角閃爍”現(xiàn)象(Angular Glint Phenomenon)[40,41]，是該類方法亟待突破的一個技術(shù)難點。

3.2 多通道ISAR干涉三維成像技術(shù)

合成孔徑雷達(dá)成像技術(shù)問世后不久，在其基礎(chǔ)上發(fā)展的干涉合成孔徑三維成像技術(shù)得到了各國研究機構(gòu)和工業(yè)部門的廣泛研究[42–44]。該技術(shù)利用多通道或者多航過的方式獲取觀測目標(biāo)上不同散射點在高程維度的差異，根據(jù)配準(zhǔn)后兩幅二維雷達(dá)圖像的相位差恢復(fù)各散射點的三維信息，廣泛應(yīng)用于星載SAR平臺對地測繪、災(zāi)害監(jiān)測等方向。隨著地基ISAR裝備的發(fā)展，干涉測量技術(shù)也被用于艦船目標(biāo)、空間目標(biāo)的識別與觀測應(yīng)用中。如圖13所示，美國MIT林肯實驗室使用由Haystack,HAX雷達(dá)及其他分布式接收站點組成的空間監(jiān)視組合網(wǎng)系統(tǒng)對低軌道空間目標(biāo)進行InISAR(Interferometric ISAR)測量[45,46]，其實驗結(jié)果如圖14所示。

圖13 美國MIT林肯實驗室空間目標(biāo)InISAR測量系統(tǒng)[45]Fig.13 The InISAR measuring system for space targets in MIT Lab[45]

圖14 SPASE衛(wèi)星三維干涉過程[46]Fig.14 The InISAR processing of SPASE satellite[46]

北京理工大學(xué)的趙莉芝等人[47]針對雙基觀測場景討論了十字形、L形天線的配置，并詳細(xì)分析了水平、垂直基線長度對散射體三維位置估計精度的影響。該團隊后續(xù)亦針對空間目標(biāo)觀測場景提出不同觀測弧段間的三維干涉成像方法[48]。西安電子科技大學(xué)的邵帥等人[49]結(jié)合稀疏觀測場景，提出利用Bayesian壓縮感知方法實現(xiàn)多通道ISAR成像空變誤差的高精度補償，提升多通道InISAR三維成像效果及抗噪穩(wěn)定性，并在實測Yake-42飛機數(shù)據(jù)上得到驗證，如圖15所示。對于空間目標(biāo)在軌姿態(tài)測量應(yīng)用，InISAR三維成像結(jié)果可以提供給定坐標(biāo)系下的目標(biāo)瞬時三維點云模型，并在此基礎(chǔ)上應(yīng)用點云分析方法可獲取三維點云內(nèi)目標(biāo)姿態(tài)等狀態(tài)參數(shù)。但受地基空間目標(biāo)InISAR設(shè)備基線長度、人造目標(biāo)散射點干涉相位處理方法等的限制，如何獲取高精度空間目標(biāo)稠密點云仍是當(dāng)前該方向研究的一大難題。

圖15 Yake-42干涉ISAR三維成像結(jié)果[49]Fig.15 The InISAR 3D imaging result of Yake-42[49]

3.3 雷達(dá)投影成像結(jié)構(gòu)反演技術(shù)

通過建立目標(biāo)在軌狀態(tài)與其ISAR圖像特征間數(shù)學(xué)表達(dá)進行空間目標(biāo)狀態(tài)參數(shù)估計是本領(lǐng)域另一個重要發(fā)展方向。2001年，MIT林肯實驗室的Mayhan等人[50]結(jié)合幾何衍射理論(Geometrical Theory of Diffraction,GTD)提出目標(biāo)ISAR成像過程可理解為目標(biāo)三維散射點在二維雷達(dá)成像平面上的垂直投影變換。如圖16所示，空間目標(biāo)地基ISAR成像觀測過程可以使用目標(biāo)本體坐標(biāo)系下維度為2×3 的投影矩陣A進行描述。在此基礎(chǔ)上，西安電子科技大學(xué)的張磊、周葉劍等人[51]建立了目標(biāo)三軸穩(wěn)定情況下的在軌姿態(tài)參數(shù)及其典型矩形部件在ISAR觀測圖像序列內(nèi)投影形態(tài)間的顯式表達(dá)，并根據(jù)序列內(nèi)部件結(jié)構(gòu)平行四邊形特征連續(xù)變化規(guī)律求解目標(biāo)在軌姿態(tài)參數(shù)。圖17中，根據(jù)目標(biāo)姿態(tài)估計結(jié)果可在給定觀測視角內(nèi)重建觀測圖像序列，進而與原始圖像序列進行視覺對比定性驗證了估計結(jié)果的可靠性。

