桥接合成-真实鸿沟：面向稳健太空船6自由度姿态估计的监督式域适应
计算机视觉与模式识别
2025-09-18 v1 人工智能
摘要
太空船姿态估计（SPE）是实现自主太空操作（如 rendezvous、对接和在轨 servicing）的基本能力。最近的混合管线结合了目标检测、关键点回归和Perspective-n-Point（PnP）求解器，已在合成数据集上取得显著成果，但由于持续存在的合成-真实域间差距，其在真实或实验生成图像上的性能迅速恶化。现有的无监督域适应方法旨在缓解此问题，但往往在仅有有限标注目标样本时表现不佳。本文提出首个针对SPE关键点回归的监督式域适应（SDA）框架。基于Learning Invariant Representation and Risk（LIRR）范式，我们的方法同时优化域无关表征和任务特定风险，利用标注的合成数据和有限标注真实数据，从而在域迁移下降低泛化误差。大量实验表明，我们的方法在SPEED+基准测试中 consistently 优于源-only、fine-tuning和 oracle基线。值得注意的是，仅使用5%的标注目标数据，我们的方法便能匹配或超越在更大比例标注数据上训练的 oracle性能。该框架轻量级、基于 backbone-agnostic，且计算高效，为太空实践环境中稳健且可部署的太空船姿态估计提供了可行路径。
引用
@article{arxiv.2509.13792,
title = {Bridging the Synthetic-Real Gap: Supervised Domain Adaptation for Robust Spacecraft 6-DoF Pose Estimation},
author = {Inder Pal Singh and Nidhal Eddine Chenni and Abd El Rahman Shabayek and Arunkumar Rathinam and Djamila Aouada},
journal= {arXiv preprint arXiv:2509.13792},
year = {2025}
}