对于轨道 6D 位姿估计的领域泛化
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
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
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
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
该研究提出了 Spacecraft Pose Network v2（SPNv2），是一个多尺度的卷积神经网络，通过在合成图像上进行数据增强而联合训练，可以实现对具有不同视觉特征的图像域进行非合作卫星的姿态估计。与此同时，该研究还引入了 ODR（Online Domain Refinement）技术，通过自监督熵最小化来在线优化 SPNv2 的统一参数，进一步提高了网络在没有姿态标签和计算开销最小的情况下在目标图像领域的性能。
Mar, 2022
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
本文提出了一种基于合成图像或少量真实图像训练的 6D 物体位姿估计方法，使用第一网络获得粗略姿态估计后，使用第二网络预测精细的二维对应场，并推断所需的姿态纠正，该方法在显著减少合成图像与真实图像领域差异的情况下具有与需要标注真实图像训练的方法相当的性能，而在使用 20 张真实图像时，它的性能明显优于它们。
Mar, 2022
研究人员提出了一种基于立体视觉启发的神经网络技术和几何搜索方案来生成高质量的 3D 姿势地面真实数据，使不需要专业训练模式和辅助损失函数的神经网络模型在野外图像数据中实现良好的 3D 姿态估计结果。
Apr, 2019