基于卷积神经网络的在轨装配辅助相对位姿估计
计算机视觉与模式识别
2020-02-20 v2 机器人学
摘要
对空间中的航天器或物体进行准确实时的位姿估计，是在轨航天器服务与装配任务所需的关键能力。空间中物体的位姿估计比地球上物体更具挑战性，因为空间图像除功率与质量约束外，还包含变化剧烈的照明条件、高对比度和低分辨率。本文利用卷积神经网络来唯一确定感兴趣物体相对于相机的平移与旋转。使用 CNN 模型的主要思想是辅助空间装配任务中使用的物体跟踪器，而仅基于特征的方法往往不够充分。为装配任务设计的仿真框架用于生成训练改进后 CNN 模型的数据集，随后将不同模型的结果与模型预测位姿的准确度度量进行比较。与许多当前的空间航天器或物体位姿估计方法不同，该模型不依赖手工设计的特定物体特征，这使得模型更鲁棒且更易应用于其他类型航天器。结果表明，该模型性能可与当前特征选择方法相媲美，因此可与它们结合使用以提供更可靠的估计。
引用
@article{arxiv.2001.10673,
title = {Assistive Relative Pose Estimation for On-orbit Assembly using Convolutional Neural Networks},
author = {Shubham Sonawani and Ryan Alimo and Renaud Detry and Daniel Jeong and Andrew Hess and Heni Ben Amor},
journal= {arXiv preprint arXiv:2001.10673},
year = {2020}
}