本发明涉及模式识别与机器学习，更具体的说是涉及结合激光雷达点云数据的空间目标姿态估计方法。
背景技术：
1、卫星姿态估计是计算主动卫星(追逐者)相对于目标卫星的相对位置和方向的问题，估计的姿态在相对导航过程中充当辅助信息。在近距离操作期间，通常需要自主机动以实现追逐者与目标之间的近距离接近，而自主姿态估计是自主机动中的关键组成部分。卫星姿态估计是一项复杂的任务，需要专门的算法和技术解决方案来解决。
2、目前，基于深度学习的空间目标姿态估计技术研究集中在使用单目可见光图像上，许多方法对该任务进行研究。现有技术中，最基本的技术方法主要可以分为两类，分别是直接法与间接法，直接法和间接法的整体流程如图1所示，其中直接方法通过深度学习提取目标的全局特征，并通过直接映射将这些特征映射到姿态表示中，不同的研究提出了各种形式的姿态计算，如分类、回归和软分配编码；间接方法首先通过深度学习定位目标的关键点，然后通过解决pnp问题计算目标的姿态，不同的研究提出了多种关键点定位方法，如全局特征-关键点位置映射、热图回归、关键点检测。此外，许多间接方法还考虑了点的不确定性，以进一步提高结果的准确性。
3、上述现有技术中，无论是直接法还是间接法，均采用单目摄像机图像作为输入，换句话说目前对于空间目标姿态估计方法的研究主要集中在单目相机，使得目标姿态估计结果的提升达到了一定的瓶颈。
4、此外目前的方法不具备判断目标姿态估计结果置信度的功能，无法根据置信度的大小判断目标的姿态估计结果是否可信。
5、因此，如何提升空间目标姿态估计的准确度是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本发明提供了一种结合激光雷达点云数据的空间目标姿态估计方法，用于在一定程度上提升空间目标姿态估计的准确率。
2、为了实现上述目的，本发明采用如下技术方案：
3、结合激光雷达点云数据的空间目标姿态估计方法，包括以下步骤：
4、获取空间目标的图像数据和lidar点云数据；
5、分别对获取的所述图像数据和lidar点云数据进行特征提取，得到所述空间目标的图像特征图和点云特征；
6、将所述lidar点云数据特征提取后的3d点云点投影到所述空间目标的图像特征图，得到对齐后的图像特征；
7、将所述对齐后的图像特征与提取的所述点云特征进行拼接融合，获取融合特征；
8、利用r6d姿态表示方法对融合特征进行预测，获取空间目标的多模态姿态估计结果。
9、进一步地，上述方法还包括，
10、利用误差估计模块对空间目标的多模态姿态估计结果进行精度判断。
11、进一步地，对获取的图像数据进行特征提取，得到所述空间目标的图像特征图，通过以下步骤实现：
12、利用resnet18网络模型对输入的图像数据进行特征提取，获取空间目标的图像特征；
13、根据所述空间目标的图像特征，生成图像特征图。
14、进一步地，对获取的lidar点云数据进行特征提取，得到所述空间目标的点云特征，通过以下步骤实现：
15、利用pointmlp对输入的lidar点云数据进行特征提取，获取空间目标的点云特征。
16、进一步地，将所述lidar点云数据特征提取后的3d点云点投影到所述空间目标的图像特征图，得到对齐后的图像特征，具体包括以下步骤：
17、将lidar点云数据中特征提取后的3d点云点投影到空间目标的图像特征图，以找到相应的图像特征；
18、将所述图像特征图中相应的图像特征按照lidar点云数据中点的顺序进行排列，得到对齐后的图像特征。
19、进一步地，得到对齐后的图像特征，通过以下方程进行表示：
20、
21、其中，表示3d点云点的空间坐标；φ(·)x与φ(·)y分别表示3d点云点投影到图像特征图时的x坐标和y坐标；表示基于坐标x和y在图像特征图中进行索引，以提取坐标(x，y)位置对应的特征。
22、进一步地，将所述对齐后的图像特征与提取的所述点云特征进行拼接融合，获取融合特征，具体包括以下步骤：
23、将对齐后的图像特征沿着通道维度与空间目标的点云特征进行串联操作，生成串联特征其中，n表示点云中的点数，c1表示与每个点云点相关联的点云特征的维度，c2表示对齐后的图像特征的通道数；
24、对生成的串联特征依次执行一维卷积、批归一化和relu激活操作，以融合串联特征，得到输出的融合特征
25、进一步地，获取融合特征，通过以下方程进行表示：
26、
27、
28、其中，表示空间目标的点云特征；表示对齐后的图像特征；符号表示沿着通道维度进行张量串联。
29、进一步地，利用误差估计模块对空间目标的多模态姿态估计结果进行精度判断，具体包括：
30、计算真值姿势和空间目标的多模态姿态估计结果中对应点之间距离的平均值；
31、将计算得到的平均距离作为精度判断的评估指标。
32、进一步地，结合激光雷达点云数据的空间目标姿态估计方法的整体损失函数包括目标姿态估计分支损失函数与误差估计分支损失函数；
33、其中，所述目标姿态估计分支损失函数包括rwta损失和模态权重损失
34、所述误差估计分支损失函数包括误差估计模块的输出εpred和平均距离误差εadd之间的l1距离损失。
35、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种结合激光雷达点云数据的空间目标姿态估计方法，具有以下有益效果：
36、本发明首先从图像数据和点云数据中分别提取特征，在特征提取过程中，特征不断交互和融合，以获得具有良好表示能力的图像特征和点云特征；然后，将图像特征和点云特征融合以生成融合特征；最后，基于融合特征计算姿态并评估估计误差，根据误差评估结果进行全面分析以获得最终的姿态估计结果。提升了提升空间目标姿态估计的准确度。
1.结合激光雷达点云数据的空间目标姿态估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的结合激光雷达点云数据的空间目标姿态估计方法，其特征在于，还包括，
3.根据权利要求1所述的结合激光雷达点云数据的空间目标姿态估计方法，其特征在于，对获取的图像数据进行特征提取，得到所述空间目标的图像特征图，通过以下步骤实现：
4.根据权利要求1所述的结合激光雷达点云数据的空间目标姿态估计方法，其特征在于，对获取的lidar点云数据进行特征提取，得到所述空间目标的点云特征，通过以下步骤实现：
5.根据权利要求1所述的结合激光雷达点云数据的空间目标姿态估计方法，其特征在于，将所述lidar点云数据特征提取后的3d点云点投影到所述空间目标的图像特征图，得到对齐后的图像特征，具体包括以下步骤：
6.根据权利要求5所述的结合激光雷达点云数据的空间目标姿态估计方法，其特征在于，得到对齐后的图像特征，通过以下方程进行表示：
7.根据权利要求1所述的结合激光雷达点云数据的空间目标姿态估计方法，其特征在于，将所述对齐后的图像特征与提取的所述点云特征进行拼接融合，获取融合特征，具体包括以下步骤：
8.根据权利要求7所述的结合激光雷达点云数据的空间目标姿态估计方法，其特征在于，获取融合特征，通过以下方程进行表示：
9.根据权利要求2所述的结合激光雷达点云数据的空间目标姿态估计方法，其特征在于，利用误差估计模块对空间目标的多模态姿态估计结果进行精度判断，具体包括：
10.根据权利要求9所述的结合激光雷达点云数据的空间目标姿态估计方法，其特征在于，结合激光雷达点云数据的空间目标姿态估计方法的整体损失函数包括目标姿态估计分支损失函数与误差估计分支损失函数；
