適用于非合作目標(biāo)捕獲的輕量級位姿估計(jì)網(wǎng)絡(luò)

蔣 明，陳 雨，周青華，袁 媛，何世瓊

（1.四川大學(xué) 電子信息學(xué)院，成都 610065；2.四川大學(xué) 空天科學(xué)與工程學(xué)院，成都 610065）

0 概述

隨著人類開發(fā)太空進(jìn)程的加快，大量衛(wèi)星、火箭等航天器被發(fā)射到太空中執(zhí)行各項(xiàng)任務(wù)，但由于航天器可能會面臨意外故障、燃料耗盡等問題，導(dǎo)致這些航天器由合作目標(biāo)轉(zhuǎn)化成非合作目標(biāo)，威脅著太空安全。因此，回收這些非合作目標(biāo)具有維護(hù)空間安全及節(jié)約資源的現(xiàn)實(shí)意義［1］。研究人員提出在軌服務(wù)技術(shù)［2］，利用空間特種機(jī)器人來完成在軌維修、清理空間碎片等高危險性空間任務(wù)，其中，非合作目標(biāo)捕獲是在軌服務(wù)技術(shù)的一項(xiàng)關(guān)鍵技術(shù)。在特種機(jī)器人對非合作目標(biāo)實(shí)施在軌抓捕之前，需要對目標(biāo)航天器進(jìn)行識別與定位，為下一步捕獲任務(wù)做準(zhǔn)備。但是在太空環(huán)境中，相機(jī)對太陽光照等外界信息非常不敏感，且機(jī)器人面臨的是未知的非結(jié)構(gòu)化環(huán)境，傳統(tǒng)的目標(biāo)檢測算法需要人為提取特征，泛化能力較差，在非合作目標(biāo)檢測任務(wù)上表現(xiàn)不佳。

自2012 年卷積神經(jīng)網(wǎng)絡(luò)CNN 被應(yīng)用于圖像處理領(lǐng)域并一舉奪得ImageNet 圖像識別比賽冠軍之后［3］，基于CNN 的目標(biāo)檢測算法進(jìn)入了快速發(fā)展階段。由于其具有自動提取特征、泛化能力強(qiáng)、穩(wěn)定性好等優(yōu)點(diǎn)，因此在非結(jié)構(gòu)化環(huán)境中表現(xiàn)了巨大的優(yōu)勢?；贑NN 的目標(biāo)檢測算法大致可以分成2 大類型：第1 類是以區(qū)域推薦法獲取不同尺寸的二階段網(wǎng)絡(luò)，其精度較高，但由于需要產(chǎn)生大量候選框，所以速度慢，實(shí)時性較差，主要代表算法有R-CNN［4］、Fast-RCNN［5］、Mask-RCNN［6］等；第2 類是一階段網(wǎng)絡(luò)，直接端到端進(jìn)行預(yù)測，不需要區(qū)域推薦，直接回歸產(chǎn)生物體的類別概率和位置信息，因此速度快，模型較小，但精度相對較低，代表性的算法有YOLO［7］、SSD［8］。

大部分空間非合作目標(biāo)的運(yùn)動規(guī)律是未知的，甚至很大可能是高速運(yùn)動的，且均具有一定的非合作性。受機(jī)載處理器計(jì)算能力的限制，非合作目標(biāo)的復(fù)雜識別算法無法在航天器上獨(dú)立完成［9］，圖像處理算法的設(shè)計(jì)和實(shí)現(xiàn)面臨著準(zhǔn)確性、及時性和小型化的矛盾，因此對空間機(jī)器人非合作目標(biāo)抓捕任務(wù)的目標(biāo)檢測算法準(zhǔn)確性和實(shí)時性均提出了較高要求［10］。此外，傳統(tǒng)的2D 目標(biāo)檢測只能得到空間位置，無法估計(jì)物體的姿態(tài)，不太適用于機(jī)械臂捕獲操作。針對這些問題，YU 等［11］提出利用檢測目標(biāo)矩形框長寬比進(jìn)行抓取姿態(tài)的粗略估計(jì)，但沒有考慮目標(biāo)物體位置對捕獲姿態(tài)的影響，且估算姿態(tài)太過簡單，很多估計(jì)情況不符合現(xiàn)實(shí)場景。

