تعتمد الخوارزميات التقليدية لتقدير الوضعية أحادية العين على شبكة الالتفاف لتحديد عدة نقاط رئيسية في الصورة، ثم تقدير وضعية الهدف بناءً على تقنية مطابقة 2D-3D، لكن توزيع النقاط الرئيسية على الأقمار الصناعية يكون متفرقًا، ونظرًا لمجال الاستقبال المحدود لشبكة الالتفاف، يكون دقة تحديد النقاط الرئيسية منخفضة، مما يؤثر على دقة تقدير الوضعية اللاحقة. بالإضافة إلى ذلك، تتطلب العملية التقليدية تعيينًا يدويًا لمواقع النقاط الرئيسية وقناع الهدف، مما يزيد من تكلفة التعيين. ولحل مشكلة مجال الاستقبال المحدود في الطرق التقليدية، تم إدخال آلية الانتباه الذاتي في شبكة الالتفاف، مما يمنحها قدرة النمذجة الشاملة، وحسَّن دقة تحديد النقاط الرئيسية. لتحسين مشكلة الاعتماد الكبير على التعيين اليدوي في الطرق التقليدية، من خلال النحت الفضائي، تم إعادة بناء السحابة النقطية للهدف، ثم إعادة إسقاط السحابة النقطية على مستوى البيكسل للحصول تلقائيًا على التصنيفات اللازمة، متجاوزًا عملية التعيين اليدوي، مما عزز من تطبيقية الخوارزمية. أظهرت نتائج التجارب: تم التحقق من الخوارزمية المقترحة على مجموعة بيانات SPEED، حيث بلغت دقة تحديد النقاط الرئيسية 92٪، وخطأ الترجمة في الوضعية 0.236٪، وخطأ الدوران في الوضعية 9.86 × 10^-3 راديان، مما حسَّن الدقة مع تبسيط تعقيد الخوارزمية. يمكن تطبيقها بفعالية في تقدير الوضعية النسبية بين المركبات الفضائية.

الرؤية الحاسوبية;تقدير الوضعية;كشف النقاط الرئيسية;الانتباه الذاتي;النحت الفضائي