SKD数据集

SKD数据集是针对非合作航天器关键点检测而创建的一个中等规模数据集。该数据集包含3个航天器目标，90000张模拟图像以及对应的高精度关键点标注。数据集的创建旨在帮助训练和测试不同的关键点检测器，以提高航天器关键点检测和姿态估计的精度。数据集来源于模拟数据，通过Unreal Engine 4平台渲染得到，数据集分为训练集、验证集和测试集，比例为3:1:1。该数据集可用于研究航天器姿态估计，特别是针对非合作航天器的关键点检测和姿态估计。

The SKD Dataset is a medium-scale dataset developed for keypoint detection of non-cooperative spacecraft. It includes 3 spacecraft targets, 90,000 simulated images and their corresponding high-precision keypoint annotations. The dataset is designed to facilitate the training and testing of various keypoint detectors, so as to improve the accuracy of spacecraft keypoint detection and pose estimation. The dataset is derived from simulated data rendered via the Unreal Engine 4 platform. It is split into training, validation and test sets with a ratio of 3:1:1. This dataset can be used for research on spacecraft pose estimation, especially keypoint detection and pose estimation for non-cooperative spacecraft.

原始信息汇总

GKNet数据集概述

数据集背景

• 用于非合作航天器的单目姿态估计，支持在轨服务任务（如卫星维护、空间碎片清除和空间站组装）。
• 针对当前关键点检测器在结构对称性和部分遮挡方面的不足，提出基于图的关键点网络（GKNet）。

SKD数据集详情

数据集规模

• 包含3个航天器目标
• 300个模拟图像序列
• 90,000个精确的点级标注

数据目录结构

├─data │ ├─000001 │ │ │─image │ │ │ │─000001.jpg │ │ │ │─000002.jpg │ │ │ │─...... │ │ │ └─000300.jpg │ │ │─annotations.csv │ │ │─camera_matrix.txt │ │ │─keypoints.txt │ │ │─Satellite_01.gif │ │ │─skeleton.pth │ │ │─skeleton_pres.pth │ │ └─trajectory.pdf │ ├─000002 │ ├─000003 │ ├─...... │ └─000300 ├─test.json ├─train.json ├─val.json └─camera_matrix.txt

关键文件说明

• skeleton.pth: 存储根据几何关系预定义的关键点边
• skeleton_pres.pth: 存储用于显示关键点的边
• annotations.csv: 记录卫星姿态标注
• test.json/train.json/val.json: 可修改用于训练、验证和测试的数据

数据集获取

• 下载地址：https://pan.baidu.com/s/1nQGjsgY6AGTI_V38qAQqrw?pwd=kdu7

搜集汇总

数据集介绍

构建方式

SKD数据集的构建基于对非合作航天器关键点检测的需求，通过虚拟仿真技术生成高质量图像数据。研究团队在Unreal Engine 4平台上导入了3种航天器目标模型，通过精确的相机投影原理生成了90,000张1024×1024分辨率的模拟图像。每幅图像均包含预先定义的10个以上关键点的高精度标注，这些关键点涵盖了太阳能板、推进器和天线等重要部件特征。数据采集过程中采用虚拟相机参数（焦距、主点坐标）和刚体变换矩阵（Rbc, Tbc）进行几何投影计算，确保了2D-3D对应关系的数学严谨性。最终数据集按3:1:1比例划分为训练集、验证集和测试集，形成完整的评估体系。

使用方法

使用SKD数据集时需遵循特定流程：输入图像需根据关键点注释进行中心裁剪，经统一填充后缩放至256×256分辨率。训练过程推荐采用Adam优化器，初始学习率设为0.01，配合余弦退火策略（16周期）防止局部最优。基准测试表明，模型输出32×32热图时能平衡精度与计算效率。评估阶段应采用RMSE指标量化关键点预测误差，同时可通过PnP算法将检测结果转换为姿态估计值，使用相对位置误差Et和四元数角度误差Eq进行综合性能分析。数据集特别适合验证图神经网络在空间关系推理方面的优势，如GKNet中图卷积解码器与上采样分支的融合效果。

