面向航天视觉的领域鸿沟
计算机视觉与模式识别
2025-12-09 v2
摘要
本工作提出了 Spacecraft Pose Network v3（SPNv3），这是用于已知非合作性目标航天器单目姿态估计的神经网络。SPNv3 被设计和训练以具备计算效率，同时对在地面未观察到的太空图像具有鲁棒性。这些特征对于在空间级边缘设备上部署神经网络至关重要。通过仔细的神经网络设计选择，以及大量的权衡分析，揭示了数据增强、迁移学习和视觉转换器架构等特征对同时最大化鲁棒性和最小化计算开销贡献。实验表明，最终的 SPNv3 能够在硬件-in-the-loop 来自机器人测试台的图像上实现了最先进的姿态精度，同时仅使用计算机生成的合成图像进行训练，有效弥合了合成图像与真实图像之间的领域差距。同时，SPNv3 在代表性图形处理单元系统上测试时可运行在现代卫星导航滤波器的更新频率之上。总体而言，SPNv3 是一个高效、可飞行的神经网络模型，可直接应用于近距离对准和近距离运动中。
引用
@article{arxiv.2409.11661,
title = {Bridging the Domain Gap for Flight-Ready Spaceborne Vision},
author = {Tae Ha Park and Simone D'Amico},
journal= {arXiv preprint arXiv:2409.11661},
year = {2025}
}
备注
Accepted to Journal of Spacecraft and Rockets