面向太空可持续性的星载 AI 赋能太空目标检测解决方案
计算机视觉与模式识别
2025-05-06 v1 图像与视频处理
摘要
大型星座中先进低地球轨道 (LEO) 卫星的快速扩张，正将太空资产定位为未来的关键，为深空任务提供全球互联网接入和中继系统。应对这一挑战的一个解决方案是用于碰撞评估和规避的有效太空目标检测 (SOD)。在 SOD 中，一颗 LEO 卫星必须高精度、最小延迟地检测其他卫星和物体。本文研究了基于深度学习 (DL) 模型，采用视觉传感器执行 SOD 任务的可行性和有效性。本文介绍了基于 Squeeze-and-Excitation (SE) 层、Vision Transformer (ViT) 和 Generalized Efficient Layer Aggregation Network (GELAN) 的模型，并评估了它们在 SOD 场景下的性能。实验结果表明，所提出的模型在交并比阈值为 0.5 时的平均精度均值 (mAP50) 得分高达 0.751，在交并比阈值从 0.5 到 0.95 范围内的平均精度均值 (mAP50:95) 得分高达 0.280。与基线 GELAN-t 模型相比，所提出的 GELAN-ViT-SE 模型将平均 mAP50 从 0.721 提高到 0.751，将 mAP50:95 从 0.266 提高到 0.274，将十亿次浮点运算次数 (GFLOPs) 从 7.3 减少到 5.6，并将峰值功耗从 2080.7 mW 降低到 2028.7 mW，降低了 2.5%。
引用
@article{arxiv.2505.01650,
title = {Toward Onboard AI-Enabled Solutions to Space Object Detection for Space Sustainability},
author = {Wenxuan Zhang and Peng Hu},
journal= {arXiv preprint arXiv:2505.01650},
year = {2025}
}
备注
This paper has been accepted at the 18th International Conference on Space Operations (SpaceOps 2025)