本文基于YOLO 設(shè)計(jì)一種YOLO-GhostECA 網(wǎng)絡(luò)，通過GhostBottleneck 網(wǎng)絡(luò)減少特征圖冗余，并利用高效通道注意力模塊ECA 提取核心特征圖，從而在保持檢測精度不下降的同時，提升檢測速度及降低模型大小。此外，提出一種定性估計(jì)非合作目標(biāo)抓取姿態(tài)的方法，以彌補(bǔ)傳統(tǒng)2D 目標(biāo)檢測算法無法估計(jì)抓取姿態(tài)的缺陷。

1 輕量級目標(biāo)檢測識別

1.1 YOLOv5s 目標(biāo)檢測網(wǎng)絡(luò)

由于YOLO 網(wǎng)絡(luò)兼顧實(shí)時性和準(zhǔn)確性，因此成為了工業(yè)界落地最好的目標(biāo)檢測網(wǎng)絡(luò)之一，在這之后相繼提出了YOLOv2［12］、YOLOv3［13］、YOLOv4［14］以及各種YOLO 網(wǎng)絡(luò)的變種。GLENN 等［15］開發(fā)出的YOLOv5，成為YOLO 網(wǎng)絡(luò)實(shí)現(xiàn)版本中最優(yōu)秀的網(wǎng)絡(luò)之一。YOLOv5s 網(wǎng)絡(luò)由骨干網(wǎng)絡(luò)、瓶頸層、檢測層3 大模塊組成，如圖1 所示。

圖1 YOLOv5s 網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 Network model structure of YOLOv5s

骨干網(wǎng)絡(luò)的主要作用是提取特征，由Focus［16］、CSPDarknet53［14］、SPP［17］組成。其中Focus 為切片操作，能夠替換卷積操作，減少卷積所造成的特征信息損失。CSPDarknet53 主要進(jìn)行網(wǎng)絡(luò)特征提取，該網(wǎng)絡(luò)由跨層局部連接CSP［18］構(gòu)建而成，可以增加網(wǎng)絡(luò)提取特征的能力，降低計(jì)算瓶頸和內(nèi)存成本。SPP是空間特征金字塔池化結(jié)構(gòu)，此結(jié)構(gòu)能擴(kuò)大感受野，實(shí)現(xiàn)局部和全局特征融合，豐富特征圖的信息。

瓶頸層用來融合不同尺寸特征圖及提取高層語義特征，由PANet網(wǎng)絡(luò)組成。PANet網(wǎng)絡(luò)可以將特征圖自上而下以及自下而上進(jìn)行特征融合，以減少信息損失［19］。

檢測層將瓶頸層產(chǎn)生的高層語義特征用于分類和回歸出物體的類別和位置，由YOLOv3Head［13］組成。YOLOv3Head 有3 個檢測頭，分別可以檢測大、中、小物體，很好地克服了一階段檢測小物體精度低的缺點(diǎn)。

