基于广义仿生偏振光导航模型及求解的导航方法

摘要

本申请涉及一种基于广义仿生偏振光导航模型及求解的导航方法。所述方法包括：通过引入偏振定向矢量正交残差，建立广义仿生偏振光导航模型；然后利用光谱大气偏振信息，采用按照区域偏振信息强度、偏振模式分布一致性等信息搜索定向适用区域，并通过卷积神经网络学习偏振定向矢量正交残差进行自适应补偿而实现粗定向，最后根据不同波段下定向的唯一性进行融合优化，反馈调整搜索适用区和训练网络，以获取准确的导航定向精度。本发明具有原理简单、适用于不同天气等优点，对于提高复杂天气下仿生偏振光导航的鲁棒性和全天候适应性具有广阔的应用前景。

权利要求

1.一种基于广义仿生偏振光导航模型求解的导航方法，其特征在于，所述方法包括：建立广义仿生偏振光导航模型；所述广义仿生偏振光导航模型中包括偏振定向矢量正交残差；

获取多波段大气偏振模式信息，将所述多波段大气偏振模式信息输入所述广义仿生偏振光导航模型的求解模型中；所述求解模型包括搜索模块、定向模块和融合模块；所述搜索模块用于根据所述多波段大气偏振模式信息，根据区域偏振信息强度及偏振模式分布一致性的约束信息，确定每个波段中大气偏振模式的定向适用区域；所述定向模块用于在每个波段中大气偏振模式的定向适用区域内，分别通过卷积神经网络学习相应的偏振定向矢量正交残差对偏振矢量进行自适应补偿，得到每个波段下的偏振粗定向结果；所述融合模块用于根据不同波段下的偏振粗定向结果，基于定向的唯一性构建优化目标函数，对所述定向适用区域和所述卷积神经网络进行反馈优化；

通过所述求解模型完成对所述广义仿生偏振光导航模型的求解，进而通过所述广义仿生偏振光导航模型得到精确的导航定向结果；

建立广义仿生偏振光导航模型；所述广义仿生偏振光导航模型中包括偏振定向矢量正交残差，包括：建立广义仿生偏振光导航模型；所述广义仿生偏振光导航模型为：

其中， 为测量点的偏振矢量， 为太阳方向矢量， 为观测方向矢量， 为偏振定向矢量正交残差；

所述偏振定向矢量正交残差为偏振矢量中不垂直于太阳矢量的分量。

2.根据权利要求1所述的方法，其特征在于，所述区域偏振信息强度的约束信息为设置区域偏振信息强度大于预设阈值。

3.根据权利要求1所述的方法，其特征在于，所述偏振模式分布一致性的约束信息为约束偏振度的梯度值接近于0。

4.根据权利要求1所述的方法，其特征在于，所述融合模块用于根据不同波段下的偏振粗定向结果，基于定向的唯一性构建优化目标函数，对所述定向适用区域和所述卷积神经网络进行反馈优化，包括：所述融合模块用于根据不同波段下的偏振粗定向结果，基于定向的唯一性构建优化目标函数，对所述定向适用区域和所述卷积神经网络进行反馈优化；所述优化目标函数为：其中， ， 为波段索引， ， 为波段总数， 与 为两个不同

波段偏振信息获取的定向结果。

说明书

基于广义仿生偏振光导航模型及求解的导航方法

技术领域

[0001] 本申请涉及仿生导航领域，特别是涉及一种基于广义仿生偏振光导航模型及求解的导航方法。

背景技术

[0002] 自然界的许多生物通过敏感大气偏振模式而进行导航活动，例如沙漠蚂蚁在缺乏嗅觉和足够视觉特征信息的沙漠中外出觅食数百米后，利用偏振光定向能够以近乎直线的路线返回巢穴；蜂蜜也能利用太阳作为罗盘进行导航，从而到达花源地，一些候鸟与鱼类也可利用大气偏振光进行导航活动。作为一种新型导航技术，偏振光定向通过借鉴生物视觉器官感知自然形成的大气偏振模式发展而来，具有自主性强、误差有界且不随时间积累、不受干扰和欺骗等优势，在解决卫星不可用条件下的全天候无人机高精度智能导航难题具有较大潜力。

[0003] 目前偏振光定向技术研究取得了大量研究成果，如在晴朗、少云等以瑞利散射为主的天气下（瑞利天气），大气偏振模式分布相对稳定，已经能够实现部分移动机器人、无人平台等在无卫星条件下的自主导航，但在多云、阴天等大气湍流与云层变化的复杂天气中，由于存在雾霾、水滴、固体颗粒等不同尺度粒子而发生瑞利散射、米氏散射等多重散射，造成大气偏振模式分布不稳定而导致偏振光定向精度降低甚至失效。对于偏振光定向技术而言，在全天候适应性和鲁棒性方面，与自然界生物相比存在较大差距，尤其在大气湍流、云层变化等复杂天气条件下，要想真正应用于卫星不可用条件下全天候无人机的自主导航，仍然面临着众多困难与挑战。因此，有必要构建一种新的仿生偏振光导航模型并进行求解，从而提高复杂天气下仿生偏振光导航定向的鲁棒性和准确性。

