Efficient Feature Description for Small Body Relative Navigation using Binary Convolutional Neural Networks

要約

タイトル：バイナリ畳み込みニューラルネットワークを用いた小惑星相対ナビゲーションのための効率的な特徴記述

要約：
– 小天体へのミッションでは、ターゲット天体の特徴のトラッキングに光学的な特徴が重要である。
– 深層学習に基づく特徴トラッキングの技術は、従来の人間介入型のプロセスの代替手段として有望である。
– しかし、宇宙船内で動作する深層ネットワークの設計は、オンボードの計算とメモリ制約により困難である。
– 本論文は、計算とメモリの要件を大幅に減らすためにバイナリ畳み込みニューラルネットワークレイヤーを利用した新しいローカル特徴記述アーキテクチャを紹介する。
– 我々は、現存する小天体のリアルな画像でモデルをトレーニングおよびテストし、従来の手作業の方法に比べて高い性能を示した。
– さらに、我々は、次世代の宇宙船プロセッサの代替としてモデルを宇宙船内で実装し、オンラインの特徴トラッキングに対して実行可能なランタイムを示した。

要約(オリジナル)

Missions to small celestial bodies rely heavily on optical feature tracking for characterization of and relative navigation around the target body. While techniques for feature tracking based on deep learning are a promising alternative to current human-in-the-loop processes, designing deep architectures that can operate onboard spacecraft is challenging due to onboard computational and memory constraints. This paper introduces a novel deep local feature description architecture that leverages binary convolutional neural network layers to significantly reduce computational and memory requirements. We train and test our models on real images of small bodies from legacy and ongoing missions and demonstrate increased performance relative to traditional handcrafted methods. Moreover, we implement our models onboard a surrogate for the next-generation spacecraft processor and demonstrate feasible runtimes for online feature tracking.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI