Ground Testing of Digital Terrain Models to Prepare for OSIRIS-REx Autonomous Vision Navigation Using Natural Feature Tracking
Notice bibliographique
Résumé
Abstract The OSIRIS-REx (Origins, Spectral Interpretation, Resource Identification, and Security–Regolith Explorer) spacecraft collected a sample from the asteroid Bennu in 2020. This achievement leveraged an autonomous optical navigation approach called Natural Feature Tracking (NFT). NFT provided spacecraft state updates by correlating asteroid surface features rendered from previously acquired terrain data with images taken by the onboard navigation camera. The success of NFT was the culmination of years of preparation and collaboration to ensure that feature data would meet navigation requirements. This paper presents the findings from ground testing performed prior to the spacecraft's arrival at Bennu, in which synthetic data were used to develop and validate the technical approach for building NFT features. Correlation sensitivity testing using synthetic models of Bennu enabled the team to characterize the terrain properties that worked well for feature correlation, the challenges posed by smoother terrain, and the impact of imaging conditions on correlation performance. The team found that models constructed from image data by means of stereophotoclinometry (SPC) worked better than those constructed from laser altimetry data, except when test image pixel sizes were more than a factor of 2 smaller than those of the images used for SPC, and when topography was underrepresented and resulted in incorrect shadows in rendered features. Degradation of laser altimetry data related to noise and spatial sampling also led to poor correlation performance. Albedo variation was found to be a key contributor to correlation performance; topographic data alone were insufficient for NFT.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».