智能航空航天任务的计算机视觉任务概述
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
本篇论文使用卷积神经网络用于辅助空间装配任务中的物体追踪和位姿预测,通过模拟器生成的数据集训练后,证明该模型相对于其他基于手工特征提取的方法更加稳健可靠。
Jan, 2020
这篇论文提出了一种新的基于卷积神经网络的方法来预测空间中不配合物体的姿态,实验结果表明该方法在无需3D信息的情况下可以与当前姿态预测领域的最先进技术相竞争。
Apr, 2021
该文综述了当前基于深度学习的自主航天器相对导航方法,并侧重于太空飞行器缘会和小型天体着陆等具体轨道应用。文章总结了深度学习相对导航算法的基本特征、主要动机和贡献,并比较了流行的视觉跟踪基准及其性质。此外,本文还讨论了潜在的应用以及预期的障碍。
Aug, 2021
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
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
使用图像处理技术和简单的深度强化学习(Deep-RL)代理,无需使用复杂的卷积神经网络(CNN)或对比学习(CL),就可以追踪和识别水面结构以进行动态着陆,从而为无人机的主动感知做出了贡献。
Sep, 2022
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