《Aerospace》：Lightweight Monocular Relative Pose Estimation of Spacecraft via Scale-Adaptive Multi-Task Learning
编辑推荐：
航天器的高精度单目位姿估计对于在轨服务与近距离操作至关重要，然而由于目标尺度的大幅变化和星载计算资源有限，这一任务仍具挑战。针对这些问题，研究人员提出了SAPose，一种轻量级几何引导的位姿估计框架，将多任务关键点预测与几何位姿恢复相结合。该网络采用阶段感知轻
航天器的高精度单目位姿估计对于在轨服务与近距离操作至关重要，然而由于目标尺度的大幅变化和星载计算资源有限，这一任务仍具挑战。针对这些问题，研究人员提出了SAPose，一种轻量级几何引导的位姿估计框架，将多任务关键点预测与几何位姿恢复相结合。该网络采用阶段感知轻量级骨干网络（stage-aware lightweight backbone）和尺度自适应特征融合结构（scale-adaptive feature fusion structure）联合执行航天器检测与语义关键点定位，从而增强不同目标尺度下的几何特征表示。对于仅占据图像小部分的远距离航天器，一种自适应从粗到细的推理策略（adaptive coarse-to-fine inference strategy）选择性地激活基于感兴趣区域（region of interest, ROI）的二次细化，以恢复被削弱的结构细节，同时避免对中、大尺度目标进行不必要的计算。此外，采用置信度排序关键点选择（confidence-ranked keypoint selection）和对象空间非线性细化（object-space nonlinear refinement）来提高位姿恢复的稳定性和精度。在航天器位姿估计数据集（Spacecraft Pose Estimation Dataset, SPEED）和航天器关键点数据集（Spacecraft Keypoint Dataset, SKD）上的实验表明，SAPose在紧凑的模型尺寸和高效的推理条件下取得了具有竞争力的位姿估计精度，为单目航天器位姿估计提供了精度与计算成本之间的实用平衡。
随着空间活动日益频繁，在轨航天器数量持续增长，自主交会、近距离巡检、在轨服务与主动碎片清除等任务对空间目标相对位姿估计提出了高精度与实时性需求。单目相机凭借低功耗、紧凑结构和成本优势被广泛采用，但目标尺度大幅变化、复杂光照、杂乱背景以及星载计算资源受限，使得传统几何特征匹配方法难以稳定提取特征，而纯数据驱动的直接回归方法又缺乏几何可解释性，且在SO(3)流形上存在表示偏差。多阶段级联方案（检测+关键点+求解Perspective-n-Point, PnP）精度高，但计算和延迟开销大，难以满足星上尺寸、重量和功耗（size, weight, and power, SWaP）约束；单阶段多任务网络虽高效，却在小目标场景下因关键点细节丢失而精度下降。因此，有必要设计一种兼顾精度与效率的轻量级单目位姿估计框架。
针对上述问题，研究人员提出了SAPose，一种轻量级几何引导的间接位姿估计框架。它将航天器检测与2D语义关键点回归集成于统一的单阶段多任务网络，通过离线重建的稀疏3D线框模型提供2D–3D对应关系，再以PnP求解位姿并进行非线性优化。在SPEED和SKD数据集上的实验表明，SAPose取得了有竞争力的精度，同时保持紧凑的模型尺寸和高效推理，为星载单目位姿估计提供了精度与计算成本之间的实用平衡。该研究发表在《Aerospace》。
为开展研究，研究人员采用以下关键技术方法：①离线几何初始化，在少量已知位姿的参考图像上手动标注11个语义关键点，通过三角化重建稀疏3D线框模型，并自动重投影生成训练标签；②设计阶段感知轻量级骨干（基于SA-C3k2模块）和尺度自适应特征金字塔网络（Scale-Adaptive Feature Pyramid Network, SAFPN）进行多尺度特征融合；③采用置信度排序关键点选择并构建最小基数对应子集，使用EPnP初始化位姿，再以对象空间点到射线误差（object-space point-to-ray error, OSE）结合Huber损失和迭代重加权最小二乘进行非线性细化；④提出基于边界框占比阈值的自适应粗到细（coarse-to-fine, CTF）推理，仅对极小目标激活ROI二次前向。评估数据来源：SPEED数据集（合成训练图、验证图、测试图及少量有标注真实图像）和SKD数据集（三颗不同几何结构卫星的模拟图像）。
研究结果如下：
4.1 实验设置（Experimental Settings）：采用SPEED和SKD两个公开数据集，其中SPEED以Tango航天器为对象，包含合成
