論文の概要: HAT: Hypothesis-Anchored Tracking for Video Monocular Spacecraft Pose Estimation

• arxiv url: http://arxiv.org/abs/2609.21597v1
• Date: Fri, 18 Sep 2026 10:28:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.022537
• Title: HAT: Hypothesis-Anchored Tracking for Video Monocular Spacecraft Pose Estimation
• Title（参考訳）: HAT:ビデオモノクラー宇宙機ポス推定のための仮説アンコレッド追跡
• Abstract要約: 本稿では、フレーム間の動きを用いて、CADベースのポーズ仮説の中から選択する因果的枠組みである仮説アンコレッドトラッキング(HAT)を提案する。 HATは競合する配向履歴を保持し、単分子SLAMによって推定される相対軌道をアンカーするポーズを選択する。 我々は、SPARK-2024、SwissCube、ShiRTの2つのバージョン、Mega-HATとPico-HATを評価し、宇宙領域外の性能を評価した。
• 参考スコア（独自算出の注目度）: 1.5612040984769855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monocular 6-DoF pose estimation of non-cooperative targets is important for on-orbit servicing and debris removal. A single-image estimator can confuse near-symmetric spacecraft orientations, and tracking can preserve an incorrect pose. We present Hypothesis-Anchored Tracking (HAT), a causal framework that uses inter-frame motion to select among competing CAD-based pose hypotheses before alignment and fusion. Rather than independently choosing the highest-scoring hypothesis in each image, HAT retains competing orientation histories and selects a pose to anchor the relative trajectory estimated by monocular SLAM. Sparse anchors and pose fusion provide per-frame estimates after initialization without revising past outputs. The method requires only a calibrated RGB sequence, a metric CAD model, and target image regions, which can be supplied by detection or segmentation. The pretrained pose and SLAM networks require no target-specific training or fine-tuning. We evaluate two versions, Mega-HAT and Pico-HAT, using MegaPose and PicoPose, on SPARK-2024, SwissCube and SHIRT, with YCB-Video assessing performance outside the space domain. Using one temporal configuration per method, the arithmetic means of the four dataset-wise comparisons show 9.4% lower mean pose error and 3.76 times the sustained input FPS for Mega-HAT relative to independent MegaPose, and 23.9% lower mean pose error and 2.42 times the FPS for Pico-HAT relative to independent PicoPose. Mega-HAT ablations on SPARK and an offline reference examine component contributions and the effect of revising past estimates.
• Abstract（参考訳）: 非協調目標の単分子6-DoFポーズ推定は、軌道上でのサービシングとデブリ除去に重要である。 単一画像推定器は、近対称の宇宙船の向きを混乱させることができ、追跡は間違ったポーズを保つことができる。 本稿では、フレーム間の動きを用いて、アライメントと融合の前にCADベースのポーズ仮説の中から選択する因果的枠組みである仮説・アンコレッド・トラッキング(HAT)を提案する。 各画像の最高スコア仮説を独立に選択するのではなく、HATは競合する向きの履歴を保持し、単分子SLAMによって推定される相対軌道をアンカーするポーズを選択する。 スパースアンカーとポーズフュージョンは、過去の出力を変更することなく初期化後のフレーム単位の見積もりを提供する。 検出やセグメント化によって供給できる、校正されたRGBシーケンス、メトリックCADモデル、ターゲット画像領域のみを必要とする。 事前訓練されたポーズとSLAMネットワークは、ターゲット固有のトレーニングや微調整を必要としない。 我々は、SPARK-2024、SwissCube、ShiRTの2つのバージョン、Mega-HATとPico-HATを評価し、宇宙領域外の性能を評価した。 4つのデータセット比較の算術平均ポーズ誤差の9.4%、Mega-HATの3.76倍、MegaPoseの23.9%、Pico-HATの2.42倍である。 SPARKにおけるMega-HATの廃止とオフライン参照は、コンポーネントのコントリビューションと過去の見積もりを改定する効果について検討する。

