Optimizing Multi-Task Learning for Accurate Spacecraft Pose Estimation

要約

正確な衛星姿勢推定は、軌道上サービス (IOS) ミッションにおける自律誘導、航法、および制御 (GNC) システムにとって非常に重要です。
この論文では、単眼画像を使用した衛星姿勢推定のためのマルチタスク学習 (MTL) フレームワーク内のさまざまなタスクの影響を調査します。
この研究では、直接姿勢推定、キーポイント予測、オブジェクトの位置特定、セグメンテーションなどのタスクを単一のネットワークに統合することにより、畳み込みニューラル ネットワーク (CNN) のモジュール性のおかげで、さまざまなマルチタスク構成をテストすることで、タスク間の相互影響を評価することを目的としています。
）この作品で使用されています。
分析されたタスク間の相互バイアスの傾向は、さまざまな重み付け戦略を使用して発見され、結果の堅牢性をさらにテストします。
MTL ネットワークをトレーニングおよびテストするために、合成データセットが開発されました。
結果は、直接姿勢推定とヒートマップベースの姿勢推定は一般に相互にプラスの影響を与える一方、バウンディング ボックスとセグメンテーション タスクはどちらも大きな寄与をもたらさず、全体的な推定精度を低下させる傾向があることを示しています。

要約(オリジナル)

Accurate satellite pose estimation is crucial for autonomous guidance, navigation, and control (GNC) systems in in-orbit servicing (IOS) missions. This paper explores the impact of different tasks within a multi-task learning (MTL) framework for satellite pose estimation using monocular images. By integrating tasks such as direct pose estimation, keypoint prediction, object localization, and segmentation into a single network, the study aims to evaluate the reciprocal influence between tasks by testing different multi-task configurations thanks to the modularity of the convolutional neural network (CNN) used in this work. The trends of mutual bias between the analyzed tasks are found by employing different weighting strategies to further test the robustness of the findings. A synthetic dataset was developed to train and test the MTL network. Results indicate that direct pose estimation and heatmap-based pose estimation positively influence each other in general, while both the bounding box and segmentation tasks do not provide significant contributions and tend to degrade the overall estimation accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google