发明内容

[0004] 基于此，有必要针对上述技术问题，提供一种能够提高复杂天气下仿生偏振光导航定向的鲁棒性和准确性的基于广义仿生偏振光导航模型及求解的导航方法。

[0005] 一种基于广义仿生偏振光导航模型及求解的导航方法，所述方法包括：

[0006] 建立广义仿生偏振光导航模型；所述广义仿生偏振光导航模型中包括偏振定向矢量正交残差；

[0007] 获取多波段大气偏振模式信息，将所述多波段大气偏振模式信息输入所述广义仿生偏振光导航模型的求解模型中；所述求解模型包括搜索模块、定向模块和融合模块；所述搜索模块用于根据所述多波段大气偏振模式信息，按照区域偏振信息强度、偏振模式分布一致性等信息确定每个波段中大气偏振模式的定向适用区域；所述定向模块用于在每个波段中大气偏振模式的定向适用区域内，分别通过卷积神经网络学习相应的偏振定向矢量正交残差对偏振矢量进行自适应补偿，得到每个波段下的偏振粗定向结果；所述融合模块用于根据不同波段下的偏振粗定向结果，基于定向的唯一性构建优化目标函数，对所述定向适用区域和所述卷积神经网络进行反馈优化；

[0008] 通过所述求解模型完成对所述广义仿生偏振光导航模型的求解，进而通过所述广义仿生偏振光导航模型得到精确的导航定向结果。

[0009] 在其中一个实施例中，还包括：所述偏振定向矢量正交残差为偏振矢量中不垂直于太阳矢量的分量。

[0010] 在其中一个实施例中，还包括：所述区域偏振信息强度的约束信息为设置区域偏振信息强度大于预设阈值。

[0011] 在其中一个实施例中，还包括：所述偏振模式分布一致性的约束信息为约束偏振度的梯度值接近于0。

[0012] 在其中一个实施例中，还包括：建立广义仿生偏振光导航模型；所述广义仿生偏振光导航模型为：

[0013]

[0014] 其中，为测量点的偏振矢量，为太阳方向矢量，为观测方向矢量，为偏振定向矢量正交残差。

[0015] 在其中一个实施例中，还包括：所述融合模块用于根据不同波段下的偏振粗定向结果，基于定向的唯一性构建优化目标函数，对所述定向适用区域和所述卷积神经网络进行反馈优化；所述优化目标函数为：

[0016]

[0017] 其中，，为波段索引， ，为波段总数， 与 为两个不同波段偏振信息获取的定向结果。

[0018] 上述基于广义仿生偏振光导航模型及求解的导航方法，通过引入偏振定向矢量正交残差，建立广义仿生偏振光导航模型；然后利用光谱大气偏振信息，按照区域偏振信息强度、偏振模式分布一致性等信息搜索定向适用区域，并通过卷积神经网络学习偏振定向矢量正交残差进行自适应补偿而实现粗定向，最后根据不同波段下定向的唯一性进行融合优化，反馈调整搜索适用区和训练网络，以获取准确的导航定向精度。与现有的技术相比，本发明具有以下优点：

[0019] 1) 克服了原有仿生偏振光定向模型在复杂天气条件下的适应性差的缺点；

[0020] 2) 能够通过神经网络学习与多光谱偏振定向融合自适应的调整定向适用区域并补偿偏振定向矢量正交残差，进而提高现有仿生偏振光导航定向结果的鲁棒性和准确性。

附图说明

[0021] 图1为一个实施例中基于广义仿生偏振光导航模型及求解的导航方法的流程示意图；

[0022] 图2为另一个实施例中基于广义仿生偏振光导航模型及求解的导航方法的流程示意图；

[0023] 图3为另一个实施例中基于多光谱偏振的定向求解流程示意图。

具体实施方式

[0024] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0025] 在一个实施例中，如图1所示，提供了一种基于广义仿生偏振光导航模型及求解的导航方法，包括以下步骤：

[0026] 步骤102，建立广义仿生偏振光导航模型。

[0027] 本发明提出的广义仿生偏振光导航模型中包括偏振定向矢量正交残差。

[0028] 具体地，建立的广义仿生偏振光导航模型为：

[0029]

