PsiNet：基于多光谱成像的航天器交会相对导航深度学习方法

《IEEE Transactions on Aerospace and Electronic Systems》：PsiNet: A Multispectral Imaging-Based Deep Learning Approach for Spacecraft Rendezvous Relative Navigation

　　**摘要：** 在星载成像条件下，非合作航天器交会中的精确相对位姿估计仍然是一项具有挑战性的任务。在这些条件下，可见光图像可能因日月食过渡、太阳光眩、阴影、目标对比度低以及目标翻滚而退化。现有的基于学习的方法仍主要依赖于仅使用可见光传感，或采用未能充分利用各模态特有表征及时间位姿依赖性的多光谱融合方案。本文提出了PsiNet，一种端到端的多光谱深度递归卷积框架，用于从配对的可见光和长波红外图像中进行6自由度航天器相对位姿估计。所提出的架构使用针对不同模态的特征提取器分别处理RGB和热成像通道，随后通过一个压缩-激励（Squeeze-and-Excitation）后期融合模块自适应地重新校准跨模态特征。位姿估计采用解耦策略：首先从融合表征中回归平移量，然后将其作为几何条件输入到递归姿态估计分支中。采用三阶段训练程序，逐步学习平移、时间姿态动力学以及基于重投影的姿态精化。PsiNet在合成的Astos数据集以及来自City数据集的实景多光谱序列上进行了评估。在Astos测试序列上，PsiNet将平均相对平移误差从2.58%降至0.81%，将平均姿态误差从6.91°降至3.49°，与ChiNet相比，分别对应约69%和49%的相对降低。在真实的CITY/03轨迹上，PsiNet实现了0.10 m的平均平移误差和2.43°的平均姿态误差，将相对位置误差从约6.5%降至0.27%，将平均姿态误差从约5.5°降至2.43°。消融研究进一步表明，所提出的后期融合设计优于早期融合和决策级...