1.2 YOLO-GhostECA 輕量級目標(biāo)檢測網(wǎng)絡(luò)

傳統(tǒng)的深度卷積網(wǎng)絡(luò)模型一般使用大量常規(guī)卷積對圖像進(jìn)行特征提取，但這需要消耗大量的算力。2020 年1 月，華為諾亞方舟實(shí)驗(yàn)室HAN 等［20］在觀測常規(guī)卷積中間特征圖時發(fā)現(xiàn)很多通道的特征圖十分相似，這說明利用常規(guī)卷積提取出來的特征圖在一定程度上是存在冗余的。他們猜想并不需要進(jìn)行完整的卷積運(yùn)算得到需要的特征圖，而只需要用常規(guī)卷積去獲取一部分特征圖即可，因此提出了GhostNet 網(wǎng)絡(luò)。該網(wǎng)絡(luò)可以用更少的參數(shù)來生成更多特征，能夠減少特征圖冗余，從而達(dá)到減少網(wǎng)絡(luò)模型大小和計(jì)算量的目的。GhostNet 網(wǎng)絡(luò)的相關(guān)結(jié)構(gòu)原理如圖2 所示，其中，圖2（b）的GhostBottleneck 由圖2（a）的GhostModule 網(wǎng)絡(luò)構(gòu)成，GhostNet 網(wǎng)絡(luò)由圖2（b）的GhostBottleneck 網(wǎng)絡(luò)構(gòu)成。

圖2 GhostModule 網(wǎng)絡(luò)及GhostBottleneck 網(wǎng)絡(luò)的結(jié)構(gòu)Fig.2 Network structure of GhostModule and GhostBottleneck

GhostModule 網(wǎng)絡(luò)的具體實(shí)現(xiàn)原理如圖2（a）所示，與常規(guī)卷積不同的是它只需要利用常規(guī)卷積運(yùn)算得到半數(shù)通道的特征圖，使用一系列廉價的線性運(yùn)算對這半數(shù)通道的特征圖進(jìn)行處理，并生成幻影特征圖，最后將生成的幻影特征圖與原始卷積得到的半數(shù)通道特征圖合并，構(gòu)成與常規(guī)卷積相同通道數(shù)的特征圖，此特征圖可以近似于原始的完整特征圖，但是計(jì)算量和參數(shù)量卻減少了很多。此外，HAN等利用GhostModule 網(wǎng)絡(luò)設(shè)計(jì)了圖2（b）中2 種GhostBottleneck 網(wǎng)絡(luò)結(jié)構(gòu)，其中 stride=1 的GhostBottleneck 網(wǎng)絡(luò)與步長為1 的CSPConv 網(wǎng)絡(luò)效果相同，stride=2 的GhostBottleneck 與步長為2 的CSPConv 網(wǎng)絡(luò)效果相同，因此GhostBottle 網(wǎng)絡(luò)可以替換常規(guī)卷積在網(wǎng)絡(luò)模型中進(jìn)行特征提取。本文利用GhostBottleneck 網(wǎng)絡(luò)替換CSPBottleneck 網(wǎng)絡(luò)，并重新構(gòu)建出了GhostDarknet 網(wǎng)絡(luò)作為YOLO-Ghost的主干網(wǎng)絡(luò)。為進(jìn)一步提升精度，本文引入了高效通道注意力（Efficent Channel Attention，ECA）［21］模塊，并將ECA 應(yīng)用于PANet 網(wǎng)絡(luò)中，形成具有注意力機(jī)制的PANet 網(wǎng)絡(luò)，即ECA-PANet 結(jié)構(gòu)。該結(jié)構(gòu)能夠加強(qiáng)特征融合，在獲得更多想要的圖像特征的同時，忽略不需要的特征，與其他通道注意力模塊相比，ECA 模塊可以在不引入多余參數(shù)進(jìn)行計(jì)算的情況下，提升模型的精度。

以YOLOv5s 網(wǎng)絡(luò)為基礎(chǔ)，結(jié)合上述提出的幾個新型模塊構(gòu)建出了新型輕量級目標(biāo)檢測網(wǎng)絡(luò)YOLO-GhostECA，該網(wǎng)絡(luò)可以利用少量的參數(shù)獲取更多需要的特征圖，其結(jié)構(gòu)如圖3 所示。

圖3 YOLO-GhostECA 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure of YOLO-GhostECA

