ICCVAug, 2019

使用深度地标回归与非线性姿态细化进行卫星姿态估计

PDF
TL;DR我们提出了一种从单个图像中估计卫星 6DOF 姿态的方法，该方法结合了机器学习和几何优化，并预测了输入图像中一组地标的坐标，解决了非线性优化以求解物体姿态，不仅在该特定姿态估计任务中具有新颖性，还在欧洲航天局（ESA）组织的 Kelvins 姿态估计挑战赛中展现出优秀的精确度，获得了第一名。
发现论文，激发创造
  • 卫星姿态估计挑战赛：数据集、竞赛设计与结果

    该研究以卫星姿态估计数据集为基础，对基于单目视觉的方法进行分析，在对 48 名参赛者分析竞赛表现的基础上，探讨了卫星姿态估计问题的挑战和改进方向。

    Nov, 2019

  • 基于逼真渲染的深度学习航天器姿态估计

    利用深度学习和逼真的渲染技术进行空间交会、对接和空间碎片清理中的六自由度姿态估计，通过提出一种面向方向软分类的深度学习框架，通过在 Unreal 引擎 4 上构建模拟器生成标注图像，且在欧洲航天局的姿态估计竞赛中取得了第三名和第二名的优异成绩。

    Jul, 2019

  • 基于深度学习的单目航天器姿态估计调查：现状、局限和前景

    本文综述了当前基于深度学习的航天器姿态估计方法，比较了混合模块化管道和直接端到端回归方法的算法，在姿态精度、网络架构和模型大小等方面进行了讨论，并探讨了用于训练和测试这些方法的现有单目航天器姿态估计数据集以及通过模拟器和实验室 / 空间照片生成的数据之间的差距和性能下降问题。

    May, 2023

  • 非合作空间器鲁棒性学习姿态估计

    提出了一种新的卷积神经网络架构及训练过程，可对非合作空间器进行姿态估计，通过对合成图像的纹理随机化进行训练的 CNN 表现出更好的性能，在单张图片中采用回归 2D 关键点的方法解决了空间像素限制问题。

    Sep, 2019

  • 对于轨道 6D 位姿估计的领域泛化

    我们提出了一种通过多任务学习和积极的数据增强策略来改善网络的领域泛化能力，从而实现相对 6D 姿态和空间飞行器姿态估计的跨领域问题。

    Jun, 2024

  • 空间中的宽度 - 深度范围 6D 物体姿态估计

    本论文提出了一种单阶段的分层端对端可训练网络，可以更好地解决大规模空间场景中的 6D 姿态估计问题，相比现有方法在合成的太空图像和标准数据集上表现更优秀。关键词包括 6D 姿态估计、空间、大气散射、基准数据集和端对端可训练网络

    Apr, 2021

  • 使用卷积神经网络进行非合作空间器交会姿态估计

    本文介绍了一种基于卷积神经网络的单目视觉姿态确定方法，涉及对姿态空间进行离散处理并使用 CNN 进行训练的设计和验证，同时提出了一种用于生成任何航天器 3D 模型高保真度图像的图像合成流水线，并通过分类和姿态准确性评估指标表明该体系结构具有理想的稳健性和可伸缩性。

    Sep, 2018

  • 利用单目图像实时、适航、非合作航天器姿态估计

    本文提出了一种基于卷积神经网络的单目位姿估计系统，结合基于 Blender 的合成数据生成方案，能够从纯合成训练数据泛化到北美洲猫头鹰飞船的真实空间图像，并在低功耗硬件上实现实时性。

    Jan, 2021

  • 基于无监督领域自适应和三维引导损失组合的飞行器姿态估计

    本文研究了为使两个宇宙飞船相互导航而进行的宇宙飞船姿态估计任务，并应用三维数据模拟器提升数据可用性。进一步，提出了一种考虑三维结构的方法，以提高姿态估计管道的鲁棒性和应对数据源和目标域之间的差异。最终，该算法在 2021 年由欧洲航天局和斯坦福大学组织的姿态估计挑战赛中取得了第二名的成绩。

    Dec, 2022

  • 利用神经网络进行非合作汇合的姿态估计

    本文介绍了一种用于非合作航天器姿态估计的 Spacecraft Pose Network (SPN) 方法， 基于单目视觉，无需手工特征提取和仅使用一张灰度图像即可确定相机与航天器之间的姿态。SPN 方法使用一个卷积神经网络，在检测航天器的 2D 边界框的基础上，用三个分支来求解姿态和位置估计，并生成了 Spacecraft PosE Estimation Dataset (SPEED) 数据集，仅用合成图像训练的 SPN 方法能够在实际相机图像上产生角度级姿态误差和 cm 级位置误差。

    Jun, 2019