Training Datasets Generation for Machine Learning: Application to Vision Based Navigation

要約

ビジョンベースナビゲーションは、画像から情報を抽出した後、カメラを GNC の高精度センサーとして利用することで構成されます。
宇宙アプリケーションへの機械学習の導入を可能にする上での障害の 1 つは、利用可能なトレーニング データセットがアルゴリズムを検証するのに十分であることを実証することです。
研究の目的は、機械学習アルゴリズムのトレーニングに適した画像とメタデータのデータセットを生成することです。
2 つのユースケースが選択され、グラウンド トゥルースを含むデータセットを検証するための堅牢な方法論が開発されました。
最初の使用例は、衛星 ENVISAT のモックアップである人工物体との軌道上でのランデブーです。
2 番目の使用例は、月面着陸のシナリオです。
データセットは、アーカイブ データセット (嫦娥 3 号)、DLR TRON 施設およびエアバス ロボティック研究所の研究室、Model Capture を使用した SurRender ソフトウェア高忠実度画像シミュレーター、および敵対的生成ネットワークから生成されました。
ユースケースの定義には、ベンチマークとしてのアルゴリズムの選択が含まれています。AI ベースの姿勢推定アルゴリズムと高密度オプティカル フロー アルゴリズムが選択されました。
最終的には、SurRender と選択された実験施設で生成されたデータセットが機械学習アルゴリズムのトレーニングに適切であることが実証されました。

要約(オリジナル)

Vision Based Navigation consists in utilizing cameras as precision sensors for GNC after extracting information from images. To enable the adoption of machine learning for space applications, one of obstacles is the demonstration that available training datasets are adequate to validate the algorithms. The objective of the study is to generate datasets of images and metadata suitable for training machine learning algorithms. Two use cases were selected and a robust methodology was developed to validate the datasets including the ground truth. The first use case is in-orbit rendezvous with a man-made object: a mockup of satellite ENVISAT. The second use case is a Lunar landing scenario. Datasets were produced from archival datasets (Chang’e 3), from the laboratory at DLR TRON facility and at Airbus Robotic laboratory, from SurRender software high fidelity image simulator using Model Capture and from Generative Adversarial Networks. The use case definition included the selection of algorithms as benchmark: an AI-based pose estimation algorithm and a dense optical flow algorithm were selected. Eventually it is demonstrated that datasets produced with SurRender and selected laboratory facilities are adequate to train machine learning algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google