精确的六自由度（6-DoF）姿态估计和轨迹跟踪是自主航天器操作的基石，包括在轨服务（OOS）[1]、[2]、主动碎片清除（ADR）[3]以及交会对接（RVD）[4]。虽然像LiDAR [5]和射频（RF）[6]这样的主动传感器能够提供可靠的深度测量，但它们会带来显著的尺寸、重量和功耗（SWaP）问题，使得它们不适用于资源受限的平台。相比之下，服务航天器上的光学传感器提供了轻量级的解决方案，无需依赖协作硬件即可运行。在这种情况下，单目相机因其极低的SWaP和广阔的操作范围而成为主动传感器或立体相机的有吸引力的替代品[7]。单目方法的有效性已在飞行中得到验证。例如，在PRISMA任务中，成功部署了基于单目视觉的传感器来支持自主非合作交会实验[8]。
然而，在轨上的精确单目估计面临着太空环境的极端视觉条件带来的挑战，这些条件包括强烈的光照、高对比度的阴影和固有的尺度不确定性。由于稳健的特征提取是姿态估计的先决条件，传统的姿态估计方法依赖于手工制作的描述符来识别目标体上的关键点、角点或边缘（例如SURF、SIFT和ORB）。然而，这些方法非常脆弱；它们严重依赖于精确的初始化，并且当手工制作的特征被背景噪声干扰时经常失败。最近的研究表明，基于深度学习的方法是必要的[9]，显著提高了航天器姿态估计的准确性。在这个领域，方法通常分为两个不同的流派：
1.关键点预测：这种方法基于目标的离线3D模型检测预定义的2D地标[10]、[11]，然后使用透视n点（PnP）求解器（如高效透视n点（EPnP）[12]或随机样本一致性（RANSAC）将2D地标与相应的3D属性对齐，从而得出6-DoF姿态；
2.直接回归：这种方法利用神经网络直接从输入图像中回归6-DoF姿态参数，或者学习一组模板姿态之间的插值权重[13]。
基于卷积神经网络（CNNs）的关键点方法在早期研究中占据主导地位，并在卫星姿态估计挑战（SPEC）[14]、[15]中取得了令人瞩目的性能，这主要是由于PnP过程的几何可解释性。值得注意的是，对PRISMA任务数据的实证评估表明，基于关键点的架构在定向精度上显著优于早期的端到端回归模型，通常高出一个数量级，从而确立了它们在高精度任务中的首选地位。然而，这种两阶段流程的依赖性引入了脆弱性。因为PnP求解器通常作为不可微的后处理步骤应用，这些方法存在一个根本性的限制，即“代理误差”：网络的优化目标（最小化2D地标误差）与最终任务目标（最小化6-DoF姿态误差）并不完全一致。此外，PnP求解器对异常关键点非常敏感，在噪声成像条件下会导致显著的方差[16]。
这种差异需要结合端到端学习和显式几何推理的优势的架构。受多任务学习[13]、[17]进展的推动，最近的研究进一步探索了利用几何基础的混合方法。通过强制执行类似于PnP的显式几何约束，同时保持直接回归的可微性，这些方法在“黑盒”预测和解耦的几何优化之间架起了一座桥梁，为高精度姿态估计提供了稳健的路径。
最近，将几何先验集成到预训练的视觉Transformer（ViTs）[18]、[19]中，例如基于视觉几何的Transformer（VGGT）[20]，在3D表示学习方面树立了新的基准，其性能超过了最先进的模型。从根本上说，VGGT扩展了自注意力机制，以处理多帧、无序的图像序列，证明了在前置几何监督下训练的Feed-forward Transformer可以获得稳健的几何表示。此外，VGGT表明，通过密集预测Transformer（DPT）[21]预测几何特征（如深度图或点云）可以提高直接回归的准确性。然而，标准的自注意力机制相对于序列长度会产生二次方的计算成本。这种低效率主要限制了VGGT在长图像序列的离线处理上应用，使其不适合实时在轨应用。
为了缓解这些可扩展性限制，FastVGGT代表了高效VGGT架构的进步[22]。它通过引入基于令牌合并[23]的加速范式来解决密集视觉输入中的冗余问题。其核心机制采用了一种混合分区策略：它明确保留了通过固定间隔采样识别的显著令牌，同时利用随机分组策略来聚合剩余的令牌。通过有效地修剪注意力层中的冗余，FastVGGT将计算复杂度从二次方（）降低到接近线性（），从而显著提高了吞吐量和减少了内存使用。这一架构演变从理论上证明了可以使用稀疏令牌表示来实现高保真度的几何重建。
然而，FastVGGT的固定间隔采样策略对所有非参考令牌一视同仁，无论其语义内容如何都予以丢弃。在航天器场景中，目标只占视野的一小部分，周围是均匀的空白区域，这种静态方法可能会移除卫星边界或对姿态精度至关重要的结构特征的令牌。我们的可学习令牌合并（L-ToMe）通过学习评估令牌的显著性来解决这一限制，明确保留几何上重要的区域，同时积极压缩无信息的背景。
此外，基于专家混合（MoE）[24]的稀疏激活架构为在不增加计算成本的情况下增强模型容量提供了有希望的方向。通过将每个输入令牌路由到一小部分专家模块，MoE能够将计算资源分配到输入中最具信息量的区域，从而在表示丰富性和推理效率之间实现平衡。这一特性对于航天器姿态估计特别有益，因为在这些场景中，视觉输入通常由广阔的均匀背景区域和结构复杂的卫星表面交织而成。在这种情况下，MoE允许模型选择性地激活专门处理卫星几何的专家模块，同时在无信息的空白区域上节省计算资源，自然补充了上述的令牌合并范式。
然而，大多数现有的航天器姿态估计方法主要集中在单帧估计上。这一限制主要源于早期公共基准的性质，这些基准主要是为单帧估计设计的，例如Spacecraft PosE Estimation Dataset+（SPEED+）[14]。因此，对于下游导航任务来说很重要的时间连续性在历史上较少被探索。随着高保真序列数据集的引入，这种情况发生了根本性的变化，最著名的是为SPAcecraft Recognition leveraging Knowledge of Space Environment（SPARK）挑战[25]、Satellite Hardware-In-the-loop Rendezvous Trajectories（SHIRT）数据集[26]和SwissCube数据集[27]发布的数据集。这些数据集提供了包含数千帧的扩展图像序列，激发了专注于序列轨迹跟踪的快速发展的研究方向。
利用SHIRT数据集，Cassinis等人开创了一种基于过滤的范式[28]。他们提出的自适应无迹卡尔曼滤波器（A-UKF）将基于CNN的姿态回归器与轨道力学相结合。关键的是，他们的方法利用网络的随机不确定性来动态加权传入的测量值，证明了时间融合在鲁棒性方面显著优于单帧基线。同时，最近利用SPARK数据集的研究开始将时间约束直接内置于深度网络中。新的方法，如使用运动一致性损失或循环架构[29]、[30]，尝试通过端到端学习帧间相关性来平滑预测。
在这些进展的基础上，我们提出了一个新框架，将FastVGGT的计算效率与序列建模的时间连续性相结合。我们引入了一个可学习令牌合并机制，以解决原始FastVGGT的固定采样策略的问题。该模块优化了将航天器结构的语义稀疏性与空间背景分离，同时积极压缩冗余的空白区域。与使用光流或迭代细化的序列方法不同，我们的框架在端到端网络中集成了直接的几何监督。通过摄入时间有序的图像序列，我们的方法同时预测6-DoF姿态、置信度掩码和密集深度图。这种联合优化确保了轨迹的平滑性和高精度的几何对齐，无需其他后处理。
我们在具有挑战性的航天器图像数据集SwissCube和SPEED+上验证了我们的方法。实验结果表明，该框架提高了准确性和稳定性。与Wide-range-depth Net [27]在SwissCube上的结果相比，准确度相对提高了21.6%。
本文的其余部分组织如下。第2节介绍了所提出的序列框架，详细介绍了网络架构、注意力机制和可学习令牌合并。第3节深入阐述了几何学习目标，制定了预测头和复合监督策略。第4节展示了实验评估，包括数据集详情、实现细节和定量结果。最后，第5节总结了本文。
