Spacecraft Pose Estimation Dataset (SPEED)

Spacecraft Pose Estimation Dataset (SPEED) 是由欧洲空间局和斯坦福大学的空间会合实验室共同创建的，首个公开可用的机器学习数据集，用于卫星姿态估计。该数据集包含近15000张合成图像和300张真实图像，这些图像来源于Tango卫星的PRISMA任务。数据集的创建过程涉及使用光学仿真器软件生成合成图像，并在TRON设施中捕捉真实图像。SPEED数据集主要用于卫星姿态估计算法的训练和测试，特别是在自主轨道服务和碎片移除任务中，解决缺乏空间图像训练和验证算法的问题。

The Spacecraft Pose Estimation Dataset (SPEED) was jointly created by the European Space Agency and the Space Rendezvous Laboratory of Stanford University, and it is the first publicly available machine learning dataset dedicated to satellite pose estimation. The dataset contains approximately 15,000 synthetic images and 300 real-world images, all sourced from the Tango satellite of the PRISMA mission. The development of the SPEED dataset involved generating synthetic images using optical simulator software and capturing real-world imagery at the TRON facility. The SPEED dataset is primarily used for training and testing satellite pose estimation algorithms, particularly in autonomous orbital servicing and space debris removal missions, to address the shortage of space imagery for training and validating relevant algorithms.

搜集汇总

数据集介绍

构建方式

Spacecraft Pose Estimation Dataset (SPEED) 的构建旨在解决非合作卫星姿态估计的挑战。该数据集由合成和真实航天器图像组成，以弥补航天器图像训练和验证算法的缺乏。合成图像使用相机模拟软件创建，并插入随机地球图像作为背景。真实图像则使用 Stanford 大学 Space Rendezvous Laboratory 的 TRON 设施捕获，该设施包括一个航天器模型和能够模拟地球反照率和太阳光的照明系统。数据集包含近 15000 张合成图像和 300 张真实图像，分为训练集和测试集，并带有地面真实姿态标签。

使用方法

使用 SPEED 数据集时，研究人员可以将其分为训练集和测试集，以便在训练深度学习模型时进行验证。合成图像可用于训练模型，而真实图像可用于评估模型的泛化能力。数据集的地面真实姿态标签可用于计算模型的姿态估计误差，以评估其性能。此外，数据集还提供了工具和函数，以帮助研究人员可视化样本和相应的姿态标签，以及加载数据。

背景与挑战

背景概述

随着航天任务的多样化，对非合作卫星的位姿估计成为了关键技术。为了推动这一领域的发展，欧洲航天局（ESA）的先进概念团队（ACT）和斯坦福大学的空间交会实验室（SLAB）共同组织了卫星位姿估计挑战赛（SPEC），旨在评估和比较基于单目视觉的位姿估计方法。为此，他们创建了首个公开的合成与真实航天器图像机器学习数据集——航天器位姿估计数据集（SPEED）。该数据集于2019年2月首次发布，包含了近15000张合成图像和300张真实图像，旨在为卫星位姿估计算法提供一个共同的基准，识别现有技术的状态，并展示改进的空间。SPEED数据集的创建反映了航天器计算机视觉任务中独特的挑战，即缺乏用于训练和验证算法的航天器图像。这项工作的主要贡献是对48位参赛者的提交作品进行了分析，比较了不同方法的性能，并揭示了使卫星位姿估计问题特别具有挑战性的因素。

当前挑战

SPEED数据集相关的挑战包括：1) 领域问题挑战：卫星位姿估计需要高精度和实时性，这在实际操作中是一大挑战。2) 构建过程中的挑战：由于航天器图像的获取困难，数据集的构建过程中需要克服图像质量和数量的限制。此外，真实航天器图像的获取成本高，且受天气、光照等环境因素的影响较大。3) 数据集本身的挑战：SPEED数据集的合成图像与真实图像之间存在一定的差异，这给模型的泛化能力带来了挑战。4) 技术挑战：现有的位姿估计方法在处理真实航天器图像时，往往会出现性能下降的问题，这需要进一步研究和改进。

常用场景

经典使用场景

在卫星姿态估计领域，SPEED数据集被广泛应用于评估和比较基于单目视觉的方法，以推动该问题的研究进展。该数据集包含了合成和真实航天器图像，解决了空间计算机视觉任务中缺乏空间图像进行算法训练和验证的独特挑战。SPEED数据集的创建和使用，为航天器姿态估计领域提供了宝贵的基准数据，有助于推动相关算法和技术的创新。

解决学术问题

SPEED数据集解决了航天器姿态估计领域缺乏大规模标注数据集的问题，为该领域的研究提供了宝贵的资源。该数据集的创建和使用，有助于推动航天器姿态估计算法和技术的创新，提高算法的准确性和鲁棒性。此外，SPEED数据集还揭示了航天器姿态估计任务中的难点，如目标距离和背景复杂性等，为后续研究提供了重要的参考。

实际应用

SPEED数据集的实际应用场景包括但不限于航天器自主交会对接、太空垃圾清理等任务。通过使用基于SPEED数据集训练的算法，可以实现对目标航天器的精准定位和姿态估计，为航天器自主执行任务提供重要的支持。此外，SPEED数据集还可以用于航天器自主避障、轨道维护等任务，提高航天器在轨运行的效率和安全性。

数据集最近研究

最新研究方向

在航天器姿态估计领域，最新的研究方向集中于利用深度学习技术和单目视觉系统来实现非合作航天器的自主姿态估计。这一研究方向的重要性在于支持未来的在轨服务、碎片清除等任务，这些任务对航天器的精确位置和姿态信息有着极高的需求。SPEED数据集作为首个公开可用的航天器姿态估计机器学习数据集，为研究提供了宝贵的资源。该数据集包含合成和真实航天器图像，旨在解决空间计算机视觉任务中缺乏航天器图像进行算法训练和验证的难题。此外，SPEED数据集还通过组织竞赛，推动了该领域的发展，促进了不同姿态估计算法的性能比较。在竞赛中，基于深度学习的姿态估计方法取得了显著的成果，特别是在单目视觉系统中，深度学习模型能够通过直接预测6D姿态或中间信息来计算6D姿态，显示了其在航天器姿态估计中的巨大潜力。未来，研究将集中在如何更好地利用合成数据训练模型，以减少领域差距，并探索如何估计未知空间目标的姿态，以支持太空碎片清除和其他在轨服务任务。

相关研究论文

• Satellite Pose Estimation Challenge: Dataset, Competition Design and Results

  欧洲空间局 · 2020年