SpaceYOLO：一种受人类启发用于实时星载航天器特征检测的模型

轨道上非合作航天器与空间碎片的迅速激增，催生了仅靠自主任务才能满足规模的在轨服务与空间碎片清除需求，但安全捕获未知、非合作、翻滚空间目标所需的自主导航与飞行路径规划前提仍是一个开放问题。这需要实时、自动化的航天器特征识别算法，以精确定位碰撞危险（如太阳能板或天线）与安全对接特征（如卫星主体或推进器）的位置，从而规划安全有效的飞行路径。该领域已有研究表明，计算机视觉模型的性能高度依赖于训练数据集及其对部署时真实场景的视觉相似情形覆盖程度。因此，即便追逐器对目标航天器的交会机动条件相同，算法在某些光照条件下性能仍可能下降。本工作通过一项调查深入探讨人类如何执行这些任务：调查对象为熟悉航天器形状与部件航空航天工程学生，要求其识别 Landsat、Envisat、Anik 三颗航天器及和平号轨道站的特征。调查揭示，人类检测过程中最常见的模式是考虑特征的形状与纹理：天线、太阳能板、推进器与卫星主体。本工作提出一种新颖算法 SpaceYOLO，其将最先进的目标检测器 YOLOv5 与一个基于这些受人类启发的形状与纹理决策过程、独立训练的神经网络相融合。在佛罗里达理工学院 ORION 实验室的硬件在环实验中，于不同光照与追逐器机动条件下，将 SpaceYOLO 的自主航天器检测性能与普通 YOLOv5 进行比较。