圖16 ISAR投影成像模型Fig.16 The geometrical model of ISAR projection imaging

圖17 原始觀測序列與估計重建圖像序列對比[51]Fig.17 The comparison between the original observation sequence and the reproduced sequence with estimated attitude parameters[51]

在此基礎(chǔ)上，國防科技大學(xué)的王志會等人[52]提出結(jié)合ISAR成像投影模型，根據(jù)空間目標(biāo)在ISAR觀測圖像序列內(nèi)的線結(jié)構(gòu)差分投影特征進行目標(biāo)在軌姿態(tài)參數(shù)優(yōu)化估計。中山大學(xué)的謝鵬飛等人[53]提出基于關(guān)鍵點提取的空間目標(biāo)姿態(tài)自動化估計方法，首次將深度學(xué)習(xí)技術(shù)應(yīng)用于空間目標(biāo)ISAR圖像特征的提取，通過關(guān)鍵點估計網(wǎng)絡(luò)(Key Point Extraction Network,KPEN)從ISAR圖像序列中提取目標(biāo)關(guān)鍵結(jié)構(gòu)點，實現(xiàn)空間目標(biāo)姿態(tài)和部件尺寸的自動化估計，并在電磁仿真ISAR圖像序列中得到了驗證，如圖18所示。

圖18 KPEN關(guān)鍵點提取流程[53]Fig.18 Target scattering point extraction using KPEN[53]

此外，為解決失穩(wěn)目標(biāo)瞬時姿態(tài)估計問題，西安電子科技大學(xué)的張磊、周葉劍等人[54,55]在后續(xù)研究中引入多站地基ISAR同步觀測、同站雷達(dá)-光學(xué)異視觀測模式，以此解決因目標(biāo)在軌自旋帶來的ISAR成像幾何標(biāo)定困難問題，實現(xiàn)失穩(wěn)目標(biāo)在軌狀態(tài)信息的精細(xì)化估計。如圖19所示，多站地基ISAR同步觀測方式利用雷達(dá)圖像特有的多普勒維度信息與目標(biāo)雷達(dá)間相對運動的直接聯(lián)系，分步實現(xiàn)目標(biāo)瞬時姿態(tài)與自旋運動的參數(shù)估計，驗證了雷達(dá)傳感器在空間自旋目標(biāo)狀態(tài)感知應(yīng)用上的“天然優(yōu)勢”[54]。雷達(dá)-光學(xué)異視指在相同視角觀測得到光學(xué)成像平面和雷達(dá)成像平面始終正交。如圖20所示，同一觀測視角下這兩個成像平面在空間中互相垂直，目標(biāo)在這兩類圖像內(nèi)投影信息互補[55]。這種光電聯(lián)合觀測策略在不增加觀測站點的情況下有效解決了單站單傳感器觀測的角度局限性，可以廣泛應(yīng)用于各類多傳感信息融合任務(wù)。

圖19 多站ISAR同步成像瞬時姿態(tài)測量[54]Fig.19 Target instantaneous attitude estimation via multiple-station ISAR imaging[54]

圖20 同視角光電成像瞬時姿態(tài)測量[55]Fig.20 Target instantaneous attitude estimation via optical-and-radar joint imaging[55]

