使用加速的 3D 高斯模糊投射技术,在轨道上实现对不明卫星的几何映射和高准确度组件检测,从而实现自主导航和控制任务。
Jun, 2024
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。
本文介绍了两种创新方法,显著提升了小型空中物体的检测和分割能力。首先,我们探索了 SAHI 框架在新引入的轻量级 YOLO v9 架构上的应用,利用可编程梯度信息(PGI)来减少在串行特征提取过程中常见的大量信息损失。同时,本文还采用了 Vision Mamba 模型,该模型结合位置嵌入以实现精确定位感知,结合了一种新颖的双向状态空间模型(SSM),用于有效的视觉背景建模。我们的实验结果显示,在不同的空中场景下,这些方法在检测准确度和处理效率上都取得了显著的改进,验证了这些方法在实时小型物体检测方面的适用性。本文还讨论了这些方法如何成为未来空中目标识别技术的基础模型。源代码将在此处提供。
May, 2024
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
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
运用 3D 高斯粒子扩散方法,在当前太空航行硬件上,通过对卫星进行建模和渲染,实现对未知卫星的准确定位和控制。
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。
Nov, 2023
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
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
本研究介绍了 CosmosDSR 方法,将 YOLOv3 与无迹卡尔曼滤波器结合,用于序列图像中卫星的跟踪,与线性卡尔曼滤波器进行比较,表明该算法在卫星检测和跟踪方面具有潜力,为解决凯斯勒综合症提供了可能的解决方案。
Oct, 2023