空間目標在軌狀態雷達成像估計技術綜述

周葉劍 馬 巖 張 磊 鐘衛軍

①(浙江工業大學 杭州 310014)

②(北京跟蹤與通信技術研究所 北京 100094)

③(中山大學 廣州 510275)

④(西安衛星測量中心 西安 710071)

1 引言

隨著航天技術的迅猛發展，世界各國加速對空間資源的開發建設，越來越多搭載高性能傳感設備的空間目標被送入地球軌道，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個人造目標被送入太空，其中超過22,000個目標仍處于在軌運行狀態[1]。隨著以SpaceX公司“星鏈(Starlink)”計劃為首的商業航天活動興起，這一數字將持續上漲，空間軌道資源將被進一步壓縮，目標間相互影響的風險系數不斷增大，空間態勢安全面臨極大挑戰。2009年2月，美國商業衛星“銥33”與俄羅斯軍用衛星“宇宙2251”發生了首次人造衛星相撞事件，碰撞所產生的碎片對其他臨近目標構成了極大威脅[2,3]。因而，對在軌空間目標進行連續跟蹤監測，進而分析其運行狀態是當前空間態勢感知領域的迫切需求。

空間目標在軌狀態信息的分析通常依賴傳感器的高質量追蹤觀測。長期以來，各航天大國都在積極研發光電、紅外等高性能觀測設備[4–16]。其中，具備遠距離、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(Inverse Synthetic Aperture Radar,ISAR)是目前執行該任務的中堅力量。早在1970年，美國MIT林肯實驗室根據Lincoln C波段ISAR成像雷達ALCOR實現蘇聯Salyut-1空間站、美國Skylab空間站等近地目標的高分辨成像與狀態監測[8,9]。相關工作成果極大地推動了空間目標監測技術的發展[10,11]。MIT林肯實驗室另一部Haystack雷達經過數十年的升級改造，工作波段已達W波段(96 GHz)，帶寬拓展已至8 GHz，作用距離超過4×104km，是現役最高分辨率的地基ISAR空間目標成像雷達。該雷達與HAX雷達以及距其實驗場32 km處的多部寬帶雷達組成了林肯空間監視組合網[12]，融入了美國導彈防御、空間態勢感知體系。德國宇航局弗勞恩霍夫高頻物理與雷達技術研究所的跟蹤和成像雷達TIRA是歐洲航天局(European Space Agency,ESA)獲取低軌衛星態勢的重要途徑，在一系列空間觀測活動中提供了高分辨的空間目標成像結果[13–15]，如圖1所示。該系統天線可實現方位360°、俯仰90°的全空域掃描，且其方位維度360°環掃僅需15 s。此外，法國太空監視雷達GRAVES、俄羅斯Voronezh雷達也是其他航天大國執行空間目標態勢感知任務的主要地基雷達設備。我國空間觀測ISAR設備研制與體系建設雖起步較晚但發展迅猛。1993年，第1臺地基ISAR系統由航天二院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、中國科學院、西安電子科技大學、國防科技大學、清華大學、北京理工大學等高校對空間觀測雷達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體系，具備一定的空間目標跟蹤、識別、監測能力。2018年4月對天宮一號“再入軌”的成功監測標志著我國空間態勢感知體系建設已邁入面向應用需求的新階段[16]。

圖1 TIRA空間目標成像觀測結果[13–15]Fig.1 ISAR imaging result of three space targets by TIRA system[13–15]

綜觀地基雷達設備建設及空間目標狀態監測技術發展，空間目標ISAR成像探測研究重點已從高分辨追蹤成像逐步轉移至目標成像信息參數化獲取上，期望在高分辨ISAR圖像中精確獲取空間目標形狀、尺寸、散射機理等關鍵信息，為空間環境態勢研判、衛星運行狀態調整、復雜空間協同活動提供技術支持。本文將根據現有空間雷達成像目標在軌狀態估計方法特點，從數據特征關聯匹配、三維成像重建測姿和目標狀態自估計3條典型技術途徑綜述該方向先進技術方法，同時對該方向未來發展進行展望。

2 數據特征關聯匹配技術

針對外部傳感設備觀測空間目標場景，一類經典目標狀態估計方法通過計算機仿真模擬或實測數據長期累積的方式建立目標多類狀態下的觀測樣本集合，而后根據當前觀測樣本在歷史數據集合內最為相近的匹配結果確定目標狀態參數。現階段，該方向工作主要基于一維的激光反射單元相對位置、雷達散射截面(Radar Cross Section,RCS)序列變化特征和二維的雷達成像形態特征開展，并在國內外一些重要空間活動中得到了應用，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配備的角錐反射器(Corner Cubere Reflector,CCR)距離變化定目標在軌運行狀態是一類常見的數據特征關聯匹配方法[17–20]。2013年至2015年，國際激光測距協會(International Laser Ranging Service,ILRS)曾組織全球各激光觀測站點對失聯的環境資源衛星Envisat進行長達兩年的追蹤測量。如圖2所示，根據ESA公布的Envisat衛星結構，該衛星搭載了由9個CCR組成的后向反射矩陣單元(Retroreflector Array,RRA)。韓國天文學和空間科學研究所的Kucharski、奧地利理工學院的Kirchner等人[17]根據該單元在衛星整體內相對位置變化獲得其姿態、運動參數，并進行長時間狀態的擬合與統計，如圖3、圖4所示。該方法在Kirchner等人[18]先前關于Ajisai在軌自旋運動分析的研究中已有體現，并在后續其他研究團隊關于Envisat運行狀態受重力梯度影響的研究中得到進一步應用[19,20]。

圖2 Envisat與其搭載的RRA結構模型(@ESA)Fig.2 Envisat and its RRA courtesy of ESA

圖3 2013年7月Graz站點Envisat衛星CCR相對位置變化測量結果[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，地基雷達測量獲取的RCS序列特征也被用于空間目標在軌狀態的參數估計。西安衛星測量中心的鐘衛軍等人[21]提出通過目標實際測量RCS序列與預先電磁仿真生成的RCS仿真序列進行特征匹配，采用混合粒子群優化(Hybrid Particle Swarm Optimization,HPSO)算法來實現三軸穩定目標在軌參數的優化求解。地面雷達站點RCS測量示意圖如圖5所示，目標RCS實際測量與仿真對比結果如圖6所示。南京大學的呂江濤等人[22]在此基礎上對目標在軌自旋情況下的姿態估計進行進一步拓展。

圖5 空間目標地基雷達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序列與角度優化后RCS模板仿真結果對比[21]Fig.6 Comparison between the measured RCS sequences and the RCS sequences[21]

2.2 二維雷達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雷達圖像獲取目標的幾何拓撲結構特征的研究，并通過語義網絡實現目標建模和數據積累建庫，實現面向空間態勢感知應用的目標分類識別。斯坦福大學的D’Amico等人[23]提出對比分析目標3D模型與其星載雷達圖像間視覺特征進行目標在軌狀態的判定，如圖7所示。并在后續工作提出通過仿真生成目標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分類識別模型[24,25]。

圖7 文獻[23]中的目標姿態估計流程Fig.7 The flowchart of attitude estimation method in Ref.[23]

歐空局的Lemmens等人[26]結合TIRA雷達系統特點對合作目標建立仿真圖像數據庫，通過實測圖像目標輪廓信息在數據庫內匹配搜索來確定其在軌姿態參數。該團隊基于該思路設計了一套工程化軟件系統，如圖8所示，應用于Envisat等衛星實際狀態監測工作，并在后續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ISAR圖像特征匹配的基礎上，實現目標狀態自動化測量，如圖9所示。此外，福建農林大學的楊長才等人[29]提出利用目標主體主軸方向和太陽能帆板的姿態空間約束關系，通過連續觀測圖像序列間變化特征匹配搜索實現目標姿態估計。

圖8 MOWA目標姿態擬合軟件處理界面[27]Fig.8 Graphical interface of MOWA target attitude fitting[27]

圖9 空間約束下的Envisat序列姿態關聯估計[28]Fig.9 Attitude estimation for Envisat sequence frames after constraining the search space[28]

總體而言，在處理觀測積累數據樣本充分的情況下，數據特征關聯匹配技術可以完成對空間目標在軌姿態等狀態參數的有效估計。對于合作式目標的長期監測，這類方法處理過程相對簡便，因而應用廣泛。但值得注意的是，該類方法難以適用于無法預先獲取目標模型以及觀測數據積累有限的非合作目標觀測場景。

3 三維成像重建測姿技術

三維成像重建測姿技術著眼于地基ISAR成像幾何建模，推導圖像內目標結構形態與其真實三維空間分布間或直接或間接的數學表達，反演目標在軌狀態參數。該類方法建立的物理模型一定程度上與計算機視覺領域研究相近，部分工作在雷達信息處理過程中借鑒了光學圖像解譯的成熟思路，亦為微波視覺領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

使用矩陣奇異值分解(Singular Value Decompose,SVD)進行目標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域經典的“運動恢復結構”(Structure From Motion,SFM)方法[32,33]，使用SVD算法對空間目標雷達散射點觀測矩陣(如距離-多普勒歷史矩陣)進行分解，根據分解得到的結構矩陣與測量矩陣推算目標在三維空間內的形狀、位置信息。1992年，康奈爾大學的Tomasi等人[34]根據光學相機透視成像特性，提出利用剛體目標在正投影下光流影(Image Stream)的形狀與運動間聯系恢復目標的三維結構信息。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圖像處理領域，利用矩陣因式分解的方式從雷達測量的目標散射點一維斜距矩陣中恢復各散射點在真實三維空間內的結構信息，如圖10所示，并在該團隊后續研究中引入目標特征級的先驗信息以提升算法的魯棒性[36]。

圖10 目標散射點雷達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公司的McFadden[37]將因式分解方法推廣至雷達成像二維觀測場景下，根據各散射點在ISAR圖像序列的二維坐標信息計算其真實三維空間坐標，并在艦船目標實測數據上進行驗證，如圖11所示。復旦大學的王峰等人[38,39]將該方法應用至稀疏成像場景，結合壓縮感知(Compressed Sensing,CS)技術將多角度稀疏ISAR圖像目標散射點序列分解，而后完成目標的三維重建，如圖12所示。

圖11 艦船目標散射點三維重建結果[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果[38]Fig.12 The reconstruction result of shuttle in sparse observation[38]

需要指出的是，由于雷達、光學成像機理不盡相同，很難直接采用光學相機標定的方式對目標ISAR測量矩陣進行分析，進而導致了目標態勢分析結果僅停留在目標結構分析階段，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矩陣標定。此外，該類方法一般基于多視角圖像內目標關鍵點準確關聯的前提假設。而在實際空間目標在軌姿態測量應用場景下，如何解決因觀測視角變化引起目標ISAR散射點特征在長時間ISAR觀測序列內的起伏問題，即“角閃爍”現象(Angular Glint Phenomenon)[40,41]，是該類方法亟待突破的一個技術難點。

3.2 多通道ISAR干涉三維成像技術

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

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

圖14 SPASE衛星三維干涉過程[46]Fig.14 The InISAR processing of SPASE satellite[46]

北京理工大學的趙莉芝等人[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。該團隊后續亦針對空間目標觀測場景提出不同觀測弧段間的三維干涉成像方法[48]。西安電子科技大學的邵帥等人[49]結合稀疏觀測場景，提出利用Bayesian壓縮感知方法實現多通道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定性，并在實測Yake-42飛機數據上得到驗證，如圖15所示。對于空間目標在軌姿態測量應用，InISAR三維成像結果可以提供給定坐標系下的目標瞬時三維點云模型，并在此基礎上應用點云分析方法可獲取三維點云內目標姿態等狀態參數。但受地基空間目標InISAR設備基線長度、人造目標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稠密點云仍是當前該方向研究的一大難題。

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

3.3 雷達投影成像結構反演技術

通過建立目標在軌狀態與其ISAR圖像特征間數學表達進行空間目標狀態參數估計是本領域另一個重要發展方向。2001年，MIT林肯實驗室的Mayhan等人[50]結合幾何衍射理論(Geometrical Theory of Diffraction,GTD)提出目標ISAR成像過程可理解為目標三維散射點在二維雷達成像平面上的垂直投影變換。如圖16所示，空間目標地基ISAR成像觀測過程可以使用目標本體坐標系下維度為2×3 的投影矩陣A進行描述。在此基礎上，西安電子科技大學的張磊、周葉劍等人[51]建立了目標三軸穩定情況下的在軌姿態參數及其典型矩形部件在ISAR觀測圖像序列內投影形態間的顯式表達，并根據序列內部件結構平行四邊形特征連續變化規律求解目標在軌姿態參數。圖17中，根據目標姿態估計結果可在給定觀測視角內重建觀測圖像序列，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]

在此基礎上，國防科技大學的王志會等人[52]提出結合ISAR成像投影模型，根據空間目標在ISAR觀測圖像序列內的線結構差分投影特征進行目標在軌姿態參數優化估計。中山大學的謝鵬飛等人[53]提出基于關鍵點提取的空間目標姿態自動化估計方法，首次將深度學習技術應用于空間目標ISAR圖像特征的提取，通過關鍵點估計網絡(Key Point Extraction Network,KPEN)從ISAR圖像序列中提取目標關鍵結構點，實現空間目標姿態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關鍵點提取流程[53]Fig.18 Target scattering point extraction using KPEN[53]

此外，為解決失穩目標瞬時姿態估計問題，西安電子科技大學的張磊、周葉劍等人[54,55]在后續研究中引入多站地基ISAR同步觀測、同站雷達-光學異視觀測模式，以此解決因目標在軌自旋帶來的ISAR成像幾何標定困難問題，實現失穩目標在軌狀態信息的精細化估計。如圖19所示，多站地基ISAR同步觀測方式利用雷達圖像特有的多普勒維度信息與目標雷達間相對運動的直接聯系，分步實現目標瞬時姿態與自旋運動的參數估計，驗證了雷達傳感器在空間自旋目標狀態感知應用上的“天然優勢”[54]。雷達-光學異視指在相同視角觀測得到光學成像平面和雷達成像平面始終正交。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，目標在這兩類圖像內投影信息互補[55]。這種光電聯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，可以廣泛應用于各類多傳感信息融合任務。

圖19 多站ISAR同步成像瞬時姿態測量[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構反演方向的一個重要研究內容。日本三菱電機公司的Suwa等人[56]提出利用多視角ISAR對目標進行序列成像，根據多組圖像內散射點特征變化來估計目標的轉動參數和散點位置。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運動。西安電子科技大學的張磊、周葉劍等人[57,58]類比光學圖像因景深產生的散焦現象，將ISAR成像散焦現象與目標雷達間相對運動補償過程聯系起來，提出了利用回波二次相位系數解算目標在軌姿態參數，并將其推廣至面向非平穩目標的多站聯合測量模式。這一方式實現了ISAR圖像二次相位的“變廢為寶”，為雷達成像、圖像解譯等相關領域研究提供了一個新的視角與思路。

但無論是基于目標ISAR圖像投影形態特征還是相位特征的結構反演技術在實際應用過程中均對地基雷達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在軌參數時，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果的準確性。因而，該類方法需要面向實際觀測場景結合目標軌道運動模型進行進一步優化。

