面向非合作航天器的鲁棒学习型位姿估计

本文提出了一种新颖的卷积神经网络（CNN）架构及训练流程，以实现对非合作航天器的鲁棒且精确的位姿估计。首先，引入了一种新的CNN架构，该架构在斯坦福空间交会实验室（SLAB）与欧洲空间局（ESA）先进概念团队（ACT）近期联合举办的位姿估计挑战赛中取得第四名。所提架构首先通过回归二维边界框检测目标，随后由独立网络从围绕检测出的感兴趣区域（RoI）裁剪的目标图像中回归已知表面关键点的二维位置。在单图像位姿估计问题中，提取的二维关键点可与对应的三维模型坐标结合，通过透视n点（PnP）问题计算相对位姿。由于CNN被训练为按预定义顺序预测角点，这些关键点位置与三维模型中的点具有已知对应关系，从而可绕过计算代价高昂的特征匹配过程。本文还提出并探讨了用于训练星载应用CNN的纹理随机化方法。具体而言，应用神经风格迁移（NST）对合成渲染图像中的航天器纹理进行随机化。研究表明，使用纹理随机化的航天器图像进行训练可提升网络在星载图像上的性能，而训练过程中并未接触此类图像。研究还表明，当训练时使用纹理随机化的航天器图像，回归三维边界框角点比回归表面关键点能在星载图像上获得更好性能，因为NST不可避免地扭曲了与表面关键点关系更密切的航天器几何特征。