1.3 YOLO-GhostECA 網(wǎng)絡(luò)的損失函數(shù)

原YOLOv5 中IoU 損失函數(shù)使用的是GIoUloss，但其只考慮到了重疊區(qū)域和非重疊區(qū)域，沒有考慮矩形框?qū)oU 的影響。因此YOLO-GhostECA使用Complete-IoU（CIoU）［22］損失函數(shù)，該損失函數(shù)同時考慮到了矩形框的長寬比、目標(biāo)與anchor 之間的距離、重疊率、尺度等因素，這可以進(jìn)一步提高模型的性能，加快損失函數(shù)收斂。CIoU 損失函數(shù)如式（1）所示：

其中：α是權(quán)重函數(shù)。

計(jì)算方法如式（2）所示：

其中：υ是度量長寬比的相似性。

υ的計(jì)算公式如式（3）所示：

其中：ρ（b，bgt）代表計(jì)算預(yù)測框中心點(diǎn)b和真實(shí)框中心點(diǎn)bgt的歐氏距離；c表示能夠同時包含預(yù)測框和真實(shí)框的最小閉包區(qū)間的對角線距離。

2 空間定位與姿態(tài)估計(jì)

2.1 空間定位

上述目標(biāo)檢測算法只能獲得非合作目標(biāo)在圖像坐標(biāo)系中的位置，但是機(jī)械臂抓取目標(biāo)需要基于自身基座坐標(biāo)系下的三維點(diǎn)信息。為完成抓取任務(wù)，還需建立相機(jī)成像模型，如圖4 所示，其中：OcXcYcZc是相機(jī)坐標(biāo)系；OpXpYp是圖像坐標(biāo)系；OwXwYwZw是世界坐標(biāo)系；P（xw，yw，zw）是物體在世界坐標(biāo)系下的坐標(biāo)；P（u，v）是物體在像素坐標(biāo)系下的坐標(biāo)。

圖4 相機(jī)成像模型Fig.4 Camera imaging model

借助相機(jī)成像模型可建立目標(biāo)檢測得到的二維圖像坐標(biāo)和機(jī)械臂抓取的三維世界坐標(biāo)之間的映射關(guān)系，如式（4）所示：

其中：M1是攝像機(jī)內(nèi)部參數(shù)矩陣，用來將像素坐標(biāo)轉(zhuǎn)化到相機(jī)坐標(biāo)系下，是一個由二維轉(zhuǎn)三維的過程，可由相機(jī)標(biāo)定張正友棋盤格標(biāo)定法［23］得到；M2是攝像機(jī)外部參數(shù)矩陣，能夠?qū)⑾鄼C(jī)坐標(biāo)轉(zhuǎn)化到世界坐標(biāo)系下（本文的世界坐標(biāo)系定義在機(jī)械臂的基礎(chǔ)坐標(biāo)系處），一般由手眼標(biāo)定［24］得到；zc是深度值，由Intel Rense D435i 深度相機(jī)根據(jù)結(jié)構(gòu)光與雙目立體視覺融合的混合測距技術(shù)實(shí)時計(jì)算得到。當(dāng)知道以上相關(guān)參數(shù)和目標(biāo)檢測得到的物體像素坐標(biāo)后，即可使用式（4）完成對目標(biāo)物體的空間定位。

2.2 姿態(tài)估計(jì)

空間定位可以得到目標(biāo)物體的三維空間坐標(biāo)，但為了合理引導(dǎo)機(jī)器人捕獲目標(biāo)物體，姿態(tài)估計(jì)是一個重要的過程。事實(shí)上，目標(biāo)檢測得到的結(jié)果數(shù)據(jù)中已經(jīng)包含了一些物體的姿態(tài)信息，例如當(dāng)物體呈現(xiàn)不同姿態(tài)時，其檢測得到的矩形框尺寸比例將呈現(xiàn)不同的數(shù)值。為進(jìn)一步利用目標(biāo)檢測的結(jié)果，本文提出一種通過目標(biāo)檢測得到的非合作目標(biāo)信息（u，v，w，h，class）來粗略預(yù)估機(jī)械臂抓取姿態(tài)的新型方法。該方法將抓取姿態(tài)Φ大致分成了6 種，即中正抓姿態(tài)ΦA(chǔ)、中偏抓姿態(tài)ΦB、上抓姿態(tài)ΦC、下抓姿態(tài)ΦD、左抓姿態(tài)ΦE和右抓姿態(tài)ΦF。估算的6種抓取姿態(tài)的姿態(tài)參數(shù)如表1所示。

表1 6 種抓取姿態(tài)的相關(guān)參數(shù)（繞固定軸旋轉(zhuǎn)）Table 1 6 parameters related to grasping attitude（rotating around a fixed axis） （°）

目標(biāo)物體的抓取姿態(tài)Φ可以由式（5）和式（6）估計(jì)確定：

式（5）是計(jì)算矩形寬高比例的公式，其中：Ow為矩形框的寬；Oh為矩形框的高。式（6）是計(jì)算目標(biāo)物體抓取姿態(tài)的公式，其中：u、v為目標(biāo)檢測得到的物體像素坐標(biāo)；r1、r2為常數(shù)，可以根據(jù)實(shí)際物體class 的長寬比例進(jìn)行粗略計(jì)算，多個物體即有多個值；Vs用來確定抓取的上下姿態(tài)；Us用來確定抓取的水平方向的姿態(tài)，這2 個參數(shù)可以將笛卡爾空間劃分成4 個區(qū)域，根據(jù)目標(biāo)檢測像素點(diǎn)的位置可判定物體處在4 個區(qū)域中的位置，Us、Vs的值取決于相機(jī)與機(jī)械臂末端初始位置的空間幾何關(guān)系，即機(jī)械臂在初始位置時在相機(jī)像素坐標(biāo)系下的映射點(diǎn)坐標(biāo)。

6 種抓取姿態(tài)的估計(jì)示意圖如圖5 所示。

圖5 6 種抓取姿態(tài)的估計(jì)示意圖Fig.5 Schematic diagram of estimation of six grasping postures

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)仿真系統(tǒng)

本文利用7 自由度機(jī)械臂等設(shè)備搭建了地面仿真實(shí)驗(yàn)平臺。實(shí)驗(yàn)中先將航天器模型用細(xì)繩系緊，懸掛于空中，并將實(shí)驗(yàn)室的燈熄滅，只留1 個補(bǔ)光燈，給非合作目標(biāo)補(bǔ)光，以此來模擬太空環(huán)境暗黑失重環(huán)境。實(shí)驗(yàn)仿真流程如圖6 所示，先使用YOLOGhostECA 進(jìn)行非合作目標(biāo)識別，再根據(jù)目標(biāo)檢測結(jié)果使用第2 節(jié)的方法估計(jì)物體的位姿，最后將估計(jì)的目標(biāo)物體位姿信息（x，y，z，W，P，R）傳送給機(jī)械臂的控制器，機(jī)械臂控制器控制電機(jī)進(jìn)行相應(yīng)驅(qū)動，即可對目標(biāo)物體進(jìn)行捕獲操作。本文所有實(shí)驗(yàn)均在表2 所示實(shí)驗(yàn)條件下進(jìn)行。

圖6 實(shí)驗(yàn)仿真流程Fig.6 Procedure of experimental simulation

表2 實(shí)驗(yàn)參數(shù)Table 2 Experimental parameters

3.2 非合作目標(biāo)識別

非合作目標(biāo)識別的具體步驟如下：

步驟1數(shù)據(jù)集的制作。由于目前沒有非合作目標(biāo)航天器的公有數(shù)據(jù)集，因此在實(shí)際中對太空環(huán)境黑暗且失重環(huán)境進(jìn)行現(xiàn)實(shí)模擬，采集拍攝387 張多姿態(tài)多場景的航天器模型圖片，并利用采集的圖像數(shù)據(jù)進(jìn)行聯(lián)合訓(xùn)練，部分?jǐn)?shù)據(jù)集如圖7所示。

