SPADES

SPADES数据集由卢森堡大学的Interdisciplinary Centre for Security, Reliability and Trust (SnT)创建，专注于使用事件传感进行航天器姿态估计。该数据集包含179,400个姿态，包括在受控实验室环境中收集的真实事件数据和使用相同相机内参模拟的事件数据。SPADES数据集利用Proba-2卫星作为目标，旨在解决深度学习模型训练和评估中的域差异问题。此外，该数据集还引入了一种新的数据过滤方法和图像基的事件表示，以提高模型性能。SPADES数据集的应用领域主要集中在提高航天器自主操作的准确性和效率，如交会、对接和近距离机动。

The SPADES dataset was created by the Interdisciplinary Centre for Security, Reliability and Trust (SnT) at the University of Luxembourg, focusing on spacecraft attitude estimation using event-based sensing. This dataset includes 179,400 attitude samples, comprising real event data collected in a controlled laboratory environment and simulated event data generated with identical camera intrinsic parameters. Taking the Proba-2 satellite as the target, the SPADES dataset aims to solve the domain shift problem in the training and evaluation of deep learning models. Furthermore, this dataset introduces a novel data filtering method and image-based event representation to improve model performance. The application scenarios of the SPADES dataset mainly concentrate on enhancing the accuracy and efficiency of autonomous spacecraft operations, such as rendezvous, docking and close-range maneuvering.

搜集汇总

数据集介绍

构建方式

SPADES数据集的构建结合了实验室环境中的真实事件数据和模拟事件数据。真实数据通过使用Proba-2卫星的模型在SnT Zero-G实验室设施中采集，模拟数据则通过Unreal Engine渲染RGB图像，并使用ICNS事件模拟器生成事件流。数据生成过程中，采用了螺旋和样条插值法来模拟卫星的运动轨迹，并通过2D关键点投影验证每个姿态的合理性。此外，数据集还引入了基于掩码的事件帧过滤方法，以提升训练数据的质量。

特点

SPADES数据集的特点在于其同时包含真实和模拟的事件数据，能够有效减少深度学习模型在合成数据与真实数据之间的领域差距。事件传感器的高动态范围（HDR）和异步响应特性使其在空间应用中表现出色，尤其是在光照条件剧烈变化的情况下。数据集还提供了多种光照条件和背景的样本，涵盖了从简单到复杂的场景，为模型训练和评估提供了丰富的多样性。

使用方法

SPADES数据集可用于训练和评估基于深度学习的航天器姿态估计算法。用户可以通过加载数据集中的事件流和对应的姿态标签，使用3通道事件表示法（3C）进行数据预处理。数据集还支持基于掩码的事件帧过滤方法，以筛选出高质量的训练数据。此外，用户可以利用提供的基线算法（如直接法和混合法）进行模型性能评估，并通过相对平移误差、旋转误差和姿态误差等指标分析结果。

背景与挑战

背景概述

SPADES数据集由卢森堡大学的研究团队于2023年推出，旨在解决航天器姿态估计领域中的关键问题。随着在轨操作（如交会、对接和近距离机动）对自主性需求的增加，深度学习技术在航天器姿态估计中的应用日益广泛。然而，由于真实目标数据的获取困难，现有算法通常依赖合成数据进行训练，导致在真实场景中性能下降。SPADES数据集通过引入事件传感器数据，结合实验室环境中的真实数据和仿真数据，为深度学习模型的训练和评估提供了新的资源。该数据集的推出不仅填补了事件传感器在航天器姿态估计领域的空白，还为减少仿真与真实数据之间的领域差距提供了新的解决方案。

当前挑战

SPADES数据集面临的挑战主要体现在两个方面。首先，航天器姿态估计本身是一个复杂的任务，尤其是在非合作目标的情况下，目标的外观和光照条件变化极大，导致模型难以准确估计姿态。其次，数据集的构建过程中，研究人员需要克服真实数据采集的困难，包括在实验室环境中模拟太空光照条件、确保事件传感器的精确校准以及处理事件数据的稀疏性和异步性。此外，如何有效过滤低质量的事件数据以提升模型训练效果，也是构建过程中的一大挑战。这些挑战不仅影响了数据集的构建质量，也对后续深度学习模型的性能提出了更高的要求。

常用场景

经典使用场景

SPADES数据集主要用于航天器姿态估计任务，特别是在轨道操作如交会、对接和近距离机动中。该数据集通过事件传感器捕捉的稀疏数据，结合模拟和真实事件数据，为深度学习模型提供了丰富的训练和评估资源。其经典使用场景包括在实验室环境中模拟轨道操作，并通过事件传感器捕捉航天器的运动轨迹，从而为姿态估计算法提供高质量的训练数据。

衍生相关工作

SPADES数据集的推出催生了一系列相关研究工作，特别是在事件传感器数据处理和航天器姿态估计领域。基于SPADES，研究人员开发了多种事件数据表示方法，如3-Channel表示法，并提出了新的数据过滤技术以优化训练数据质量。此外，SPADES还为后续的领域适应技术和深度学习模型提供了基准数据集，推动了航天器姿态估计算法的进一步发展。

数据集最近研究

最新研究方向

近年来，随着在轨操作（如交会、对接和近距离机动）对自主性需求的增加，基于深度学习的航天器姿态估计技术备受关注。然而，由于真实目标数据集的获取受限，算法通常依赖合成数据进行训练，导致在实际应用中因域差距而性能下降。为应对这一问题，领域自适应技术被广泛采用。事件传感器因其在硬件和软件上的显著进展，展现出在空间应用中的独特优势，如高时间分辨率、宽动态范围和低功耗。SPADES数据集的引入，结合了实验室环境下的真实事件数据和模拟事件数据，为深度学习模型的训练和评估提供了新的资源。该数据集不仅提出了有效的数据过滤方法，还引入了基于图像的事件表示，显著提升了现有表示的性能。通过多方面的基线评估，SPADES为航天器姿态估计领域的研究提供了重要支持，推动了事件感知技术在空间任务中的应用。

相关研究论文

• SPADES: A Realistic Spacecraft Pose Estimation Dataset using Event Sensing

  Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg · 2023年