論文の概要: Monocular Navigation Relative to Unknown Spacecraft Using a Transformer-Aided Kalman Filter

• arxiv url: http://arxiv.org/abs/2610.07231v1
• Date: Mon, 05 Oct 2026 18:37:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.600507
• Title: Monocular Navigation Relative to Unknown Spacecraft Using a Transformer-Aided Kalman Filter
• Title（参考訳）: 変圧器支援カルマンフィルタを用いた未知の宇宙機に対する単眼ナビゲーション
• Abstract要約: 本研究は, 単一のボイラからの単分子画像のみを用いて未知の宇宙船のポーズ推定を行うための, 学習に基づく新しいパイプラインを提案する。 このアプローチは、トランスフォーマーベースのニューラルネットワークとマルチステート制約カルマンフィルタ(MSCKF)を組み合わせて、ポーズを推定する。 この方法は、103機の合成画像を含むSPE3Rデータセットの再レンダリングされた高解像度バージョンで訓練され評価される。
• 参考スコア（独自算出の注目度）: 4.254099382808598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work presents a novel learning-based pipeline for pose estimation of unknown spacecraft using only monocular images from a single servicer. The approach combines a transformer-based neural network with a Multi-State Constraint Kalman Filter (MSCKF) to estimate the pose (i.e., position and orientation of the target spacecraft relative to the camera) throughout rendezvous and proximity operations. Unlike existing vision-based methods that require prior knowledge of the target shape or inertia properties, rely on additional sensing modalities such as depth, lidar, or stereo, or only recover translation up to scale, the proposed pipeline generalizes to previously unseen spacecraft using a single monocular camera. The transformer network estimates the odometry, the change in pose between images up to scale, from SuperPoint features matched by LightGlue. The MSCKF uses these pseudo-measurements along with an orbit and attitude kinematics model to estimate the pose of the target. In particular, the relative orbit elements, the target's attitude with respect to the servicer's camera, and the associated angular velocity are estimated directly by the filter. Given the monocular approach and short distance to the target, the full observability of the range to the target is recovered via attitude maneuvers by the servicer. The method is trained and evaluated on a re-rendered high-resolution version of the SPE3R dataset, which includes synthetic images of 103 spacecraft. Eleven of these spacecraft are held out during training to evaluate the generalization to unseen targets. Monte Carlo simulations are then used to evaluate the navigation pipeline on rendered trajectories of the held out spacecraft. The results demonstrate that learned vision pipelines as a front-end for Kalman filters provide median errors of 3.7° in attitude and 2.2% of range in ROE when navigating about unknown targets.
• Abstract（参考訳）: 本研究は, 単一のボイラからの単分子画像のみを用いて未知の宇宙船のポーズ推定を行うための, 学習に基づく新しいパイプラインを提案する。 このアプローチは、トランスフォーマーベースのニューラルネットワークとマルチステート制約カルマンフィルタ(MSCKF)を組み合わせて、ランデブーと近接操作を通して、ポーズ(カメラに対するターゲット宇宙船の位置と向き)を推定する。 対象の形状や慣性特性に関する事前の知識を必要とする既存の視覚ベースの手法とは違い、深度、ライダー、ステレオのような追加の感覚モーダルや、スケールまでしか変換できないため、提案されたパイプラインは単一の単眼カメラを用いてこれまで見られなかった宇宙船に一般化される。 トランスフォーマーネットワークは、LightGlueがマッチするSuperPoint機能から、画像間のポーズの変化であるオドメトリを推定する。 MSCKFはこれらの擬似測度と軌道と姿勢運動学モデルを用いて標的の姿勢を推定する。 特に、相対軌道要素、使用者のカメラに対する目標の姿勢、および関連する角速度を直接フィルタにより推定する。 単分子的アプローチと目標への近距離を考慮に入れれば、目標に対する範囲の完全な可観測性は、運用者による姿勢操作によって回復される。 この方法は、103機の合成画像を含むSPE3Rデータセットの再レンダリングされた高解像度バージョンで訓練され評価される。 これらの宇宙船のうち11機は、未確認の目標への一般化を評価するために訓練中に発射される。 モンテカルロシミュレーションは、保持された宇宙船の描画軌道上のナビゲーションパイプラインを評価するために使用される。 その結果、カルマンフィルタのフロントエンドとして学習されたビジョンパイプラインは、未知のターゲットをナビゲートする際に、姿勢が3.7°、ROEの範囲が2.2%の中央値エラーを与えることを示した。

