航天器同质图构成估计与单阶段深卷积神经网络.
Shengpeng Chen1, Wenyi Yang1, Wei Wang1
1School of Aeronautics and Astronautics, Sun Yat-sen University, Shenzhen 510275, China.
Sensors (Basel, Switzerland)
|March 28, 2024
概括
这项研究引入了一种新的单阶段深卷积神经网络,用于太空船的姿势估计. 该方法简化了复杂的操作,使得在太空环境中有效和准确地确定姿势.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 自动化系统 自动化系统
背景情况:
- 太空船的姿势估计对于太空中的自主操作至关重要.
- 现有的多阶段方法复杂且计算密集,在极端空间环境中构成挑战.
研究的目的:
- 提出一个新的,高效的单阶段深卷积神经网络用于航天器同位素构成估计.
- 为了解决现有的复杂,多阶段的姿势估计技术的局限性.
主要方法:
- 为具有平面特征的航天器制定同型几何约束方程.
- 采用单阶段的二维关键点回归网络用于同位素二维关键点坐标提取.
- 同位体矩阵的分解用于粗略的姿势估计,其次是基于像素错误的损失函数用于姿势精细化.
主要成果:
- 拟议的单阶段网络的有效性已被证明,用于太空飞船的体位估计.
- 在广泛使用的数据集上,与最先进的方法相比,实现了竞争性或优异的性能.
结论:
- 拟议的单阶段深卷积神经网络为航天器姿势估计提供了有效和简化的方法.
- 这种方法推进了用于太空应用的自动化系统,控制理论和机器人技术.
