面向轨道任务的域泛化6D姿态估计

我们解决的问题是从单目图像中估计目标航天器的相对6D姿态，即位置和方向，这是未来自主rendezvous和proximity操作的关键能力。由于获取大量真实图像的困难，航天器姿态估计网络仅在合成图像上进行训练。然而，由于这些图像未捕获轨道上遇到的照明条件，姿态估计网络会面临域间隙问题，即无法泛化到真实图像。我们的工作引入了一种方法来弥合这一域间隙。它依赖于一种新颖的、端到端的神经网络架构以及一种新颖的学习策略。该策略通过多任务学习和激进的数据增强策略提高了网络的域泛化能力，从而迫使网络学习域不变的特征。我们展示了该方法有效地弥合了域间隙，在广泛使用的SPEED+数据集上实现了领先的精度。最后，消融研究评估了方法关键组件对其泛化能力的影响。