SU-Net: Pose estimation network for non-cooperative spacecraft on-orbit

要約

宇宙船の姿勢推定は、ランデブーやドッキング、デブリの除去、軌道上のメンテナンスなど、多くの軌道上の宇宙ミッションで重要な役割を果たします。
現在、宇宙画像にはさまざまな照明条件、高コントラスト、低解像度が含まれており、宇宙物体の姿勢推定は地球上の物体よりも困難です。
この論文では、軌道上の宇宙船のレーダー画像特性を分析し、画像の特徴を抽出するための高密度残留 U 字型ネットワーク (DR-U-Net) という名前の新しい深層学習ニューラル ネットワーク構造を提案します。
さらに、DR-U-Net に基づく新しいニューラル ネットワーク、つまり Spacecraft U 型ネットワーク (SU-Net) を導入して、非協力的な宇宙船のエンドツーエンドの姿勢推定を実現します。
具体的には、SU-Net は最初に非協力的な宇宙船の画像を前処理し、次に転移学習を使用して事前トレーニングを行いました。
続いて、レーダー画像のぼやけや探査機の輪郭認識能力の低さなどの問題を解決するため、基幹ネットワークU-Netに残留結合と密結合を追加し、DR-U-Netと名付けました。
このようにして、モデルの機能の損失と複雑さが軽減され、トレーニング中のディープ ニューラル ネットワークの劣化が回避されます。
最後に、フィードフォワード ニューラル ネットワークのレイヤーを使用して、軌道上の非協力的な宇宙船の姿勢推定を行います。
実験は、提案された方法が手作りのオブジェクト固有の機能に依存しないこと、モデルがロバストなロバスト性を備えていること、および計算精度が最先端の姿勢推定方法よりも優れていることを証明しています。
絶対誤差は 0.1557 ～ 0.4491 、平均誤差は約 0.302 、標準偏差は約 0.065 です。

要約(オリジナル)

Spacecraft pose estimation plays a vital role in many on-orbit space missions, such as rendezvous and docking, debris removal, and on-orbit maintenance. At present, space images contain widely varying lighting conditions, high contrast and low resolution, pose estimation of space objects is more challenging than that of objects on earth. In this paper, we analyzing the radar image characteristics of spacecraft on-orbit, then propose a new deep learning neural Network structure named Dense Residual U-shaped Network (DR-U-Net) to extract image features. We further introduce a novel neural network based on DR-U-Net, namely Spacecraft U-shaped Network (SU-Net) to achieve end-to-end pose estimation for non-cooperative spacecraft. Specifically, the SU-Net first preprocess the image of non-cooperative spacecraft, then transfer learning was used for pre-training. Subsequently, in order to solve the problem of radar image blur and low ability of spacecraft contour recognition, we add residual connection and dense connection to the backbone network U-Net, and we named it DR-U-Net. In this way, the feature loss and the complexity of the model is reduced, and the degradation of deep neural network during training is avoided. Finally, a layer of feedforward neural network is used for pose estimation of non-cooperative spacecraft on-orbit. Experiments prove that the proposed method does not rely on the hand-made object specific features, and the model has robust robustness, and the calculation accuracy outperforms the state-of-the-art pose estimation methods. The absolute error is 0.1557 to 0.4491 , the mean error is about 0.302 , and the standard deviation is about 0.065 .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google