Star-Fusion：基于球面拓扑的离散天体姿态估计的多模态 Transformer 架构
计算机视觉与模式识别
2026-04-30 v1 人工智能
摘要
可靠的天体姿态确定是自主航天器导航的关键要求，但传统的“Lost-in-Space”(LIS)算法常常因计算开销大且对传感器引入的噪声敏感而不足。尽管深度学习已成为有前景的替代方案，但标准回归模型常因天体球面的非欧几里得拓扑以及 Right Ascension(RA) 和 Declination(Dec) 的周期边界条件而受到干扰。本文提出了 Star-Fusion，一种多模态架构，将姿态估计重新表述为离散拓扑分类任务。我们采用球面 K 均值聚类将天体球面划分为 K 个拓扑一致的区域，从而有效缓解坐标包装问题。该提议架构采用三段式融合策略：为光度特征提取使用 SwinV2-Tiny Transformer 主干网络，为空间定位使用卷积热力图分支，为几何锚定使用基于坐标的 MLP。在源自 Hipparcos 数据集的人工合成数据上的实验评估表明，Star-Fusion 实现了 93.4% 的 Top-1 准确率和 97.8% 的 Top-3 准确率。此外，该模型表现出高计算效率，在资源受限的 COTS 硬件上保持 18.4 毫秒的推理延迟，使其成为下一代卫星星座上板载部署的可行方案。
关键词
引用
@article{arxiv.2604.26582,
title = {Star-Fusion: A Multi-modal Transformer Architecture for Discrete Celestial Orientation via Spherical Topology},
author = {May Hammad and Menatallh Hammad},
journal= {arXiv preprint arXiv:2604.26582},
year = {2026}
}