4 目標狀態自估計更新技術

“自估計(Ego-motion Estimation)”技術主要通過分析目標傳遞到地面觀測站點的自身INS(Inertial Navigation Systems),GPS (Global Positioning System)播報或對地遙感圖像等觀測數據來判定目標在軌狀態。應用傳感器測量數據的方法多采用如Kalman濾波等算法對目標進行狀態估計、更新與控制。1982年，NASA Goddard航天飛行中心的Lefferts等人[59]較為全面地總結了在配備三軸陀螺儀和姿態傳感器條件下的適用于空間目標姿態控制的估計方法。后續該類方法得到持續研究[60–65]，如紐約州立大學的Kim等人[60]根據光學傳感器獲取的目標視角信息與陀螺儀測量值，結合動力學模型在擴展卡爾曼濾波框架下估計目標相對姿態、位置和陀螺儀偏差。而應用目標觀測數據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，通過目標自身觀測數據與場景真實空間先驗構建目標觀測狀態評估方案。意大利波倫亞大學的Carozza等人[66]針對空間衛星對地觀測場景，提出根據目標傳回地表圖像與理論模擬圖像間的差異對目標在軌姿態進行估計與評估，如圖21所示。現階段，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]。總的來看，自估計方法在實際中多適用于存在目標與觀測者穩定通信的合作目標態勢感知，目標狀態估計精度取決于傳遞信息的準確性，但對于非合作目標或失控、失聯目標觀測分析精度受限。

圖21 文獻[66]中的目標姿態估計流程Fig.21 The flowchart of attitude estimation method in Ref.[66]

5 總結與展望

地基ISAR系統通過窄帶精密跟蹤、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狀態分析工作提供高質量的觀測支持。本文結合地基ISAR雷達設備發展，對空間雷達成像目標在軌狀態估計技術進行了歸納總結，介紹了3種現有在軌目標狀態信息獲取的技術思路，展示了相關具有代表性的研究成果，并對其特點進行簡要論述。

(1) 數據特征匹配技術主要依賴現有觀測數據積累，多適用于已知目標觀測場景；

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

(3) 狀態自估計技術則采用了目標與觀測者間數據通信的主動式狀態更新，僅限于合作目標監測。

近年來，隨著各國航天活動日趨頻繁，復雜空間環境下合作、非合作空間目標實時狀態監測需求愈發凸顯。如何快速地處理地基觀測成像處理數據，獲取精細化的目標在軌狀態信息仍是一大挑戰。從現階段目標在軌狀態估計的研究基礎來看，以下方面仍需展開深入研究：

(1) 多源傳感器成像信息融合：對于空間目標觀測場景，傳感器成像幾何流形是感知目標狀態的核心資源。多站聯合成像的方式通過直接增加觀測角度資源，實現了觀測資源調度的“以‘空間’換取‘時間’”；而光學-雷達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，實現同視角下光學-雷達感知互補。這兩條技術思路有望成為未來空間態勢感知網絡體系建設的核心內容，相關的理論知識以及工程設備將會是學術界以及各國工業部門在空間態勢感知領域的發展重心，有深入研究的價值。

(2) 目標成像信息智能化解譯：現階段空間目標狀態估計過程中，對于ISAR圖像特征的提取大多依賴人工參與，對目標結構先驗需求偏高，在處理大數據量、多種類目標的連續觀測任務中面臨挑戰。另外，隨著深度學習等機器學習技術在雷達成像增強、目標識別等方面研究的日趨成熟，深度利用機器學習技術解決目標成像特征自動提取、準確關聯識別問題有望成為目標成像信息智能解譯的一條潛在途徑。從現階段研究基礎來看，該方向的未來研究需要圍繞著仿真圖像訓練結果如何遷移至實測數據處理應用這一技術難點進行探究。