Online Supervised Training of Spaceborne Vision using Adaptive Kalman Filtering

Khái niệm cốt lõi

Schließen Sie die Lücke zwischen synthetischen und echten Bildern für die Raumfahrt-NN-Trainings.

Tóm tắt

• Einführung in die autonome GN&C in der Raumfahrt.
• Herausforderungen für Raum-NNs: begrenzte Ressourcen, Zugang zu echten Bildern.
• OST-Methode: Training von Pose NN online mit echten Bildern.
• Experimente zeigen Verbesserung der NN-Leistung.
• Verwendung von HIL-Bildern zur Validierung.
• AUKF für die Navigation und Pose-Schätzung.
• Training von robusten NNs mit Datenverstärkung.
• ViTPose-Training und Evaluation auf verschiedenen Datensätzen.
• Verbesserung der NN-Leistung durch OST.
• Diskussion über die allgemeine Leistungsfähigkeit des Modells.

Thống kê

Die NNs mit verschiedenen Epochen des Trainings werden verwendet, um die Fähigkeit des Filters zur Konvergenz zu prüfen.
Die Verbesserung der AUKF-Leistung ist sichtbar, insbesondere bei der Reduzierung von Steady-State-Fehlern.
Die Verbesserung der NN-Leistung auf HIL-Domänen ist sichtbar.

Trích dẫn

"Die Experimente zeigen, dass OST nicht nur die Steady-State-Fehler des AUKF verbessern kann, sondern auch die Leistung des NN auf der HIL-Domäne insgesamt verbessert."
"Die Verbesserung ist dramatischer für ROE1, wo Essq bereits bei nur 10 Epochen des Offline-Trainings auf synthetischen Trajektorien übereinstimmen kann."

Thông tin chi tiết chính được chắt lọc từ

Online Supervised Training of Spaceborne Vision during Proximity Operations using Adaptive Kalman Filtering

by Tae Ha Park,... lúc arxiv.org 03-08-2024

https://arxiv.org/pdf/2309.11645.pdf

Yêu cầu sâu hơn

Wie könnte die OST-Methode auf längeren Trajektorien mit HIL-Bildern evaluiert werden?

Um die OST-Methode auf längeren Trajektorien mit HIL-Bildern zu evaluieren, könnte eine fortlaufende Überwachung und Analyse der Leistung der Neural Networks (NN) während des gesamten Flugverlaufs durchgeführt werden. Dies würde es ermöglichen, die Entwicklung der NN-Leistung über einen längeren Zeitraum zu verfolgen und potenzielle Verbesserungen oder Verschlechterungen im Laufe der Zeit zu identifizieren. Darüber hinaus könnten verschiedene Kriterien wie die Genauigkeit der NN-Vorhersagen, die Stabilität der Filterzustandsschätzungen und die Konsistenz der Pseudo-Labels im Laufe der Zeit bewertet werden. Durch die Analyse von Daten aus verschiedenen Phasen der Mission könnten Erkenntnisse darüber gewonnen werden, wie gut die OST-Methode auf längeren Trajektorien funktioniert und ob Anpassungen oder Optimierungen erforderlich sind.

Welche Auswirkungen könnten eventuelle Verzerrungen oder Instabilitäten des AUKF auf die OST auf lange Sicht haben?

Eventuelle Verzerrungen oder Instabilitäten des Adaptive Unscented Kalman Filters (AUKF) könnten langfristig negative Auswirkungen auf die Online Supervised Training (OST) haben. Wenn der AUKF beispielsweise aufgrund von unerwarteten Störungen oder ungenauen Eingangsdaten verzerrte oder instabile Zustandsschätzungen liefert, könnten die generierten Pseudo-Labels für das OST-Verfahren ungenau oder inkonsistent sein. Dies könnte zu einer Verschlechterung der Leistung des Neural Networks führen, da es auf falschen oder unzuverlässigen Daten trainiert wird. Darüber hinaus könnten Verzerrungen oder Instabilitäten des AUKF die Fähigkeit des Systems beeinträchtigen, sich an sich ändernde Bedingungen oder Umgebungen anzupassen, was die Effektivität der OST-Methode auf lange Sicht beeinträchtigen könnte.

Könnte die OST durch eine bessere Berücksichtigung der Zustandsunsicherheiten des AUKF verbessert werden?

Ja, die Online Supervised Training (OST) könnte durch eine bessere Berücksichtigung der Zustandsunsicherheiten des Adaptive Unscented Kalman Filters (AUKF) verbessert werden. Indem die Unsicherheiten in den Filterzustandsschätzungen genauer erfasst und berücksichtigt werden, können genauere und konsistentere Pseudo-Labels für das OST-Verfahren generiert werden. Dies würde dazu beitragen, die Qualität der Trainingsdaten zu verbessern und die Robustheit des Neural Networks zu erhöhen. Darüber hinaus könnten eine präzisere Modellierung der Unsicherheiten und eine adaptive Anpassung der Filterparameter dazu beitragen, Verzerrungen oder Instabilitäten des AUKF zu reduzieren, was wiederum die Leistung und Zuverlässigkeit der OST-Methode langfristig verbessern würde.