SpY：基于上下文的航天器组件检测方法

本文聚焦于利用摄像头 feed 自动 characterize 如太阳能板、机身板、天线和推进器等未知居住空间目标（RSO）的组件，以辅助航天器自主在轨 servicing（OOS）和主动碎片清除。该领域已对使用卷积神经网络（CNN）进行的显著研究。虽然 CNN 在学习模式和执行目标检测方面强大，但在与训练数据不同的环境中会出现漏检和误分类，导致其在像 OOS 这样的高风险任务中不可靠。此外，CNN 的故障往往可以通过人类运用常识推理和上下文知识进行轻松纠正。将此类推理嵌入目标检测器中可提高检测准确性。为验证这一假设，本文提出了一种端到端目标检测器 SpaceYOLOv2（SpY），其利用 CNN 的通用性，同时通过传统计算机视觉技术融合上下文知识。SpY 包含两个主要组件：形状检测器和 SpaceYOLO 分类器（SYC）。形状检测器使用 CNN 检测 RSO 的原始形状，而 SYC 将这些形状与颜色和纹理等上下文知识关联，以将其分类为航天器组件或“未知”类别（若检测到的形状不确定）。SpY 的模块化架构允许可自定义地使用上下文知识以提高检测性能，或将 SYC 作为现有航天器组件检测器的次级备用分类器。针对硬件-in-the-loop 图像的仿真航天器，进行了性能评估，结果表明 SpY 准确可靠，且 SpY 与 YOLOv5 集成（后者用于卫星组件检测）在召回率上提升了 23.4%，为基于视觉的导航任务提供了更高的安全性。