另外，針對ISAR圖像序列相位信息的解譯也是該成像結(jié)構(gòu)反演方向的一個重要研究內(nèi)容。日本三菱電機公司的Suwa等人[56]提出利用多視角ISAR對目標(biāo)進行序列成像，根據(jù)多組圖像內(nèi)散射點特征變化來估計目標(biāo)的轉(zhuǎn)動參數(shù)和散點位置。與InISAR干涉相位解算散射點高程信息不同，該方法將多站觀測間的相位差用于估計目標(biāo)運動。西安電子科技大學(xué)的張磊、周葉劍等人[57,58]類比光學(xué)圖像因景深產(chǎn)生的散焦現(xiàn)象，將ISAR成像散焦現(xiàn)象與目標(biāo)雷達(dá)間相對運動補償過程聯(lián)系起來，提出了利用回波二次相位系數(shù)解算目標(biāo)在軌姿態(tài)參數(shù)，并將其推廣至面向非平穩(wěn)目標(biāo)的多站聯(lián)合測量模式。這一方式實現(xiàn)了ISAR圖像二次相位的“變廢為寶”，為雷達(dá)成像、圖像解譯等相關(guān)領(lǐng)域研究提供了一個新的視角與思路。

但無論是基于目標(biāo)ISAR圖像投影形態(tài)特征還是相位特征的結(jié)構(gòu)反演技術(shù)在實際應(yīng)用過程中均對地基雷達(dá)成像觀測孔徑流形提出較高要求。尤其是通過圖像序列估計目標(biāo)在軌參數(shù)時，觀測視角在距離、方位兩個維度的變化幅度失配將直接影響最終結(jié)果的準(zhǔn)確性。因而，該類方法需要面向?qū)嶋H觀測場景結(jié)合目標(biāo)軌道運動模型進行進一步優(yōu)化。

4 目標(biāo)狀態(tài)自估計更新技術(shù)

“自估計(Ego-motion Estimation)”技術(shù)主要通過分析目標(biāo)傳遞到地面觀測站點的自身INS(Inertial Navigation Systems),GPS (Global Positioning System)播報或?qū)Φ剡b感圖像等觀測數(shù)據(jù)來判定目標(biāo)在軌狀態(tài)。應(yīng)用傳感器測量數(shù)據(jù)的方法多采用如Kalman濾波等算法對目標(biāo)進行狀態(tài)估計、更新與控制。1982年，NASA Goddard航天飛行中心的Lefferts等人[59]較為全面地總結(jié)了在配備三軸陀螺儀和姿態(tài)傳感器條件下的適用于空間目標(biāo)姿態(tài)控制的估計方法。后續(xù)該類方法得到持續(xù)研究[60–65]，如紐約州立大學(xué)的Kim等人[60]根據(jù)光學(xué)傳感器獲取的目標(biāo)視角信息與陀螺儀測量值，結(jié)合動力學(xué)模型在擴展卡爾曼濾波框架下估計目標(biāo)相對姿態(tài)、位置和陀螺儀偏差。而應(yīng)用目標(biāo)觀測數(shù)據(jù)的方法則在研究思路上與同步定位與建圖(Simultaneous Localization and Mapping,SLAM)問題相近，通過目標(biāo)自身觀測數(shù)據(jù)與場景真實空間先驗構(gòu)建目標(biāo)觀測狀態(tài)評估方案。意大利波倫亞大學(xué)的Carozza等人[66]針對空間衛(wèi)星對地觀測場景，提出根據(jù)目標(biāo)傳回地表圖像與理論模擬圖像間的差異對目標(biāo)在軌姿態(tài)進行估計與評估，如圖21所示?，F(xiàn)階段，這一類視覺方法研究重心在于圖像特征層面的表述與相似度評價[67,68]?？偟膩砜?，自估計方法在實際中多適用于存在目標(biāo)與觀測者穩(wěn)定通信的合作目標(biāo)態(tài)勢感知，目標(biāo)狀態(tài)估計精度取決于傳遞信息的準(zhǔn)確性，但對于非合作目標(biāo)或失控、失聯(lián)目標(biāo)觀測分析精度受限。

