論文の概要: COFFEE: A Shadow-Resilient Real-Time Pose Estimator for Unknown Tumbling Asteroids using Sparse Neural Networks
- arxiv url: http://arxiv.org/abs/2508.03132v1
- Date: Tue, 05 Aug 2025 06:27:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-06 18:18:55.814673
- Title: COFFEE: A Shadow-Resilient Real-Time Pose Estimator for Unknown Tumbling Asteroids using Sparse Neural Networks
- Title（参考訳）: COFFEE: スパースニューラルネットワークを用いた未知のタンブリング小惑星に対するシャドウレジリエントリアルタイムポス推定器
- Authors: Arion Zimmermann, Soon-Jo Chung, Fred Hadaegh,
- Abstract要約: 我々は,小惑星のリアルタイムポーズ推定フレームワークであるCOFFEEを提案する。
投射影に有意な輪郭を関連付けることにより、まばらな特徴群を検出する。
得られたポーズ推定パイプラインは、古典的なポーズ推定パイプラインよりもバイアスのない、より正確なものである。
- 参考スコア（独自算出の注目度）: 7.976380956275378
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The accurate state estimation of unknown bodies in space is a critical challenge with applications ranging from the tracking of space debris to the shape estimation of small bodies. A necessary enabler to this capability is to find and track features on a continuous stream of images. Existing methods, such as SIFT, ORB and AKAZE, achieve real-time but inaccurate pose estimates, whereas modern deep learning methods yield higher quality features at the cost of more demanding computational resources which might not be available on space-qualified hardware. Additionally, both classical and data-driven methods are not robust to the highly opaque self-cast shadows on the object of interest. We show that, as the target body rotates, these shadows may lead to large biases in the resulting pose estimates. For these objects, a bias in the real-time pose estimation algorithm may mislead the spacecraft's state estimator and cause a mission failure, especially if the body undergoes a chaotic tumbling motion. We present COFFEE, the Celestial Occlusion Fast FEature Extractor, a real-time pose estimation framework for asteroids designed to leverage prior information on the sun phase angle given by sun-tracking sensors commonly available onboard spacecraft. By associating salient contours to their projected shadows, a sparse set of features are detected, invariant to the motion of the shadows. A Sparse Neural Network followed by an attention-based Graph Neural Network feature matching model are then jointly trained to provide a set of correspondences between successive frames. The resulting pose estimation pipeline is found to be bias-free, more accurate than classical pose estimation pipelines and an order of magnitude faster than other state-of-the-art deep learning pipelines on synthetic data as well as on renderings of the tumbling asteroid Apophis.
- Abstract（参考訳）: 宇宙空間における未知の天体の正確な状態推定は、宇宙デブリの追跡から小さな天体の形状推定まで幅広い応用において重要な課題である。
この機能に必要なイネーブルは、連続した画像ストリーム上の機能を見つけて追跡することである。
SIFT、ORB、akaZEといった既存の手法は、リアルタイムだが不正確なポーズ推定を実現しているのに対し、現代のディープラーニング手法は、より要求の高い計算リソースを犠牲にして、より高品質な特徴をもたらす。
さらに、古典的手法とデータ駆動手法はどちらも、関心の対象にある非常に不透明な自己キャストの影に対して堅牢ではない。