[0030] 式中，为测量点的偏振矢量，为太阳方向矢量，为观测方向矢量，为偏振定向矢量正交残差。

[0031] 在理想瑞利散射下，大气偏振模式满足一定的狭义正交约束关系，即观测点的偏振光矢量（振动E矢量）垂直太阳矢量，而本发明针对的是实际非瑞利散射下，由于受天气影响，存在瑞利散射、米散射和多重散射，此时偏振矢量可分为垂直于太阳矢量部分和不垂直于太阳矢量部分，后者称为偏振定向矢量正交残差。

[0032] 步骤104，获取多波段大气偏振模式信息，将多波段大气偏振模式信息输入广义仿生偏振光导航模型的求解模型中。

[0033] 本发明提出采用多光谱偏振SOF（搜索（Searching）‑定向（Orientation）‑融合（Fusion））方法求解模型获取导航定向结果。

[0034] 对应地，求解模型包括搜索模块、定向模块和融合模块。

[0035] 搜索模块用于根据多波段大气偏振模式信息，按照区域偏振信息强度、偏振模式分布一致性等信息，确定每个波段中大气偏振模式的定向适用区域  (k为某个波段)。

[0036] 其中区域偏振信息强度应该大于一定阈值，偏振模式分布一致性为偏振度的梯度值接近于0。

[0037] 在复杂天气下，由于存在不同尺度粒子，不同波段所产生的大气偏振模式也不同，因此每个波段可以获取不同的大气偏振模式，所对应的定向适用区域也不同，所对应的大气偏振矢量正交残差也不同，但都满足本发明所提出的广义偏振光导航模型。

[0038] 定向模块用于在每个波段中大气偏振模式的定向适用区域内，并行处理，通过卷积神经网络学习相应的偏振定向矢量正交残差对偏振矢量进行自适应补偿，得到每个波段下的偏振粗定向结果。

[0039] 通过卷积神经网络学习提取偏振定向矢量正交残差，并通过后端融合优化反馈调节网络学习过程，以实现定向误差自适应估计与补偿。

[0040] 融合模块用于根据不同波段下的偏振粗定向结果，采用相互作差融合的算法，即两个不同波段所对应的偏振粗定向结果进行作差，基于定向的唯一性构建优化目标函数，对定向适用区域和卷积神经网络进行反馈优化。优化目标函数为：

[0041]

[0042] 其中，，为波段索引， ，为波段总数， 与 为两个不同波段偏振信息获取的定向结果。

[0043] 步骤106，通过求解模型完成对广义仿生偏振光导航模型的求解，进而通过广义仿生偏振光导航模型得到精确的导航定向结果。

[0044] 上述基于广义仿生偏振光导航模型及求解的导航方法中，通过引入偏振定向矢量正交残差，建立广义仿生偏振光导航模型；然后利用光谱大气偏振信息，采用按照区域偏振信息强度、偏振模式分布一致性等信息搜索定向适用区域，并通过卷积神经网络学习偏振定向矢量正交残差进行自适应补偿而实现粗定向，最后根据不同波段下定向的唯一性进行融合优化，反馈调整搜索适用区和训练网络，以获取准确的导航定向精度。本发明具有原理简单、适用于不同天气等优点，对于提高复杂天气下仿生偏振光导航的鲁棒性和全天候适应性具有广阔的应用前景。

[0045] 在另一个实施例中，如图2所示，提供了一种基于广义仿生偏振光导航模型及求解的导航方法，包括以下步骤：

[0046] S1. 建立广义仿生偏振光导航模型；

[0047] S2. 基于按照区域偏振信息强度、偏振模式分布一致性等信息的偏振定向适用区域搜索(Searching)；

[0048] S3.  基于卷积神经网络的偏振矢量正交残差自适应补偿进而实现粗定向(Orientation)；

[0049] S4. 多波段偏振粗定向结果优化融合(Fusion)；

[0050] S5. 反馈调整搜索区并优化训练训练网络对模型求解获取精确的导航定向结果。

[0051] 如图3为基于多光谱偏振的定向求解流程示意图。输入信息为多波段大气偏振模式，每个波段均包括大气偏振度分布图像和大气偏振角分布图像。根据多波段大气偏振模式信息，分别确定s1波段、s2波段和s3波段偏振模式的定向适用区域P1、P2和P3，以及对应的区域P1偏振信息、区域P2偏振信息和区域P3偏振信息。将区域P1偏振信息、区域P2偏振信息和区域P3偏振信息分别输入卷积神经网络学习，得到偏振矢量正交残差，对偏振矢量进行自适应定向误差补偿，再通过定向模型解算，分别得到航向角 、 和 。对 、 和两两求差并取绝对值，得到 、 和 。通过优化目标函数反馈调整搜索区并优化训练训练网络，若目标函数超
出定向期望，则更新搜索区域。

[0052] 应该理解的是，虽然图1‑2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1‑2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

[0053] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0054] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。