予測ビュー合成に基づくキーポイントベース宇宙機姿勢推定のためのテスト時適応

[fulfulggg]

タイトル: 予測ビュー合成に基づくキーポイントベース宇宙機姿勢推定のためのテスト時適応

リンク: https://arxiv.org/abs/2410.04298

概要:

宇宙機の姿勢推定に用いられる教師あり学習アルゴリズムは、訓練データと実運用データの差異により、性能が低下するという問題を抱えています。本研究では、近接運用中に取得された画像の時間的な冗長性を利用した、テスト時適応手法を提案します。具体的には、連続する宇宙機画像から特徴量を抽出し、それらの姿勢を推定し、その情報を使用して再構成ビューを合成します。合成ビューと実際のビューを比較することで、自己教師あり学習の目的関数を設定します。学習時は姿勢推定と画像合成の両方を教師ありで行い、テスト時には自己教師ありの目的関数を最適化します。さらに、宇宙機のキーポイント構造と一致しない解を防ぐための正則化損失も導入しています。コードは https://github.com/JotaBravo/spacecraft-tta で公開しています。

[fulfulggg]

@yukihiko-fuyuki が以下のラベルを提案し、適用しました：

• pose-estimation
• self-supervised-learning
• domain-generalization

[fulfulggg]

論文要約

論文要約: 宇宙機の姿勢推定の精度向上のための新しい手法

この論文では、宇宙機の姿勢（向きや傾き）を推定する際に、従来手法の課題であった訓練データと実運用データの差異による性能低下を改善する新しい手法を提案しています。

提案手法の特徴:

• 実運用データへの適応: 実運用中に取得した連続する画像データの冗長性を利用し、テスト時にモデル自身を適応させることで、従来手法の課題を克服しています。
• 予測ビュー合成による自己教師あり学習: 連続する画像から姿勢を推定し、その情報をもとに仮想的な視点からの画像を合成します。合成画像と実際の画像の差異を学習することで、実運用データに適応した高精度な姿勢推定を実現します。
• 正則化損失による安定化: 宇宙機の構造と矛盾する推定結果を防ぐため、正則化損失を導入し、推定の安定性を向上させています。

提案手法の利点:

• 訓練データと実運用データの差異に影響されにくい、よりロバストな姿勢推定が可能になります。
• 実運用中に取得したデータを用いて自己学習を行うため、環境変化にも柔軟に対応できます。

結論:

本論文で提案された手法は、宇宙機の姿勢推定の精度と安定性を向上させる promising な手法であり、今後の宇宙開発における重要な技術となる可能性を秘めています。