《Control Engineering Practice》：Recurrent convolutional neural networks for LiDAR-based attitude initialization of rotating spacecraft
编辑推荐：
精确的姿态估计对于自主在轨服务（In-Orbit Servicing, IOS）和近距离操作至关重要。本研究提出一种循环卷积神经网络（Recurrent Convolutional Neural Network, RCNN），用于已知的、可能翻滚的航天器的粗姿
精确的姿态估计对于自主在轨服务（In-Orbit Servicing, IOS）和近距离操作至关重要。本研究提出一种循环卷积神经网络（Recurrent Convolutional Neural Network, RCNN），用于已知的、可能翻滚的航天器的粗姿态初始化，该网络利用LiDAR（Light Detection and Ranging）生成的深度图像。通过处理二维点云投影的时间序列，RCNN有效地处理了对称性、遮挡和退化的传感问题。在不同航天器几何形状、角速度和距离下的仿真表明，在所采用的实验框架内，RCNN比传统的卷积神经网络（Convolutional Neural Network, CNN）基线产生更低的初始化误差和更高的收敛率，性能随角速度条件而变化。
**论文解读：基于循环卷积神经网络的LiDAR航天器粗姿态初始化方法**
**研究背景与问题**
在轨服务（In-Orbit Servicing, IOS）任务（如卫星检查、捕获、燃料加注、维修及碎片清除）对精确的相对姿态估计提出了极高要求。姿态估计通常分为粗初始化和精化两阶段，其中粗初始化阶段为后续的迭代最近点（Iterative Closest Point, ICP）算法提供初始猜测。现有粗姿态估计方法（如模板匹配、点对特征、方向唯一可重复聚类视点特征直方图（OUR-CVFH）等）在处理对称目标、动态旋转及部分遮挡时存在计算量大、精度不足甚至失效的问题。近年来，基于卷积神经网络（CNN）的深度学习方案被引入，但传统CNN仅处理单帧数据，无法利用时序相关性，这限制了其在旋转目标或视觉模糊场景下的性能。为此，研究人员提出采用循环卷积神经网络（RCNN），通过引入长短期记忆（Long Short-Term Memory, LSTM）单元来捕获LiDAR点云序列中的时间演化信息，以提升对旋转、对称航天器的粗姿态初始化精度。
**研究内容与结论**
本研究在《Control Engineering Practice》发表，提出了一种基于RCNN的粗姿态初始化框架。研究人员利用仿真生成的LiDAR点云投影深度图像序列，训练RCNN对已知航天器进行姿态估计。实验覆盖了从20 m到100 m的距离范围、0°/s至20°/s的角速度范围，并考虑了多种航天器几何形状（双对称、单对称、非对称）及图像质量退化（低分辨率、遮挡）条件。结果表明：相比同等容量的CNN基线，RCNN在所有测试场景下均获得更低的平均角度误差和更高的收敛成功率；尤其在双对称航天器（NEAR Shoemaker）上，成功率从45%提升至88%。该方法在翻滚目标测试中表现稳健，对距离变化不敏感，且能部分抵御遮挡和分辨率退化。与现有基于LiDAR的深度学习方法相比，RCNN在更大工作距离（20–100 m）上保持稳定，并能处理对称目标和遮挡，具有明显优势。
**主要关键技术方法**
研究人员采用的主要技术包括：① **LiDAR点云仿真与投影**：利用Matlab UAV Toolbox的3D LiDAR模拟器，基于NASA CAD模型生成点云，并将其投影到垂直于LiDAR光轴的平面，再经体素化（voxelization）与归一化转换为100×100像素的深度图像；② **CNN骨干网络**：设计浅层卷积结构（含卷积块、池化、全局平均池化及全连接层），输出四元数姿态估计；③ **RCNN架构**：在CNN骨干后插入LSTM单元，处理长度为10帧的时序深度图像，利用时序相关性改进估计；④ **训练策略**：先对CNN进行单帧预训练，再冻结其权重，仅训练LSTM与输出层；⑤ **数据集**：基于公开数据集（Zenodo记录号18477119）的仿真数据，分别构建单帧与序列训练集，涵盖均匀分布的姿态与距离，角速度成分从均匀分布采样。
**研究结果**
**RCNN与CNN基线对比**（对应原文Table 3）：在标称高分辨率（FOV/128）条件下，双对称航天器NEAR Shoemaker的RCNN平均角度误差为12.69°，成功率88%，而CNN为40.94°和45%；单对称航天器Magellan探测器和非对称航天器SAC-D/Aquarius的RCNN误差分别为3.99°和3.09°，成功率分别达99%和100%，均优于CNN。
**图像质量退化影响**（对应原文Table 4-5）：在中等退化（FOV/100分辨率且随机移除10%点）下，RCNN性能仅轻微下降，各航天器成功率保持在84%–100%。在严重遮挡（模拟航天器附件遮挡部分视场）下，性能显著下降：NEAR Shoemaker成功率降至64%，平均误差升至22.86°；Magellan成功率83%，误差13.89°；SAC-D/Aquarius成功率86%，误差12.82°。
**翻滚目标适用性**（对应原文Table 6）：在物理一致翻滚仿真（基于CAD计算惯性张量）下，RCNN性能退化有限：平均角度误差增加不超过1°，成功率仅NEAR Shoemaker降低约3%（从88%降至85%）。但对NEAR Shoemaker进行人为修改惯性张量（减半I
zz）的应力测试中，误差升至17.21°，成功率降至74%，表明对强烈翻滚动态的泛化能力受限。
**距离与角速度依赖性**（对应原文Fig. 10-12）：RCNN在20–100 m距离范围内性能几乎恒定，验证了体素化策略的有效性。角速度影响呈现非均匀趋势：中间角速度（约5–15°/s）误差最低，低角速度（<5°/s）和高角速度（>15°/s）误差较高。采用均匀角速度分布训练的RCNN仍呈现类似趋势，表明误差与姿态估计问题本身特性相关。
**与现有方法比较**（对应原文4.1节）：RCNN的工作距离（20–100 m）远超大多数现有深度学习方法（通常在5–20 m以内）；在非对称目标SAC-D/Aquarius上，RCNN精度提升约28%；在对称目标上，虽误差略高（约10°），但在更大距离下仍保持高成功率；RCNN是少数评估遮挡影响的LiDAR姿态初始化方法之一，且显式利用了时序信息，拓展了RCNN在LiDAR数据处理中的应用。
**结论与意义**
讨论部分指出，尽管仿真性能良好，但真实场景存在领域差距（domain gap），且推理时间（RCNN每帧约24 ms，CNN约4.8 ms）基于商用CPU（Intel Core i5-1135G7）测得，不能直接证明在星载硬件上的实时性，需在代表航天级的嵌入式平台上进一步验证。研究结论（翻译自原文Section 5）为：本研究提出了一种基于RCNN的粗姿态估计方法，利用连续观测的时间信息，在测试场景中实现了比CNN基线更低的估计误差。由于CNN和RCNN基于不同时序结构的数据集训练，观测到的性能提升应归因于完整序列方法的有效性。该框架在航天器几何形状、相对距离和图像质量变化下保持稳定性能，但在低角速度和高角速度条件下精度有所下降。此外，对任意翻滚运动的泛化能力可能受限于训练条件，翻滚应力测试分析凸显了这一点。在计算方面，在测试的商业平台上，测量推理时间低于本研究考虑的LiDAR采集周期；这并不意味着适用于飞行实现的实时性，后者需要在代表性星载硬件上进行专门评估。未来工作将聚焦于在实际数据集上验证该方法，研究对更大干扰和离群点的鲁棒性，并将框架扩展到其他相对导航场景，包括小行星相对操作。