圖7 非合作目標(biāo)數(shù)據(jù)集示例Fig.7 Examples of non-cooperative target dataset

步驟2訓(xùn)練策略。實(shí)驗(yàn)中使用了多種訓(xùn)練策略來提升網(wǎng)絡(luò)的性能。

1）anchor 大小。利用K-mean 聚類算法找出數(shù)據(jù)集中較好的9 個anchor 尺寸，有助于提高平均精度均值（mean Average Precision，mAP）。

2）超參數(shù)演進(jìn)。利用基因遺傳算法訓(xùn)練200 代，找到較好的超參數(shù)后，利用超參數(shù)演進(jìn)得來的超參數(shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)能夠迅速得到全局最優(yōu)解，讓模型達(dá)到較好的效果。

3）學(xué)習(xí)率lr。利用類余弦退火進(jìn)行學(xué)習(xí)率學(xué)習(xí)，減少陷入局部最優(yōu)解的情況發(fā)生。

4）數(shù)據(jù)增強(qiáng)操作。在訓(xùn)練過程中對數(shù)據(jù)進(jìn)行隨機(jī)裁剪、放大等操作來增大數(shù)據(jù)集，使每一個epoch訓(xùn)練的圖都不是同一張圖，在數(shù)據(jù)集有限的情況下有效提高模型的泛化能力。

步驟3性能測試。通過上面的策略進(jìn)行模型訓(xùn)練，完成后在模型大小、運(yùn)行速度、模型參數(shù)量（即過程中梯度更新數(shù)量）、模型運(yùn)算復(fù)雜度（即每秒浮點(diǎn)數(shù)運(yùn)算次數(shù)）等多方面對網(wǎng)絡(luò)模型性能進(jìn)行分析評估，其結(jié)果如圖8 所示。由圖8（a）可知，YOLOv5-GhostECA 模型大小僅2.9 MB，相較于YOLOv5s 減少了80.4%。圖8（b）顯示YOLO-GhostECA 在GPU上運(yùn)行時間僅2.7 ms，即幀率高達(dá)370 frame/s，GPU運(yùn)行速度相對于YOLOv5s 提升了49.1%。圖8（c）顯示YOLOv5-GhostECA 模型在CPU 上的運(yùn)行時間為320.6 ms，相對于YOLOv5s 的460 ms 來講，運(yùn)行時間減少了30.3%。圖8（d）顯示YOLO-GhostECA 的mAP 為0.896，依然保持在較高值，相對于YOLOv5s的mAP 僅下降了0.2%。由圖8（e）可知YOLOv5s 的模型參數(shù)大小為7.468 MB，而YOLO-Ghost 和YO‐LO-GhostECA 均只有1.313 MB，新提出的YOLOGhost 相較于YOLOv5s 參數(shù)量減少了82.4%，而融合ECA 注意力機(jī)制的YOLO-GhostECA 參數(shù)量相比于YOLO-Ghost 保持不變。圖8（f）所示為模型的運(yùn)算復(fù)雜度，YOLOv5s 為17.5 GFLOPs，YOLO-Ghost 和YOLO-GhostECA 均為3.7 GFLOPs，可以看出YO‐LO-Ghost 相比于YOLOv5s 運(yùn)算復(fù)雜度降低了78.9%，且融合的ECA 模塊并沒有增加運(yùn)算復(fù)雜度。綜上分析，本文提出的YOLO-GhostECA 模型在GhostDarknet 基礎(chǔ)上結(jié)合高效通道注意力模塊ECA的方法在保持精度的同時，使模型的參數(shù)量和運(yùn)算復(fù)雜度均大幅降低，且減小了模型尺寸，提升了運(yùn)行速度。

圖8 不同模型的性能參數(shù)對比Fig.8 Comparison of performance parameters of different models

