卫星姿态估计挑战赛:数据集、竞赛设计与结果
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
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
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。
Aug, 2019
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
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
本文介绍了具有特定重点的下一代航天器姿态估计数据集,包括用于训练的 6 万个合成图像和由测试床拍摄的 9531 个具有准确和最大多样化姿态标签的硬件在环图像,旨在评估和比较基于合成图像训练的空间机器学习模型的鲁棒性。
Oct, 2021
本文介绍 DeepGlobe 2018 卫星图像理解挑战赛,包括分割、检测和分类任务,旨在提高计算机视觉领域对遥感数据的关注,评估卫星图像理解方法并为未来的研究提供参考基准。
May, 2018
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
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