作者与发表信息

本研究由Di Zhao（河南理工大学）、Zhe Yue（河南理工大学）、Wensong Zhang（天门职业学院 / 河南省科学院航空航天信息研究所）等多位研究者共同完成。通讯作者为Zhe Yue和Wensong Zhang。该论文于2026年6月27日发表在期刊《Aerospace》上。

研究背景与目标

随着在轨服务和主动碎片清除需求的日益增长，对非合作空间目标的智能感知与自主操作已成为航天领域的关键挑战。这类目标——通常是失效卫星或太空碎片——通常表现出无控的姿态状态、未知的几何结构、强烈的表面反射以及复杂的运动模式，这些特性给基于视觉的空间感知带来了极大困难。

非合作目标在失控状态下通常保留相当大的残余角动量，在重力梯度力矩和结构耦合的共同作用下，常表现出周期性翻滚和章动等非线性姿态演化行为，旋转轴和角速度持续变化。这种高动态特性严重削弱了传统基于视觉的姿态估计方法的鲁棒性。基于特征或模型匹配的方法在连续观测中常遭遇特征漂移、跟踪中断或对应关系退化等问题，而稀疏的三维重建（3D reconstruction）策略在快速翻滚或弱表面纹理条件下可能无法保持足够的点密度和精度。此外，单航天器观测受到视场遮挡、弱纹理区域的深度模糊性以及中远距离下视差（parallax）迅速衰减的限制，导致三维重建精度显著恶化。

为了克服这些限制，已有研究探索了包括运动恢复结构（Structure-from-Motion, SfM）、明暗恢复形状（Shape-from-Shading）和多基线立体视觉等传统几何方法，以及基于卷积神经网络（CNN）的端到端姿态回归等深度学习方法。尽管这些方法在特定条件下取得了进展，但在面对大幅度、高频的姿态变化或严重纹理退化时，仍难以保持稳定的精度。因此，本研究旨在开发一个融合多航天器协同观测与基于深度学习的多视图立体（multi-view stereo）重建的智能三维重建与姿态确定框架，以在弱纹理、有限视点和快速旋转条件下实现稳定、高精度的姿态估计，为自主在轨交会和捕获任务提供有效的实时测量解决方案。

详细工作流程

本研究提出并验证了一个协同的多航天器测量框架，其具体实施可分为四个阶段。

第一阶段：协同观测配置搭建。研究假设一颗自由翻滚的目标星，并部署三颗观测航天器绕其飞行，形成一个稳定的编队。该目标星模型是“风云一号”（FY-1）卫星的简化模型，主体尺寸为1.4米×1.4米×1.4米，两侧装有对称的太阳能帆板，总跨度约12米。其初始姿态四元数（quaternion）为(1, 0, 0, 0)，初始角速度（angular velocity）为(0.2, 0.2, 0.2)度/秒，惯性矩阵（inertia matrix）为 diag(75, 70, 50) kg·m²。三颗观测星的绕飞轨道基于Clohessy-Wiltshire (CW)方程的周期性解设计，形成一个共享的圆形相对轨道，绕飞半径为200米。三颗航天器以(0°, 6°, 12°)的相位角初始化，确保了长期稳定的观测几何，并提供了远大于传统单平台三目视觉系统的有效基线。每颗观测星都携带一个视场角（FOV）为30度、分辨率为800×800像素的相机。在长达3000秒的观测窗口内，三颗星以0.1赫兹的频率同步采集目标图像序列，相机的光轴始终指向目标质心。

第二阶段：基于MVSnet的智能三维重建。获取多视图图像序列后，研究采用了一种叫MVSnet（多视图立体网络，multi-view stereo network）的端到端深度学习架构进行三维重建。具体流程为，首先，一个二维CNN从输入的参考图像和两幅源视图中提取32通道的特征图（feature maps）。然后，利用已知的相机内外参数，通过单应性变换（homography warping）将源视图的特征图投影到参考相机视锥体的不同深度假设平面上，以此构建一个三维代价空间（cost volume），该代价空间表征了不同深度假设下的跨视图特征一致性。接着，一个四层的编码器-解码器三维CNN对代价空间进行正则化，推理出像素级的深度概率分布，并通过计算期望值得到初始深度图（depth map）。最后，一个残差细化网络（residual-refinement CNN）结合原始RGB图像，对初始深度图进行优化，消除边界模糊和局部噪声。该阶段最终将优化后的深度图通过反投影生成目标的三维点云（point cloud）。

第三阶段：基于ICP的帧间姿态估计。获得不同时刻的连续三维点云序列后，研究采用迭代最近点（Iterative Closest Point, ICP）算法进行帧间配准（registration）。该算法通过迭代建立两个连续时刻点云集之间的最近邻对应关系，并求解最小化对齐误差的最优旋转矩阵R和平移向量t，从而量化目标的帧间姿态变化，得到初步的姿态测量值。

第四阶段：基于EKF的动态姿态精化。为了抑制测量噪声并提高时间一致性，研究引入了一个扩展卡尔曼滤波器（Extended Kalman Filter, EKF）。该滤波器的状态向量（state vector）被定义为包含帧间姿态四元数、两个时刻的角速度以及目标的惯性比参数。系统以ICP配准得到的姿态测量值作为观测量，通过状态预测和测量更新两个步骤，对目标的姿态参数进行连续校正和融合，最终输出平滑、准确的姿态估计结果。

主要研究结果与分析

基于上述流程，研究获得了一系列结果。首先，在重建效果的验证中，MVSnet成功估计了FY-1模型的深度图并重建了三维点云。通过点云配准得到的姿态角变化曲线虽然存在微小波动，但其波形与模拟的真实角速度高度吻合，清晰地反映了目标的周期性翻滚特征。姿态估计误差分布呈现出近似零均值的特性，平均误差约为0.3度，最大误差低于0.5度，这表明算法即使在快速姿态变化期间也能保持较高精度。在引入EKF滤波后，估计误差进一步收敛和稳定，姿态误差始终低于0.3度，位置误差保持在0.05米以内，完全满足任务需求。

为验证方法的优越性，研究还进行了两项对比实验。在第一个与单航天器三目立体视觉的对比中，观测距离从30米变化到100米。结果显示，三目立体方法因受限于1米的固定基线，在距离超过60米时，由于视差不足，姿态估计误差从0.3-0.5度急剧上升至1.02度。而本研究提出的协同观测MVSnet方法，其误差曲线在0.08-0.13度范围内仅有微小波动，几乎不受距离影响，表现出极高的稳定性和鲁棒性。在第二个与传统SfM方法的对比中，同样改变观测距离和视角。SfM方法在近距离表现尚可，但随着距离增加，由于纹理有限、姿态变化大导致的特征匹配困难，其姿态估计误差稳步退化至约0.7度。相比之下，MVSnet方法利用深度特征和代价空间正则化，在面对弱纹理和大视角变化时仍能有效推断深度，姿态估计误差普遍低于0.4度，展示出更强的距离鲁棒性。最后，在计算效率的对比中，MVSnet处理每帧平均耗时0.52秒，而传统SfM流程需7.74秒，实现了约15倍的加速。

这些结果有力地证明了，协同观测几何提供了更大的有效基线，抑制了深度不确定性；而基于学习的多视图立体策略减少了对人工特征匹配的依赖，增强了重建的几何完整性和鲁棒性。ICP配准能从重建点云中提取姿态变化，而EKF则通过融合时序信息，抑制了高频噪声，最终共同实现了高精度的动态姿态测量。

结论与价值

本论文提出了一个针对空间自由翻滚非合作目标的协同多视图三维重建与姿态估计框架。该框架整合了多航天器协同观测、基于MVSnet的稠密重建、基于ICP的点云配准以及基于EKF的姿态融合。仿真结果证明，该方法相比传统方法能够生成更稠密稳定的点云，且姿态估计精度和计算效率更高，在变化的观测距离和视角下均能保持稳定的测量性能。这项研究的科学价值在于，它为解决高动态未知目标的视觉感知难题提供了一种融合了多源几何约束和深度学习方法的新范式。其应用价值在于，为未来的在轨服务、自主交会和碎片清除任务提供了一种可靠、鲁棒且具备实时潜力的动态测量解决方案，对于实现复杂的空间自主操作具有重要的推动作用。

研究亮点

本研究的亮点主要体现在三个方面。其一，它提出并验证了一个将编队观测、深度学习重建和滤波融合统一在一个管道（pipeline）内的完整框架，首次将MVSnet引入空间翻滚目标的协同感知任务中。其二，它清晰地揭示了协同观测方案相对于单星三目视觉和传统SfM方法的优势，量化分析了有效基线和视角多样性对改善动态姿态估计精度的关键作用。其三，研究对象具有高度动态和未知的特性，成功应对了快速翻滚、弱纹理和几何未知等多重挑战，展现出了方法的强鲁棒性。