圖21 文獻(xiàn)[66]中的目標(biāo)姿態(tài)估計流程Fig.21 The flowchart of attitude estimation method in Ref.[66]

5 總結(jié)與展望

地基ISAR系統(tǒng)通過窄帶精密跟蹤、寬帶高分辨成像的工作模式，可全天時、全天候地為空間目標(biāo)狀態(tài)分析工作提供高質(zhì)量的觀測支持。本文結(jié)合地基ISAR雷達(dá)設(shè)備發(fā)展，對空間雷達(dá)成像目標(biāo)在軌狀態(tài)估計技術(shù)進行了歸納總結(jié)，介紹了3種現(xiàn)有在軌目標(biāo)狀態(tài)信息獲取的技術(shù)思路，展示了相關(guān)具有代表性的研究成果，并對其特點進行簡要論述。

(1) 數(shù)據(jù)特征匹配技術(shù)主要依賴現(xiàn)有觀測數(shù)據(jù)積累，多適用于已知目標(biāo)觀測場景；

(2) 三維成像重建測姿技術(shù)立足于ISAR成像幾何模型，可用于非合作目標(biāo)監(jiān)測，但對ISAR圖像特征處理要求較高；

(3) 狀態(tài)自估計技術(shù)則采用了目標(biāo)與觀測者間數(shù)據(jù)通信的主動式狀態(tài)更新，僅限于合作目標(biāo)監(jiān)測。

近年來，隨著各國航天活動日趨頻繁，復(fù)雜空間環(huán)境下合作、非合作空間目標(biāo)實時狀態(tài)監(jiān)測需求愈發(fā)凸顯。如何快速地處理地基觀測成像處理數(shù)據(jù)，獲取精細(xì)化的目標(biāo)在軌狀態(tài)信息仍是一大挑戰(zhàn)。從現(xiàn)階段目標(biāo)在軌狀態(tài)估計的研究基礎(chǔ)來看，以下方面仍需展開深入研究：

(1) 多源傳感器成像信息融合：對于空間目標(biāo)觀測場景，傳感器成像幾何流形是感知目標(biāo)狀態(tài)的核心資源。多站聯(lián)合成像的方式通過直接增加觀測角度資源，實現(xiàn)了觀測資源調(diào)度的“以‘空間’換取‘時間’”；而光學(xué)-雷達(dá)成像融合的方式則是突破了單類傳感器觀測視角的局限性，實現(xiàn)同視角下光學(xué)-雷達(dá)感知互補。這兩條技術(shù)思路有望成為未來空間態(tài)勢感知網(wǎng)絡(luò)體系建設(shè)的核心內(nèi)容，相關(guān)的理論知識以及工程設(shè)備將會是學(xué)術(shù)界以及各國工業(yè)部門在空間態(tài)勢感知領(lǐng)域的發(fā)展重心，有深入研究的價值。

(2) 目標(biāo)成像信息智能化解譯：現(xiàn)階段空間目標(biāo)狀態(tài)估計過程中，對于ISAR圖像特征的提取大多依賴人工參與，對目標(biāo)結(jié)構(gòu)先驗需求偏高，在處理大數(shù)據(jù)量、多種類目標(biāo)的連續(xù)觀測任務(wù)中面臨挑戰(zhàn)。另外，隨著深度學(xué)習(xí)等機器學(xué)習(xí)技術(shù)在雷達(dá)成像增強、目標(biāo)識別等方面研究的日趨成熟，深度利用機器學(xué)習(xí)技術(shù)解決目標(biāo)成像特征自動提取、準(zhǔn)確關(guān)聯(lián)識別問題有望成為目標(biāo)成像信息智能解譯的一條潛在途徑。從現(xiàn)階段研究基礎(chǔ)來看，該方向的未來研究需要圍繞著仿真圖像訓(xùn)練結(jié)果如何遷移至實測數(shù)據(jù)處理應(yīng)用這一技術(shù)難點進行探究。