基于神经网络的非合作交会姿态估计
计算机视觉与模式识别
2019-06-25 v1 机器人学
摘要
本工作介绍了航天器姿态网络（SPN），用于基于单目视觉对已知非合作航天器的姿态（即相对位置与姿态）进行在轨估计。与其他最先进的星载姿态估计方法不同，SPN 方法不需要设计手工特征，且仅需一张灰度图像即可确定航天器相对于相机的姿态。SPN 方法使用具有三个分支的卷积神经网络（CNN）来求解姿态。CNN 的第一个分支引导最先进的目标检测器，在目标航天器周围检测出一个 2D 边界框。然后 CNN 的另外两个分支利用边界框内的区域，通过先将输入区域分类为离散的粗姿态标签，再回归到更精细的估计，从而确定姿态。随后，SPN 方法使用一种新颖的高斯-牛顿算法，利用检测到的 2D 边界框和估计姿态所施加的约束来估计位置。本工作的次要贡献是生成了航天器姿态估计数据集（SPEED）。SPEED 由 PRISMA 任务中 Tango 航天器的缩比模型合成图像以及真实相机图像组成。合成图像通过将航天器 3D 模型的基于 OpenGL 的渲染与 Himawari-8 气象卫星拍摄的地球真实图像相融合而创建。真实相机图像是使用 7 自由度机械臂创建的，该机械臂相对于 Tango 航天器的全尺寸缩比模型定位并定向基于视觉的传感器。仅在合成图像上训练的 SPN 方法，在训练时未使用的真实相机图像上评估时，产生了度级姿态误差和厘米级位置误差。
引用
@article{arxiv.1906.09868,
title = {Pose Estimation for Non-Cooperative Rendezvous Using Neural Networks},
author = {Sumant Sharma and Simone D'Amico},
journal= {arXiv preprint arXiv:1906.09868},
year = {2019}
}
备注
Presented at AIAA/AAS Space Flight Mechanics Meeting January 2019