関連論文リスト

• TinyDETR-Pose: Towards End-to-End Real-Time Single-Stage 6DoF Object Pose Estimation with Lightweight Transformers [11.190709946582166]
  本稿では,TinyDETR-Poseについて述べる。 TinyDETR-Poseは6Dのポーズを1つのフォワードパスで回帰する。 YCB-V では、TinyDETR-Pose は ADD-S AUC 85.9 と同等であり、他の DETR ベースのシングルステージポーズ推定手法よりも最大 7 個のパラメータを必要とする。
  論文  参考訳（メタデータ） (2026-08-15T16:02:51Z)
• DepthART: Scaling Foundation Monocular Depth to Tiny Models [51.10174763031444]
  DepthARTは、様々なシーンにまたがるデバイス上のデプロイメントのためのコンパクトなMDEモデルである。 ゼロショット一般化とメートル法精度の両方において、DepthARTが従来の小さなベースラインを一貫して上回っていることを示す。 また、GTX A6000で347/245 FPS (strict FP32)、Orin NX 8GBで2242/4482ドル、102 FPS (TF32)、Jetson Nano 4GBで15 FPS (FP32) に達したスケーラブルなモデルファミリも提供しています。
  論文  参考訳（メタデータ） (2026-07-19T06:54:52Z)
• Mind the Gap: Standard 3DGS Evaluation Primarily Measures Near-Trajectory Interpolation [0.0]
  標準的な3Dガウススプレイティング評価では、すべてのN番目のフレームが定義されているが、これらのフレームは両側の隣人を訓練しているため、計量は空間的な一般化よりもほぼ軌道を測っている。 この効果を分離するフェアマッチカウントプロトコルを導入する。 両腕は同じ数の画像を訓練し、ホールドアウトが均等に広がるか(補間)、または連続的な空間セクターを形成するか(補間)が異なる。
  論文  参考訳（メタデータ） (2026-07-02T00:24:15Z)
• Pose Anything Anywhere:Model-free Object Poses from Arbitrary References [64.58017857473774]
  RGBとRGB-Dの両方の入力をシームレスにサポートするモデルフリーフレームワークであるPANYを提案する。 1つまたはスパースなポーズフリー参照ビューで動作し、新しいオブジェクトに効果的に一般化する。 複数のベンチマークで最先端のパフォーマンスを実現し、既存のモデルフリーメソッドを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-06-22T17:23:57Z)
• An End-to-End Framework for Video Multi-Person Pose Estimation [3.090225730976977]
  本稿では,ビデオの終末ポーズ推定のための簡易かつ柔軟なフレームワークVEPEを提案する。 提案手法は, 2段階モデルより300%, 推測より300%優れていた。
  論文  参考訳（メタデータ） (2025-09-01T03:34:57Z)
• Single-Scanline Relative Pose Estimation for Rolling Shutter Cameras [56.39904484784127]
  本稿では,ラインプロジェクションの交差点と1枚の走査線を用いて,ローリングシャッターカメラ間の相対的なポーズを推定する手法を提案する。 あるいは、単一の画像内でスキャニングラインを選択することができ、ローリングシャッターカメラのスキャニングラインに対するシングルビュー相対ポーズ推定を可能にする。
  論文  参考訳（メタデータ） (2025-06-27T10:00:21Z)
• UNOPose: Unseen Object Pose Estimation with an Unposed RGB-D Reference Image [86.7128543480229]
  見えないオブジェクトのポーズ推定方法はCADモデルや複数の参照ビューに依存することが多い。 参照取得を簡略化するために,未提示のRGB-D参照画像を用いて未確認オブジェクトのポーズを推定することを目的とする。 単参照型オブジェクトポーズ推定のための新しいアプローチとベンチマークをUNOPoseと呼ぶ。
  論文  参考訳（メタデータ） (2024-11-25T05:36:00Z)
• SSP-Pose: Symmetry-Aware Shape Prior Deformation for Direct Category-Level Object Pose Estimation [77.88624073105768]
  カテゴリーレベルのポーズ推定は、クラス内形状の変化によって難しい問題である。 カテゴリレベルのポーズ推定のためのエンドツーエンドのトレーニング可能なネットワークSSP-Poseを提案する。 SSP-Poseは、リアルタイムの推論速度が約25Hzの競合に比べて性能が優れている。
  論文  参考訳（メタデータ） (2022-08-13T14:37:31Z)

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。