步驟4模型效果測試。利用訓(xùn)練好的YOLOGhostECA 進(jìn)行非合作目標(biāo)識別實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖9 所示?？梢钥闯觯撃Ｐ湍軌驕?zhǔn)確地識別和定位出非合作目標(biāo)物體，且在多姿態(tài)多場景下，其預(yù)測準(zhǔn)度分?jǐn)?shù)均保持較高水平。

圖9 本文網(wǎng)絡(luò)模型測試結(jié)果Fig.9 Test results of network model in this paper

3.3 非合作目標(biāo)位姿估計(jì)

先采集-20 張以上不同姿態(tài)的棋盤格圖片，然后利用張正友棋盤格標(biāo)定法［23］在Matlab 的cameracalib中進(jìn)行標(biāo)定得到相機(jī)內(nèi)參。相應(yīng)地采集40 張以上的RGB 圖以及深度圖，利用Tsai 方法［24］進(jìn)行手眼標(biāo)定得到相機(jī)外參。

利用標(biāo)定的結(jié)果和YOLO-GhostECA 檢測網(wǎng)絡(luò)，通過第2 節(jié)提出的位姿估計(jì)方法進(jìn)行非合作目標(biāo)位姿估計(jì)，其中姿態(tài)估計(jì)公式（6）中的r1、r2通過分析非合作目標(biāo)數(shù)據(jù)集得到，分別為3.0 和1.0，Vs、Us根據(jù)相機(jī)空間幾何位置分別設(shè)定為320 和360。根據(jù)該位姿估計(jì)算法估計(jì)的位姿結(jié)果見表3。

表3 非合作目標(biāo)位姿估計(jì)的結(jié)果Table 3 Results of pose estimation of non-cooperative targets

3.4 非合作目標(biāo)捕獲

將上述得到的位姿估計(jì)結(jié)果通過EtherCAT 發(fā)送給織女機(jī)械臂控制器，控制機(jī)械臂進(jìn)行非合作目標(biāo)捕獲，捕獲實(shí)驗(yàn)效果如圖10 所示。

圖10 非合作目標(biāo)捕獲的實(shí)驗(yàn)效果Fig.10 Experimental effect of capturing non-cooperative targets

由圖10 可知，本文提出的位姿估計(jì)算法可以對非合作目標(biāo)進(jìn)行準(zhǔn)確的空間定位和粗略的姿態(tài)估計(jì)，其位姿估計(jì)結(jié)果可以合理地引導(dǎo)機(jī)械臂對非合作目標(biāo)進(jìn)行捕獲。

4 結(jié)束語

本文設(shè)計(jì)一種適用于非合作目標(biāo)捕獲的輕量級位姿估計(jì)網(wǎng)絡(luò)，將深度學(xué)習(xí)YOLOv5 網(wǎng)絡(luò)應(yīng)用于空間非合作目標(biāo)智能識別與捕獲任務(wù)中，并基于GhostNet 網(wǎng)絡(luò)設(shè)計(jì)GhostDarknet 骨干網(wǎng)絡(luò)，減少冗余特征圖的提取，在基本保持精度不變的情況下，減少網(wǎng)絡(luò)模型大小，提高模型運(yùn)算速度。此外，提出一種利用YOLO-GhostECA 檢測結(jié)果來估計(jì)物體抓取位姿的方法，并通過深度相機(jī)Intel RealSense D435i、非合作目標(biāo)縮小模型和7 自由度冗余機(jī)械臂搭建地面仿真實(shí)驗(yàn)平臺。實(shí)驗(yàn)結(jié)果表明，該網(wǎng)絡(luò)在非結(jié)構(gòu)化環(huán)境中能很好地完成非合作目標(biāo)捕獲任務(wù)。下一步將通過擴(kuò)充數(shù)據(jù)集提升網(wǎng)絡(luò)的精度，并將訓(xùn)練好的網(wǎng)絡(luò)部署到嵌入式設(shè)備中，對實(shí)時性和準(zhǔn)確度進(jìn)行驗(yàn)證。