전통적인 단안 자세 추정 알고리즘은 이미지 내 여러 키포인트를 위치시키기 위해 합성곱 신경망을 사용한 후 2D-3D 매칭 기술을 기반으로 목표의 자세를 추정하지만, 위성의 키포인트 분포는 산재되어 있으며 합성곱 신경망의 제한된 수용 영역으로 인해 키포인트 위치 정확도가 낮아 이후 자세 추정의 정확도에 영향을 미칩니다. 또한 전통적인 프로세스는 키포인트 위치와 목표 마스크에 대한 수동 라벨링을 필요로 하여 라벨링 비용이 높습니다. 전통적인 방법의 제한된 수용 영역 문제를 해결하기 위해 합성곱 신경망에 자기 주의 메커니즘을 도입하여 전역 모델링 능력을 부여했고, 키포인트 위치 정확도가 향상되었습니다. 전통적인 방법의 많은 수동 라벨링 문제를 개선하기 위해 공간 조각을 통해 목표의 포인트 클라우드를 재구성하고, 포인트 클라우드를 픽셀 평면에 다시 투영하여 자동으로 필요한 라벨을 얻어 수동 라벨링 과정을 생략하여 알고리즘의 실용성을 높였습니다. 실험 결과는 다음과 같습니다: 제안한 알고리즘은 SPEED 데이터셋에서 검증되었으며, 키포인트 위치 정확도는 92%, 자세 평행 이동 오차는 0.236%, 자세 회전 오차는 9.86 × 10^-3 라디안으로 알고리즘 복잡도를 단순화하면서 정확도를 향상시켰습니다. 이는 우주선 간 상대 자세 추정에 효과적으로 활용될 수 있습니다.

컴퓨터 비전;자세 추정;키포인트 검출;자기 주의;공간 조각