تعميم المجال لتقدير الوضعية 6D في المدار

نتناول مشكلة تقدير الوضعية النسبية ذات الأبعاد الستة، أي الموقع والاتجاه، لمركبة فضائية مستهدفة، من صورة أحادية العدسة، وهي قدرة أساسية لعمليات اللقاء والمناورة المستقلة المستقبلية. بسبب صعوبة الحصول على مجموعات كبيرة من الصور الحقيقية، يتم تدريب شبكات تقدير وضعية المركبة الفضائية حصريًا على صور صناعية. ومع ذلك، نظرًا لأن تلك الصور لا تعكس ظروف الإضاءة التي تُواجه في المدار، تواجه شبكات تقدير الوضعية مشكلة فجوة المجال، أي أنها لا تعمم بشكل جيد على الصور الحقيقية. يقدم عملنا طريقة تجسر هذه الفجوة بين المجالات. وتعتمد على هيكلية عصبية جديدة شاملة ونظام تعلم جديد. هذه الاستراتيجية تُحسن قدرات التعميم بين المجالات للشبكة من خلال التعلم المتعدد المهام وسياسات تعزيز البيانات المكثفة، مما يجعل الشبكة تتعلم ميزات مستقلة عن المجال. نثبت أن طريقتنا تغلق فجوة المجال بفاعلية، محققة دقة رائدة على مجموعة بيانات SPEED+ الواسعة الانتشار. وأخيرًا، تقييمات الاستبعاد تقيّم تأثير المكونات الرئيسية لطريقتنا على قدراتها في التعميم.