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
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
本文提出了一种基于深度学习的自主空间航天器行星着陆的视觉危险地形检测和分类技术,包括无监督领域自适应和视觉相似性聚类等方法,通过一系列地球和外星模拟实验展示其实用性并显着提高了探测和准确分类星球地形的能力。
Mar, 2023
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
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
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
通过比较各种深度学习架构在宇宙飞船数据中检测异常的有效性,结果显示卷积神经网络(CNNs)在识别空间模式方面表现出色,长短时记忆网络(LSTM)和递归神经网络(RNNs)则在捕捉时间序列航天遥测中的时序异常方面表现出较高的功效。 Transformer架构在以局部和全局上下文为重点的情况下显示出有前途的结果,特别是在异常更加微妙且持续时间较长的情况下。
Mar, 2024
通过使用神经辐射场(NeRF)方法和离散图像集合,本研究提出了一种新的方法来在未知目标中估计航天器的6D姿态,实现了在未知目标上应用已知目标CAD模型的现有航天器姿态估计器,从而实现了自主汇合与接近操作。
May, 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。
Jun, 2024