Traditionelle monokulare Pose-Schätzalgorithmen verwenden Faltungsnetzwerke, um mehrere Schlüsselpunkte im Bild zu lokalisieren, und schätzen dann die Pose des Ziels basierend auf 2D-3D-Matching-Techniken. Allerdings sind die Schlüsselpunkte auf Satelliten relativ verteilt, und aufgrund des begrenzten Rezeptivfelds von Faltungsnetzwerken ist die Lokalisierungsgenauigkeit der Schlüsselpunkte gering, was die Genauigkeit der nachfolgenden Pose-Schätzung beeinträchtigt. Darüber hinaus erfordert der traditionelle Ablauf eine manuelle Markierung der Positionen der Schlüsselpunkte und der Zielmaske, was hohe Kosten verursacht. Um das begrenzte Rezeptivfeld traditioneller Methoden zu lösen, wurde ein Selbstaufmerksamkeitsmechanismus in das Faltungsnetzwerk eingeführt, der ihm die Fähigkeit zur globalen Modellierung verleiht und die Genauigkeit der Schlüsselpunkte-Lokalisierung verbessert. Um das Problem des hohen manuellen Annotationsaufwands traditioneller Methoden zu verbessern, wurde das Punktwolkenmodell des Ziels durch räumliche Skulptur rekonstruiert und dann die Punktwolke zurück auf die Pixelebene projiziert, um die benötigten Labels automatisch zu erhalten, wodurch der manuelle Annotationsprozess entfällt und die Praktikabilität des Algorithmus erhöht wird. Experimentelle Ergebnisse zeigen: Der vorgeschlagene Algorithmus wurde auf dem SPEED-Datensatz validiert, die Lokalisierungsgenauigkeit der Schlüsselpunkte beträgt 92%, die Pose-Translationsfehler 0,236%, und der Pose-Rotationsfehler 9,86 × 10^-3 Radiant, was die Genauigkeit bei gleichzeitiger Vereinfachung der Algorithmenkomplexität verbessert. Er kann effektiv für die relative Pose-Schätzung zwischen Raumfahrzeugen angewendet werden.

Computervision;Pose-Schätzung;Schlüsselpunkterkennung;Selbstaufmerksamkeit;räumliche Skulptur