関連論文リスト

• Last-Meter Precision Navigation for UAVs: A Diffusion-Refined Aerial Visual Servoing Approach [18.42619895752036]
  UAVの高精度ナビゲーションは、スケールのあいまいさ、回転の不連続性、微粒な空間推論の必要性により困難である。 広帯域拡散精細空中サーボフレームワークDreamNavを提案する。 実験では、DreamNavは強力なビジュアルサーボと基礎モデルベースラインを精度と一般化で上回り、ゼロショットは見えないシーンに転送される。
  論文  参考訳（メタデータ） (2026-07-05T15:16:44Z)
• Deep Learning-Based Lunar Crater Terrain Relative Navigation [0.0]
  ディープラーニングクレーター検出器と拡張カルマンフィルタ(EKF)を組み合わせた地形相対ナビゲーション(TRN)アルゴリズムを提案する。 我々の検出器は、軌道から取得した単分子画像からクレーターの特徴を分析し、そのクレーターとグローバルデータベースのクレーターとの一致をハンガリーの代入手法で同定する。 シミュレーションの結果、もし宇宙船が実際の位置から最大5km離れたとしても、TRNはこの状況から回復し、数百mの航法誤差を低減できることを示した。
  論文  参考訳（メタデータ） (2026-06-10T03:03:26Z)
• Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
  無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。 本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。 提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
  論文  参考訳（メタデータ） (2026-04-02T08:08:41Z)
• Scale-Aware UAV-to-Satellite Cross-View Geo-Localization: A Semantic Geometric Approach [15.415356946083861]
  UAV画像と衛星画像のクロスビュージオローカライゼーションは、標的位置決めとUAV自己配置において重要な役割を担っている。 既存の手法のほとんどは、UAVクエリと衛星ギャラリー間のスケール一貫性の理想的な仮定に依存している。 この不一致は視野のずれや特徴ミスマッチを引き起こし、CVGLの堅牢性を著しく低下させる。 意味アンカーを用いた単眼UAV画像から絶対距離を復元する幾何学的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-03-08T08:51:19Z)
• Loc$^2$: Interpretable Cross-View Localization via Depth-Lifted Local Feature Matching [80.57282092735991]
  本稿では,高精度かつ解釈可能なクロスビューローカライズ手法を提案する。 地上画像の3自由度(DoF)のポーズを、その局所的な特徴と基準空中画像とをマッチングすることによって推定する。 実験では、クロスエリアテストや未知の向きといった挑戦的なシナリオにおいて、最先端の精度を示す。
  論文  参考訳（メタデータ） (2025-09-11T18:52:16Z)
• Boosting 3-DoF Ground-to-Satellite Camera Localization Accuracy via Geometry-Guided Cross-View Transformer [66.82008165644892]
  地上レベルの画像と一致/検索衛星画像との相対的な回転と変換を推定することにより、地上カメラの位置と方向の精度を向上させる手法を提案する。 実験の結果,本手法は最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-16T11:52:27Z)
• Robust On-Manifold Optimization for Uncooperative Space Relative Navigation with a Single Camera [4.129225533930966]
  単分子装置のみを用いて、チェッカー宇宙船に対して対象物体の6次元ポーズを推定するために、革新的なモデルに基づくアプローチが実証された。 複雑な宇宙船エンビザットとランデブー軌道のリアルな合成と実験室のデータセットで検証されている。
  論文  参考訳（メタデータ） (2020-05-14T16:23:04Z)

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。