Nov, 2023

低地球轨道驻留空间物体分类：一种深度学习方法

PDF
TL;DR我们提出了一个新的用于低地球轨道的 RSO 分类法来增强空间交通管理，并且提出了基于自编码器架构的深度学习模型，以减少表示 RSO 特征的属性。该自编码器生成一个低维空间表示，然后使用 Uniform Manifold Approximation and Projection 等技术探索并识别基于 RSOs 独特特征的基本群集。我们的分类法和模型为缓解轨道上不断增加的 RSOs 所带来的整体风险做出了重要贡献。
发现论文，激发创造
  • 基于机器学习的太空物体密度分布预测方法

    提出了一种机器学习模型以加速人工空间目标的密度分布的传播，并通过长期预测实验来评估模型的能力和性能退化原因及解决方案。

    Jan, 2024

  • 单帧空间图像自动 RSo 条纹检测的模拟增强基准测试框架

    为了解决巨大的数据缺口和评估方法的挑战，本研究提出了一种模拟增强基准评估框架，以有效地训练和评估深度卷积神经网络探测器对居民空间物体的探测，其中模拟数据和图像分辨率的量是评估探测方法的高准确性和有效性的两个关键因素。

    Apr, 2023

  • 使用 MuyGPyS 进行密集目标分类

    使用高斯过程 python 软件包 MuyGPyS 进行 Closely-Spaced Objects（CSO）分类，研究表明 MuyGPyS 在更具挑战性的情况下优于传统的机器学习方法。

    Nov, 2023

  • SpY: 基于上下文的航天器组件检测方法

    本文介绍了一种名为 SpaceYOLOv2 (SpY) 的端到端物体检测器，利用传统的计算机视觉技术融入上下文知识以提高检测准确性，并通过与现有的航天器部件检测器相结合，使得 SpY 在硬件环路图像的评估中表现出较高的准确性，为基于视觉导航任务提供了增强安全性的解决方案。

    Jun, 2024

  • 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

  • VRSO：用于静态物体标注的视觉中心重建

    该论文介绍了 VRSO，一种用于静态物体注释的基于视觉的方法，它使用相机图像作为输入，可以在 3D 空间中恢复静态物体，并基于自动重建和注释流程生成用于静态对象检测任务的 GT，其平均重投影误差仅为 2.6 像素，约为 Waymo 标注的四分之一（10.6 像素）。

    Mar, 2024

  • 机器学习辅助的跨海王星天体的动力学分类

    使用大规模多样性的训练集和经过精心选择的基于数值积分的 TNO 轨道动力学数据特征，我们提出了一种改进的监督式机器学习分类器，其返回结果与人工分类器相匹配的频率为 98％，与动力学相关的分类为 99.7％。这种分类器比人工分类方法效率更高，将改善观测和建模的 TNO 数据分类。

    May, 2024

  • 神经会合：学习为基础的稳健导航和控制，以遇到星际物体

    本文提出了一种称为神经约会（Neural-Rendezvous）的基于深度学习的指导和控制框架，使探测任何快速运动的天体尤其是星际物体（ISOs）变得高效且精确，同时提供一种方法在数值仿真中尝试所述方案。

    Aug, 2022

  • 基于自监督机器学习的轨道建模方法应用于太空交通管理

    通过使用预训练的轨道模型，本文提出了一种改进基于机器学习的空间交通管理任务性能的新方法，称为 ORBERT，并展示了该模型利用大量现有的轨道数据学习有意义的表示，并用于辅助下游任务。作为此方法的概念验证，我们考虑了全相机互测任务，并展示了利用无标签轨道数据可以提高性能，并且该方法尤其对于标记数据有限的任务特别有益。

    Dec, 2023

  • 基于熵的视觉解释的卫星组件识别中的 YOLOv5 研究

    通过利用信息论分析模型中隐藏层中的潜在表达来解释决策过程，研究论文使用了 PEEK 方法，使得我们能够了解 You Only Look Once v5（YOLOv5）目标检测模型在解决低地球轨道（LEO）中的非合作和未鉴别空间碎片的自主小型追逐卫星的几何确定和安全飞行轨迹规划方面的优势、局限性和偏差。

    Nov, 2023