HTML
-
航天器姿态估计数据集(Spacecraft PosE Estimation Dataset,SPEED)由空间交会实验室(Space Rendezvous Laboratory, SLAB)采集。由PRISMA[15-16]任务中低轨卫星Mango对航天器Tango进行拍摄。如图5所示。
利用光学模拟器[17]合成的图像(约15 000张)并给出三轴姿态和4个关键点真值,还设立姿态估计公开挑战赛。文中利用该数据集验证NCDN网络性能,因此首先对数据集非合作目标图像局部特征进行定义与标注。如图6所示。
Tango可供识别的明显局部特征包括GPS天线、FFRT天线以及敏感器。选取数据集中1 000张图像按照7:3划分为训练集和测试集,训练样本进行了左右翻转并设置2种光照条件,数据增强后将样本扩充至4倍。针对空间非合作目标的图像处理通常先去除星空背景,使得处理具有尺度变化目标时最大程度上将有效信息输入算法模型中。因此,在标注训练前利用Sobel算法检测目标边沿并将目标从背景中分离出。
训练处理单元采用20核CPU单元Interl(R) Xeon(R) Silver 4114 CPU@220GHz, 64G内存;GPU采用NVIDIA Quadro P4000,8G显存; Win10系统下用MATLAB2020a配置CUDA10.1进行网络训练。超参数设置为:小批量尺寸为1,训练10代,学习率0.001,采用Adam优化器。
-
参考文献[18]中指出,合成数据对应距离的正太分布区间在50 m内(如图7(a)所示)。
根据相机模型成像公式:
可估算出Tango占据不同像素数为
$n$ ,即所占图像尺寸为$h$ 时,对应的实际拍摄距离为$D$ (如图7(b)所示)。从而通过实验确定NCDN实际使用范围。公式中其余变量含义及实际值如表1所示。Variables Meaning Variables’ value/m $f$ Focus 0.0176 $H$ Actual size of Tango $0.56 \times 0.75 \times 0.025$ $du$ Pixel size of detector $5.86 \times {10^{ - 6}}$ Table 1. Meaning of variables in camera model
由于NCDN采用了特征融合策略,可将不同卷积层之间信息互通,因此,模型对不同距离下尺度变化导致的非合作目标局部特征分辨率差异有较好的鲁棒性。
从图8定性对比可看出,目标局部特征随距离变远而分辨率逐渐降低。且随目标姿态变化出现光照条件不均,以及几何形态上的旋转、仿射变换等。不同距离下模型对3种特征平均准确率均值(mean Average Precision, mAP)变化如图9所示。
从图9中看出,引入特征融合策略使得模型对小尺度低分辨率局部特征检测效果有所提升,50 m内mAP从0.857提升至0.898。改进后基本能够满足相关课题和工程项目中近距(25 m内)非合作目标局部特征检测精度0.90的指标。若以各距离段内检测精度0.85为准,整体稳定检测距离区间25 m内提升至45 m内。且图8(b)中40 m下即便引入特征融合,对于局部特征分辨率较低时也较难区分形态相近的Sensor和FFRT,此距离段下NCDN性能逼近极限。
-
文中按照不同比例压缩卷积通道数,以探究在满足不同任务需求下压缩比例可调至多少,压缩比例选定0.25/0.5/0.75/1四个档位,对应压缩比所带来的存储空间节省和相对精度损失如表2所示。
Channel compression rate Storage space of model/MB Relative accuracy loss $\alpha = 1$ 19.0 0% $\alpha = 0.75$ 10.3 1% $\alpha = 0.5$ 5.1 2% $\alpha = 0.25$ 2.2 5% Table 2. Influence of channel compression on NCDN
从表中可以看出,按照0.25倍压缩卷积通道后模型计算量节省75%,存储空间节省88%,而相对检测精度损失仅有5%。当前星上存储资源一般在数MB至百MB,处理器计算能力基本在百MHz的处理能力。根据实际任务需求变换以调整通道压缩比,可使模型存储有效空间减少。实验验证了方法的可行性,也为卷积神经网络部署在嵌入式系统中实现在轨实时检测提供基础。