対象物体が回転するにつれて、これらの影は、その結果のポーズ推定において大きなバイアスをもたらす可能性があることを示す。
これらの物体に対して、リアルタイムポーズ推定アルゴリズムのバイアスは、宇宙船の状態推定装置を誤解させ、特に体がカオス的な振動運動をした場合に、ミッションの失敗を引き起こす可能性がある。
我々は,太陽追跡センサによって得られる太陽位相角の事前情報を活用するために設計された小惑星のリアルタイムポーズ推定フレームワークであるCelestial Occlusion Fast feature ExtractorであるCOFFEEを紹介する。
投射影に有意な輪郭を関連付けることにより、影の動きに不変なスパースな特徴が検出される。
スパースニューラルネットワークとアテンションベースのグラフニューラルネットワーク特徴マッチングモデルとを併用して、連続したフレーム間の対応セットを提供する。
得られたポーズ推定パイプラインは、古典的なポーズ推定パイプラインよりもバイアスフリーで精度が高く、合成データや小惑星アポフィのレンダリングで他の最先端のディープラーニングパイプラインよりも桁違いに高速であることがわかった。
関連論文リスト
- Seurat: From Moving Points to Depth [66.65189052568209]
本研究では,2次元軌跡の空間的関係と時間的変化を調べ,相対的な深度を推定する手法を提案する。
提案手法は,様々な領域にわたる時間的スムーズかつ高精度な深度予測を実現する。
論文 参考訳（メタデータ） (2025-04-20T17:37:02Z) - Vision-Based Detection of Uncooperative Targets and Components on Small Satellites [6.999319023465766]
宇宙デブリと不活性衛星は、運用宇宙船の安全性と完全性に脅威をもたらす。
コンピュータビジョンモデルの最近の進歩は、そのような非協調的な目標を追跡する既存の方法を改善するために利用することができる。
本稿では,これらの物体を学習とコンピュータビジョンを用いて識別・監視する自律検出モデルを提案する。
論文 参考訳（メタデータ） (2024-08-22T02:48:13Z) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳（メタデータ） (2023-10-11T05:34:36Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - A machine learning and feature engineering approach for the prediction
of the uncontrolled re-entry of space objects [1.0205541448656992]
低地球軌道(LEO)における未制御物体の再突入予測のための深層学習モデルの開発について述べる。
このモデルはSequence-to-Sequenceアーキテクチャの修正版に基づいており、400体以上のTLE(Two-Line Element)データから得られた平均高度プロファイルに基づいて訓練されている。
この研究の斬新さは、平均高度とともに、ドラッグライクな係数(B*)、平均太陽指数、物体の面積と質量比の3つの新しい入力特徴を含むディープラーニングモデルの導入である。
論文 参考訳（メタデータ） (2023-03-17T13:53:59Z) - SU-Net: Pose estimation network for non-cooperative spacecraft on-orbit [8.671030148920009]
宇宙船のポーズ推定は、ランデブーやドッキング、破片の除去、軌道上の維持など、多くの軌道上の宇宙ミッションにおいて重要な役割を担っている。
衛星軌道上でのレーダ画像の特徴を分析し,Dense Residual U-shaped Network (DR-U-Net) と呼ばれる新しいディープラーニングニューラルネットワーク構造を提案し,画像の特徴を抽出する。
さらに, DR-U-Netに基づく新しいニューラルネットワーク,すなわち, 宇宙機U字型ネットワーク(SU-Net)を導入し, 非協調宇宙船のエンドツーエンドのポーズ推定を実現する。
論文 参考訳（メタデータ） (2023-02-21T11:14:01Z) - Learning Dynamics via Graph Neural Networks for Human Pose Estimation
and Tracking [98.91894395941766]
ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。
具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。
PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
論文 参考訳（メタデータ） (2021-06-07T16:36:50Z) - Object-based Illumination Estimation with Rendering-aware Neural
Networks [56.01734918693844]
個々の物体とその局所画像領域のRGBD外観から高速環境光推定手法を提案する。
推定照明により、仮想オブジェクトは実際のシーンと一貫性のあるシェーディングでARシナリオでレンダリングできる。
論文 参考訳（メタデータ） (2020-08-06T08:23:19Z) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳（メタデータ） (2020-03-13T04:35:50Z) - Assistive Relative Pose Estimation for On-orbit Assembly using
Convolutional Neural Networks [0.0]
本稿では、畳み込みニューラルネットワークを利用して、カメラに対して関心のある物体の翻訳と回転を決定する。
アセンブリタスク用に設計されたシミュレーションフレームワークを使用して、修正CNNモデルをトレーニングするためのデータセットを生成する。
モデルが現在の特徴選択法に匹敵する性能を示し、従ってそれらと組み合わせてより信頼性の高い推定値を提供することができる。
論文 参考訳（メタデータ） (2020-01-29T02:53:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。