COFFEE：面向未知滚动陨石的遮挡鲁棒实时姿态估计器：稀疏神经网络
摘要
未知刚体的准确状态估计是一项关键挑战，应用范围涵盖空间碎片跟踪到小天体形状估计。一个必要前置条件是找到并跟踪连续图像流中的特征。现有方法，如 SIFT、ORB 和 AKAZE，实现了实时但不准确的姿态估计，而现代深度学习方法则产生更高质量的特征，但需要更高计算资源，这可能在 space-qualified 硬件上不可用。此外，经典和数据驱动方法对目标上的高度不透明自投影阴影不够鲁棒。我们展示，当目标体旋转时，这些阴影可能导致姿态估计产生大偏差。对于这些对象，姿态估计算法中的偏差可能误导 spacecraft 的 state estimator，导致任务失败，尤其是当该体发生混沌运动时。我们提出了 COFFEE，即 Celestial Occlusion Fast FEature Extractor，一个为陨石设计的实时姿态估计框架，利用 sun-tracking 传感器通常可用于 onboard spacecraft 的 sun 相位角信息。通过将显著轮廓关联到其投影阴影中，检测到一组稀疏特征，对于阴影的运动不变。随后训练的稀疏神经网络 followed by attention-based Graph Neural Network feature matching 模型 then 提供一组 successive frames 之间的对应关系。 resulting pose estimation pipeline 被发现无偏差、比经典姿态估计管道更准确，且在合成数据和对 tumbling 陨石 Apophis 的 renderings 上，速度是其他 state-of-the-art 深度学习管道的一个数量级。
引用
@article{arxiv.2508.03132,
title = {COFFEE: A Shadow-Resilient Real-Time Pose Estimator for Unknown Tumbling Asteroids using Sparse Neural Networks},
author = {Arion Zimmermann and Soon-Jo Chung and Fred Hadaegh},
journal= {arXiv preprint arXiv:2508.03132},
year = {2025}
}
备注
in Proc. 75th Int. Astronautical Congress (IAC-24), Milan, Italy, Oct. 2024