비협조적인 거주 우주 물체의 특징 인식을 위한 인스턴스 세분화

능동 잔해 제거 및 무인 궤도 서비스 임무는 지난 몇 년 동안 관심을 끌었으며, 자율 추적 우주선을 사용하여 이를 수행할 가능성이 제시되었습니다. 이 연구에서는 비협조적인 목표의 근접 작업이 시작되기 전에 검사를 위해 위성의 유도, 내비게이션 및 제어 알고리즘 구현을 지원하기 위한 새로운 자원을 제안합니다. 특히, 물체 탐지 및 인스턴스 세분화를 수행하는 컨볼루션 신경망(CNN)의 사용이 제안되며, 목표 위성의 구성 요소와 부품을 인식하는 효과가 평가됩니다. 그러나 현재 이러한 종류의 신뢰할 수 있는 훈련 이미지 데이터셋은 존재하지 않습니다. 합성 이미지를生成하여 이 한계를 극복하기 위해 맞춤형으로 공개 가능한 소프트웨어가 개발되었습니다. 기존 위성의 컴퓨터 보조 설계 모델이 3차원 애니메이션 소프트웨어에 로드되고, 다양한 시점과 조명 조건에서 물체의 이미지를 프로그래밍 방식으로 렌더링하는 데 사용되며, 각 이미지에 대한 필요한 실제 진실 레이블과 마스크가 함께 제공됩니다. 결과는 이러한 데이터셋에 대해 훈련된 CNN이 최신 성능 수준에 부합하는 평균 정밀도 값을 얻기 위해 상대적으로 적은 수의 반복으로 충분하다는 것을 보여줍니다. 다양한 조건에서 훈련된 신경망의 성능 평가가 제공됩니다. 결론적으로, 이 방법은 실제 이미지인 미션 확장 차량-1의 궤도 서비스 임무에 대해 테스트되었으며, 인공적으로 생성된 이미지만 사용하여 모델을 훈련하는 것이 학습 과정에 타협하지 않음을 보여줍니다.