3D LASSO: REAL-TIME POSE ESTIMATION FROM 3D DATA FOR AUTONOMOUS SATELLITE SERVICING
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The recent development of space flight ready 3D sensors, such as the Neptec Laser Camera System (LCS), allows 3D vision technology to be considered for autonomous missions. These active sensors provide their own illumination and have a small instantaneous field of view, making them immune to dynamic lighting. Harsh and dynamic lighting conditions have severely limited the use of 2D passive camera based space vision systems for mission critical applications. Autonomous robotic servicing missions, such as the Hubble Rescue Vehicle (HRV), will require vision systems that are capable of providing high accuracy pose estimates in real-time while being robust to changes in lighting conditions. This paper describes the 3-Dimensional LCS Algorithms for Spacecraft Servicing On-orbit ( 3D LASSO) system currently under development at Neptec. The project is funded by the Canadian Space Agency (CSA) under the Space Technologies Development Program (STDP). The 3D LASSO system is designed to perform real-time tracking and 6 degree of freedom pose estimation of target spacecraft(s) from sparse and noisy 3D data. The approach is compatible with any sensor capable of providing 3D data. The algorithms have been successfully tested with Neptec’s LCS in a variety of test scenarios. Tracking was performed using the random access capability of the sensor which is used to perform rapid, sparse sampling of the target object(s). The data obtained is aligned to a reference model of the target(s) using a newly developed faster version of the Iterative Closest Point (ICP) algorithm developed at Neptec. The pose estimate obtained is then used to compute the trajectory of the object(s).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle