-
激光测距是测量激光脉冲在测站与目标之间往返飞行的时间,从而计算得到目标的距离值,测量得到的是时间数据。为了使测到的数据能够被用于科学研究,需要对原始数据进行一系列的处理,这个处理过程称之为数据预处理[6]。
基于阵列探测技术的激光测距数据预处理方法流程:(1)主回波匹配,将各通道每个回波时刻与对应的主波时刻匹配起来;(2)信号识别,从大量噪声信号中识别激光测距信号;(3)循环拟合滤波,利用多次多项式拟合的方法,进一步滤波剔除野点;(4)通道间的时间偏差修正,利用地靶数据或互相关分析,修正通道间的时间偏差;(5)修正后数据处理,进一步提高数据精度。
该节数据预处理过程以2019-04-15日测量的38355空间碎片处理过程为例,多通道激光测距数据概况如图2所示,图2(a)为激光器工作频率,图中可以看出激光脉冲发射频率为100 Hz,中间的缺口表示激光器被暂停过;图2(b)为目标在测量时间内的理论距离,根据主波时刻和距离轨道预报数据进行插值计算得到;图2(c)为各通道采集数据计数,即探测器响应计数;图2(d)为各通道主回波匹配上的数据计数,匹配门限−60 ~60 μs;从图中可以看出,测量数据中1、2、8通道未采集到数据;16通道采集到数据,但未匹配到数据。
-
得到激光测距测量数据后,首先,需要从这些数据中将每个回波时刻与对应的主波时刻匹配起来,这样才能得到激光脉冲的往返飞行时间。匹配的流程是,对于各通道每个回波时刻,与每一个主波时刻做减法,其差值再减去此主波时刻所对应的目标预报距离时间,得到距离残差(O-C)数据[6],图3(a)为各通道主回波匹配的O-C数据图。
图 3 主回波匹配O-C图。(a)各通道,(b)所有通道
Figure 3. Main echo matching O-C plot. (a) Each channel, (b) all channels
得到各通道O-C数据后,先将各通道O-C数据进行简单叠加,得到所有通道O-C数据,简单叠加可以增加有效信号点数并平均各通道噪声,方便下一步的测距信号识别,图3(b)为所有通道O-C数据。
-
在激光测距过程中,由于系统噪声、环境噪声等的影响,测量的数据中有大部分噪声,需要从噪声中识别出信号数据[6]。此过程中,处理的数据对象是2.1节中获得的测距O-C数据。
回波识别可以凭借人眼经验判断识别,也可以采取自动识别算法[7]。泊松(Poisson)统计滤波算法能对高噪声、低信号水平的激光测距数据进行有效滤除噪声。美国McDonald站将Poisson统计滤波算法应用到月球激光测距中并取得了良好的效果,澳大利亚Stromlo站将Poisson统计滤波算法应用到卫星激光测距中并实现了无人职守的全自动观测[8-11]。
Poisson统计滤波算法认为O-C数据中的噪声点服从Poisson分布,而有效信号则在短时间内近似呈线性分布,通过判断数据点是否服从泊松分布来滤波去噪,保留有效信号[7-10]。
Poisson分布给出了在给定的单位时间间隔内,如果在总体样本中平均有
$\lambda $ 个随机事件发生,那么单位时间内发生$n$ 个随机事件的概率如公式(1)所示:$$P(n) = \dfrac{{{\lambda ^n}}}{{n!}}{e^{ - \lambda }}$$ (1) 图4(a)为分段进行Poisson统计滤波算法进行信号识别的过程,图4(b)为信号识别结果。将整段数据按照同样的间隔划分为8段,图4(a)为其中第3段。
图 4 分段信号识别(第3段/共8段)(a)和信号识别结果(b)
Figure 4. Segmental signal identification (3/8) and signal identification results (b)
图4(a)中左上图为O-C数据的直方图统计结果;右上图为根据直方图统计结果得到的频数分布和Poisson分布统计结果,从图中可以看出,数据中噪声频数分布统计结果和Poisson分布统计结果基本一致;左下图为累计概率分布统计结果,当累计概率大于相应阈值时,认为该区域信号为疑似信号或确定信号,待进一步判断,其余区域信号为噪声;右下图为分段信号识别结果。
从图4(b)可以看出,使用泊松滤波的方法可以很好地识别出激光测距信号,并且不受O-C数据图中竖条纹干扰,根据试验系统情况和测距数据分析,该竖条纹可能是激光后向散射被超导探测器探测,也可能是由超导探测器自身干扰引起。
-
为了进一步滤除噪声,并且得到数据点的分布特征以及计算数据的符合精度,需要对数据进行多项式拟合滤波[6]。
对识别后的O-C使用最小二乘拟合法,进行低阶多项式拟合,去除系统趋势项,避免引进高阶震荡项,获得拟合残差数据。
将O-C拟合成:
$${f_{{\rm{o}} - {\rm{c}}}}(t) = {a_0} + {a_1}t + {a_2}{t^2} + \cdots + {a_n}{t^n}$$ (2) 式中:
$t$ 为主波时刻;${f_{{\rm{o} }- {\rm{c}}}}(t)$ 为多项式拟合的O-C值;${a_i}$ 为拟合得到的系数。拟合后,计算距离残差(O-C)
$\Delta {R_i}$ 在时间${T_i}$ 时候的拟合残差为:$$fit_i^{{\rm{O}} - {\rm{C}}} = \Delta {R_i} - {f_{{\rm{o}} - {\rm{c}}}}({T_i})$$ (3) 计算拟合残差序列的标准偏差,删除拟合残差值大于2.5倍标准偏差的数据,然后计算剩余数据的内符合精度(标准偏差RMS),若精度没达到要求,拟合阶数增加1,直至达到相应要求。
-
由于发射的激光脉冲服从高斯分布,所以认为回波信号也服从高斯(Gauss)分布,回波光子分布示意如图6(a)所示,由于激光飞行过程中目标反射影响,同时受探测器和数据采集设备影响,回波光子分布会有展宽。
图 6 激光测距回波光子分布示意图(a)和通道间时间偏差示意图(b)
Figure 6. Echo photon distribution diagram of laser ranging data (a) and time offset diagram between channels (b)
由于阵列探测器各像元响应不一致、探测器到数据采集终端连接线长短不一致、多个GT668PXIe-1模块时间同步不一致等原因,导致多通道激光测距数据各通道间存在一定时间偏差,如图6(b)所示,因此需要对通道间的时间偏差进行修正。
-
通过地靶测量的方法可以在修正系统延迟的同时,修正各通道间的时间偏差。实现方法是经过上述处理后,分通道计算系统延迟;然后在探测目标数据处理时,分通道减去系统延迟,就可以在修正系统延迟的同时修正通道间的时间偏差。
这种方法简单易行,但需要频繁测量地靶;在地靶测量时,难以保证所有通道都能采集到数据,实际应用中有可能需要舍弃一些通道的数据,只保留地靶测量和目标测量都采集到数据的通道。所以通过地靶测量方法来修正通道间的时间偏差存在一定问题。
-
采用互相关分析和多高斯拟合的方法也可修正各通道间的时间偏差。如图6(a)所示,回波光子分布可以通过多高斯拟合的方法进行拟合。文中使用两个高斯函数叠加来拟合回波信号分布情况,如公式(4)所示:
$$r\left( x \right) = {a_1} \times {e^{ - {{\left( {\frac{{x - {b_1}}}{{{c_1}}}} \right)}^2}}} + {a_2} \times {e^{ - {{\left( {\frac{{x - {b_2}}}{{{c_2}}}} \right)}^2}}}$$ (4) 对于任意两个通道,理论上认为分布特征应该非常相似或一致,对任意两通道回波分布进行移位互相关分析,可以得到一组互相关序列。其中互相关数值最大的位置表示两通道回波分布相关程度最高,因此此时的位置移动量即为这两通道间时间偏差。
实际使用中,首先选取一个通道作为标准通道,目前通常选取1通道为标准通道(此数据采集通道和主波数据采集通道为同一块数据采集卡,偏差相对较小)或选取数据最多的通道为标准通道(数据分布相对更明显)。然后让每个通道数据和标准通道进行互相关分析。
不同通道间互相关分析相关系数为(
$\tau $ 为通道间的延迟网格个数):$${\gamma _{xy}}(\tau ) = \sum x(n)y(n + \tau )$$ (5) 归一化互相关分析相关系数为:
$${\rho _{xy}} = \dfrac{{{\gamma _{xy}}}}{{\sqrt {\displaystyle \sum {x^2}(n)\displaystyle \sum {y^2}(n)} }}$$ (6) 此过程中处理的数据为2.3节获得的拟合残差数据,如图5(b)所示。
图7(a)为各通道拟合残差直方图统计结果和双高斯拟合结果,图7(b)为其中通道13拟合残差直方图统计结果和双高斯拟合结果。
图 7 拟合残差直方图统计和多高斯拟合结果。(a)各通道,(b)通道13
Figure 7. Fitting residual histogram statistics and multi-peaks Gaussian fitting results. (a) Each channel, (b) channel 13
根据双高斯拟合结果对各通道与标准通道进行互相关分析,图8(a)为各通道与标准通道(14通道)直方图统计结果的互相关序列和高斯拟合结果(公式(7)),对公式(7)求导数得到公式(8),当拟合函数导数为0时,即
$x = {b_1}$ 时,$\dot r\left( x \right) = 0$ ,$r\left( x \right)$ 最大,如图8(b)所示,此$x\left( {{b_1}} \right)$ 值即为当前通道与标准通道的时间偏差。图 8 各通道与标准通道(14通道)互相关序列和高斯拟合结果。(a)各通道与标准通道互相关序列和高斯拟合结果,(b)通道13互相关序列极其最大值
Figure 8. Cross-correlation sequence of each channel and standard channel (channel 14) & Gaussian fitting results. (a) Cross-correlation sequence of each channel and standard channel & Gaussian fitting results, (b) cross-correlation sequence of channel 13 and its maximum value
$$r\left( x \right) = {a_1} \times {e^{ - {{\left( {\frac{{x - {b_1}}}{{{c_1}}}} \right)}^2}}}$$ (7) $$\dot r\left( x \right) = - \frac{{2{a_1} \times \left( {x - {b_1}} \right)}}{{c_1^2}} \times {e^{ - {{\left( {\frac{{x - {b_1}}}{{{c_1}}}} \right)}^2}}}$$ (8) 总数据拟合残差直方图统计如图9所示,修正前内符合精度1.883 m (见图9(a)),修正后内符合精度1.809 m (见图9(b)),激光脉宽为5.7 ns。
图 9 修正前(a)和修正后(b)拟合残差直方图统计(所有通道)
Figure 9. Fitting residual histogram statistics before (a) and after (b) correction(all channels)
互相关分析方法适用于所有的测量目标(包括地靶),但当识别信号点数较少时,因激光测距数据分布特征不明显而导致该方法失效。
-
在实际应用中,结合两种方法进行修正。在中国科学院云南天文台4×4阵列激光测距试验平台中,已经实现数据自动处理,在测量完成时,在10 min内可以输出数据预处理结果,根据2.2和2.3节泊松统计分析和循环拟合滤波的结果判断是否可以通过互相关分析方法进行修正,对于无法修正或者修正结果异常的情况,会提示需要使用地靶测量的方法进行修正。
同时,对于比较重要的目标,可以事后分别使用两种修正方法进行修正,再进行进一步的分析。
-
修正通道间的时间偏差后,再次进行数据拟合(与2.3节方法一致),滤除少量野点,进一步提高数据内符合精度。2.4节修正通道间的时间偏差后内符合精度为1.809 m,再次进行数据拟合后内符合精度为1.794 m。
经过以上匹配、识别、拟合、修正等过程后,修正并记录系统延迟等信息,可按照相应格式[6]需求输出高精度数据,用于空间碎片的精密定轨等科学应用。
-
该节主要选取2018-12-01和2019-04-15的激光测距数据进行处理。
部分测量数据处理结果如表1所示,测量中激光脉宽5.7 ns,数据预处理为自动处理,过程中无需人为干预。
表 1 通道间的时间偏差修正结果
Table 1. Correction results of time offset between channels
Code
(name)Date RMS before correction/m RMS after correction/m Accuracy improvement/m Remarks 10517 2019-04-15 1.898 1.759 13.9 1st pass 10517 2019-04-15 2.115 2.046 6.9 2nd pass 38355 2019-04-15 1.883 1.809 7.4 04139 2018-12-01 1.514 1.491 2.3 07364 2018-12-01 1.807 1.756 5.1 22237 2018-12-01 1.174 1.048 12.6 22285 2018-12-01 1.488 1.468 2.0 hy2a 2018-12-01 0.861 0.780 8.1 Mean ~7.2 从表1中可以看出通过通道间时间偏差修正能有效提高精度,表中修正前后内符合精度(RMS)平均提高约7.2 cm。
其中2019-04-15日10571-1数据预处理结果如图10所示;2018-12-1日hy2a数据预处理结果如图11所示。
图 10 10571数据预处理结果。(a)原始数据,(b)信号识别结果,(c)修正后拟合残差直方图统计
Figure 10. 10571 data preprocessing results. (a) Original data, (b) signal identification results, (c) histogram statistics of fitting residual after correction
图 11 hy2a数据预处理结果。(a)原始数据,(b)信号识别结果,(c)修正后拟合残差直方图统计
Figure 11. hy2a data preprocessing results. (a) Original data, (b) signal identification results, (c) histogram statistics of fitting residual after correction
修正通道间的时间偏差后,再次进行数据拟合,结果如表2所示,内符合精度(RMS)平均提高约3.2 cm。
表 2 修正后数据处理内符合精度
Table 2. RMS of further processing
Code
(name)Date RMS after correction/m RMS further processing/m Accuracy improvement/cm Remarks 10517 2019-04-15 1.759 1.717 4.2 1st pass 10517 2019-04-15 2.046 2.039 0.7 2nd pass 38355 2019-04-15 1.809 1.794 1.5 04139 2018-12-01 1.491 1.489 0.2 07364 2018-12-01 1.756 1.646 11.0 22237 2018-12-01 1.048 1.030 1.8 22285 2018-12-01 1.468 1.435 3.3 hy2a 2018-12-01 0.780 0.746 3.4 Mean ~3.2
Preprocessing method of laser ranging data based on array detection technology
-
摘要: 阵列探测技术对回波信号及其微弱的空间碎片激光测距系统具有重要意义,可提高探测成功概率。针对这一崭新的激光测距技术,文中研究了基于阵列探测技术的激光测距数据预处理方法。在常规卫星激光测距数据预处理方法基础上,针对阵列超导探测器特点,结合地靶测量方法和多高斯拟合及互相关分析方法,实现了多通道激光测距数据的通道间的时间偏差修正;利用泊松统计分析、循环拟合滤波等方法,实现了多通道激光测距数据的自动识别、数据拟合等。目前该方法已经成功应用于中国科学院云南天文台4×4阵列激光测距试验平台试验中,并获得良好的效果。Abstract: Array detection technology is of great significance to the laser ranging system for space debris with extremely weak echo signals, because array detection technology can improve the probability of detection success in laser ranging of space targets. Focusing on this new laser ranging technology, the preprocessing method of laser ranging data based on array detection technology was researched in this paper. The research was based on general preprocessing method of satellite laser ranging data. According to the characteristics of the array of Superconducting Nanowire Single Photon Detector (SNSPD), together with the methods of ground target measurement and the methods of multi-peak Gaussian fitting & cross correlation analysis, the time offset correction between channels of the multi-channel laser ranging data was realized. Poisson statistical analysis and cyclic fitting filter were used to realize signals automatic identification and data fitting of multi-channel laser ranging data, etc. At present, this data preprocessing method has been successfully applied in the experiment of 4 × 4 array laser ranging experiment platform of Yunnan Observatory, Chinese Academy of Sciences, this method can correct the time offset between channels of multi-channel laser ranging data, and the application of this data preprocessing method has achieved good results.
