SU-Net：面向非合作航天器的在轨姿态估计网络
计算机视觉与模式识别
2023-09-08 v2
摘要
航天器姿态估计在许多在轨空间任务中起着至关重要的作用，如交会对接、碎片清除和在轨维护。目前，空间图像包含广泛变化的照明条件、高对比度和低分辨率，空间目标的姿态估计比地球上目标的姿态估计更具挑战性。在本文中，我们分析在轨航天器的雷达图像特性，随后提出一种新的深度学习神经网络结构，称为密集残差 U 形网络（DR-U-Net）以提取图像特征。我们进一步基于 DR-U-Net 引入一种新神经网络，即航天器 U 形网络（SU-Net），以实现对非合作航天器的端到端姿态估计。具体而言，SU-Net 首先对非合作航天器图像进行预处理，然后使用迁移学习进行预训练。随后，为解决雷达图像模糊及航天器轮廓识别能力低的问题，我们在骨干网络 U-Net 中添加残差连接与密集连接，并将其命名为 DR-U-Net。如此一来，减少了特征损失与模型复杂度，并避免了深度神经网络训练过程中的退化。最后，使用一层前馈神经网络进行非合作航天器的在轨姿态估计。实验证明，所提方法不依赖于手工制作的对象特定特征，模型具有鲁棒鲁棒性，且计算精度优于最先进的姿态估计方法。绝对误差为 0.1557 至 0.4491，平均误差约为 0.302，标准差约为 0.065。
引用
@article{arxiv.2302.10602,
title = {SU-Net: Pose estimation network for non-cooperative spacecraft on-orbit},
author = {Hu Gao and Zhihui Li and Depeng Dang and Ning Wang and Jingfan Yang},
journal= {arXiv preprint arXiv:2302.10602},
year = {2023}
}
备注
We need to overhaul the paper and innovate