背景与挑战

背景概述

SKD数据集由哈尔滨工业大学控制科学与工程系的马维钊、周东等研究人员于2025年创建，旨在推动非合作航天器的单目姿态估计研究。该数据集包含3种航天器目标、9万张模拟图像及对应的高精度关键点标注，为轨道服务任务中的卫星维护、空间碎片清除等关键操作提供了重要数据支持。作为首个专注于航天器关键点检测的中等规模数据集，SKD通过虚拟引擎4平台生成的合成图像，有效解决了真实太空图像获取困难的瓶颈问题，显著提升了基于深度学习的关键点检测算法的训练效果。

当前挑战

在解决航天器姿态估计领域问题时，SKD数据集主要面临三大挑战：航天器结构对称性导致关键点歧义、部分遮挡造成特征提取困难，以及太空环境中极端光照条件引发的图像失真。数据构建过程中，研究人员需克服合成图像与真实太空场景间的域差距问题，精确标注高对称性部件的三维关键点坐标，并通过虚拟引擎实现多样化的太空光照模拟。此外，如何平衡模拟数据的物理真实性与算法训练效率，也是数据集构建时需要解决的核心技术难题。

常用场景

经典使用场景

SKD数据集在航天器姿态估计领域具有重要应用价值，特别是在非合作航天器的单目姿态估计任务中。该数据集通过提供高精度的关键点标注，为基于深度学习的姿态估计算法提供了可靠的训练和测试基准。其经典使用场景包括卫星维护、空间碎片清除和空间站组装等轨道服务任务，这些任务对姿态估计的准确性和实时性要求极高。数据集中的模拟图像覆盖了多种视觉条件，能够有效验证算法在复杂光照和部分遮挡等挑战性环境下的鲁棒性。

解决学术问题

SKD数据集解决了非合作航天器姿态估计中的若干关键学术问题。首先，它填补了该领域缺乏高质量标注数据集的空白，为基于学习的方法提供了必要的训练资源。其次，数据集中的关键点定义充分考虑了航天器的结构特性，有助于解决对称性和部分遮挡带来的歧义问题。此外，数据集支持几何约束的建模，促进了图神经网络等新型算法在空间视觉任务中的应用。这些贡献显著提升了姿态估计的精度和可靠性，推动了相关理论方法的发展。

实际应用

在实际应用层面，SKD数据集支撑了多项轨道服务关键技术的研发。基于该数据集训练的算法已成功应用于卫星在轨维护系统，实现了对失效航天器的精确接近操作。在空间碎片清除任务中，数据集帮助开发了可靠的自主导航系统，确保捕获装置能够准确定位目标。此外，数据集还为空间站组装任务提供了视觉感知解决方案，支持机械臂完成精密的对接操作。这些应用显著提升了空间任务的安全性和成功率。

数据集最近研究

最新研究方向

随着太空技术的快速发展，非合作航天器的姿态估计成为在轨服务任务中的关键技术挑战。SKD数据集作为航天器关键点检测领域的重要资源，近期研究聚焦于基于图神经网络的关键点检测方法。GKNet通过融合几何约束与图卷积机制，显著提升了对称结构和部分遮挡场景下的检测精度。该数据集包含3类航天器目标、9万张仿真图像及高精度标注，为算法验证提供了坚实基础。当前研究热点集中在如何利用图结构建模关键点间的空间关系，以解决传统方法在复杂光照和遮挡条件下的性能退化问题。相关技术对卫星维护、太空碎片清理等任务具有重要应用价值，推动了单目视觉姿态估计向更高精度和鲁棒性发展。

相关研究论文

• GKNet: Graph-based Keypoints Network for Monocular Pose Estimation of Non-cooperative Spacecraft

  哈尔滨工业大学控制科学与工程学院，中国航天科技集团公司，北京 · 2025年