-
图 8 各通道与标准通道(14通道)互相关序列和高斯拟合结果。(a)各通道与标准通道互相关序列和高斯拟合结果,(b)通道13互相关序列极其最大值
Figure 8. Cross-correlation sequence of each channel and standard channel (channel 14) & Gaussian fitting results. (a) Cross-correlation sequence of each channel and standard channel & Gaussian fitting results, (b) cross-correlation sequence of channel 13 and its maximum value
表 1 通道间的时间偏差修正结果
Table 1. Correction results of time offset between channels
Code
(name)Date RMS before correction/m RMS after correction/m Accuracy improvement/m Remarks 10517 2019-04-15 1.898 1.759 13.9 1st pass 10517 2019-04-15 2.115 2.046 6.9 2nd pass 38355 2019-04-15 1.883 1.809 7.4 04139 2018-12-01 1.514 1.491 2.3 07364 2018-12-01 1.807 1.756 5.1 22237 2018-12-01 1.174 1.048 12.6 22285 2018-12-01 1.488 1.468 2.0 hy2a 2018-12-01 0.861 0.780 8.1 Mean ~7.2 表 2 修正后数据处理内符合精度
Table 2. RMS of further processing
Code
(name)Date RMS after correction/m RMS further processing/m Accuracy improvement/cm Remarks 10517 2019-04-15 1.759 1.717 4.2 1st pass 10517 2019-04-15 2.046 2.039 0.7 2nd pass 38355 2019-04-15 1.809 1.794 1.5 04139 2018-12-01 1.491 1.489 0.2 07364 2018-12-01 1.756 1.646 11.0 22237 2018-12-01 1.048 1.030 1.8 22285 2018-12-01 1.468 1.435 3.3 hy2a 2018-12-01 0.780 0.746 3.4 Mean ~3.2 -
[1] Li Yuqiang, Li Rongwang, Li Zhulian, et al. Application research on space debris laser ranging [J]. Infrared and Laser Engineering, 2015, 44(11): 3324-3329. (in Chinese) doi: 10.3969/j.issn.1007-2276.2015.11.027 [2] Orin A E, Michelsen E L, Murphy T W, et al. Apache Point Observatory lunar laser-ranging operation (APOLLO)[C]//American Astronomical Society Meeting, 2004: 36. [3] Michelsen Eric Leonard. Normal point generation and first photon bias correction in APOLLO lunar laser ranging[D]. Los Angeles: University of California, 2010. [4] You Lixing. Recent progress on superconducting nanowire single photon detector [J]. Scientia Sinica Informationis, 2014, 44(3): 370-388. (in Chinese) doi: 10.1360/N112013-00057 [5] Zhou Yu, Zhang Labao, Jia Tao. Response properties of NbN superconductor nanowire for multi-photon [J]. Acta Physica Sinica, 2012, 61(20): 208501. (in Chinese) doi: 10.7498/aps.61.208501 [6] International Laser Ranging Service. Data screening and normal point formation [EB/OL]. [2012]. https://ilrs.cddis.eosdis.nasa.gov/data_and_products/data/npt/npt_algorithm.html. [7] Zhang Zhongping, Georg Kirchner, Xia Xiaohai. Satellite return identification and real-time improvement of orbit prediction [J]. Annals of Shanghai Observatory Academia Sinica, 2001(22): 80-83. (in Chinese) [8] Luck J, Moore C, Greene B. Autonomous laser ranging results from mount stromlo[C]//12th International Workshop on Laser Ranging, Matera: ASL, 2000: 2-12. [9] Ricklefs R L, Shelus P J. Poisson filtering of laser ranging data[C]//8th International Workshop on Laser Ranging Instrumentation, 1992: 15544. [10] Tang Rufeng. Space target laser ranging signal processing and application[D]. Beijing: University of Chinese Academy of Sciences, 2015. (in Chinese) [11] Liu Tong, Chen Hao, Shen Ming, et al. Effective echo extraction for space debris laser ranging using randomized Hough transform [J]. Chinese Journal of Lasers, 2016, 43(4): 0408002. (in Chinese)