0 引 言
随着计算机视觉和人工智能技术的快速发展，基于深度学习的位姿估计方法发展迅速，为应对上述挑战提供了新思路。这些方法又可进一步分为基于回归的方法和基于几何约束的方法。基于回归的方法通常直接训练网络，从单帧或多帧视觉图像中估计目标物体的6D位姿。例如，PoseCNN[10]通过构建端到端的卷积神经网络，从单张RGB图像中预测目标的位姿。回归方法的优势在于模型相对简单，能够直接输出结果。但这类方法在处理具有大旋转范围或遮挡的物体时，通常表现出较差的泛化能力。为解决这一问题，抗遮挡三维定位器BB8[11]将姿态空间离散化，将旋转预测任务视为分类任务。实时位姿估计网络G2LNet[12]则通过学习嵌入向量特征来回归6D姿态，可以进一步提高位姿估计精度和算法的鲁棒性。
基于几何约束的方法一般利用2D图像中的特征点或特征区域与目标物体的三维模型进行匹配，从而估计目标位姿。例如，几何引导的直接回归网络GDR[13]方法首先解算一组密集的特征点对应关系，然后采用Patch-PnP算法从这些对应关系中估计目标的6D位姿。Huo等[14]开发了一种结合PnP[15]和几何优化方法的网络。该方法首先设计了一个轻量化的YOLO（You Only Live Once）网络预测关键点位置，然后利用PnP和扩展卡尔曼滤波计算方法计算和优化位姿，并在SPEED数据集上进行了验证。王梓等[16]设计了一种基于Transformer模型的端到端关键点回归网络，其方法增强了关键点的上下文建模，实现了非合作卫星的单目位姿估计。然而，上述基于几何约束的方法在无模型的背景下通常不适用。
针对上述问题，本文提出一种基于视角相似性的航天器表面部件位姿估计方法。该方法以RGB-D图像作为输入，采用视觉变换器（Vision Transformer，ViT）构建参考视角选择器，匹配具有已知位姿信息的序列图像，并结合对极几何约束实现对目标部件位姿的快速估计。然后，通过视角相似性权重分配，实现对目标旋转矩阵的精确估计。最后，结合物体的旋转信息与深度图，实现目标6D位姿的回归。本文方法不依赖目标的三维模型，在所构建的航天器部件数据集上进行了验证。本文的主要贡献包括：
（1）构建了基于视角相似性的航天器部件位姿估计方法，将位姿估计过程分为视角选择粗估计和位姿细化两个阶段，显著提高了算法的鲁棒性；
（2）探索了ViT在位姿估计中的应用，使用ViT构建视角选择器，实现了对航天器部件粗略位姿的快速估计；
（3）设计了一种可信特征点的筛选机制，并基于这些可信特征点对航天器部件的位姿进行细化，从而提高旋转估计的准确性。
1 基于视角相似性的位姿估计方法
基于视角相似性的航天器部件位姿估计方法整体框架如图1 所示，主要包括视角选择器、旋转估计细化、深度估计三个部分。首先，视角选择器负责选取与目标物体最接近的若干相似视角图像。然后，分别提取目标图像与相似视角图像中的超级点（SuperPoint）[17]或尺度不变特征转换（Scale-invariant feature transform，SIFT）[18]特征点，并筛选可信特征点，使用LightGlue[19]进行可信特征点匹配。最后，根据对极几何约束[20]求得目标物体与相似视角图像中目标物体的相对位姿，并通过四元数的加权平均估计目标的精确旋转信息。在平移估计部分，使用聚类算法获取物体的表面深度，并使用全连接网络对物体中心深度进行回归，得到目标物体相对机器人相机的平移向量。
1.1 视角选择器
在应用过程中，视角选择器首先对输入图像进行尺寸缩放、中心裁剪、标准化等预处理，生成张量输入到网络中。然后，利用所训练的ViT特征提取器生成目标图特征向量Q和参考视角图像特征向量{I1，I2，···，In}，并对特征向量进行归一化处理消除尺度影响。最后，基于归一化特征向量间的点积运算计算余弦相似度。特征向量的点积与余弦相似度直接相关，点积越大，余弦相似度越高，表明它们在特征空间中的位置越接近。根据计算得到的余弦相似度，生成相似度矩阵，并对视角相似度进行排序。位姿估计视角选择器采用交叉熵损失作为损失函数：
式中，$ {y}_{i} $ 是真实标签的one-hot编码；$ {p}_{i} $ 是模型预测的softmax概率。
通过相似视角计算和排序，模型能够快速估计目标物体的粗略姿态信息，用于后续进行旋转矩阵的精细估计。
1.2 旋转估计细化
通过视角选择器获取置信度最高的k个参考视角图像后，进行旋转估计细化处理。如图1 （b）所示，分别在目标图像和筛选的参考视角图像中提取Superpoint特征点，利用LightGlue进行特征匹配。由于每张参考视角图像所匹配的特征点数量不同，因此所估计的目标物体姿态信息可信度也不同。令在第j张参考图像中匹配的所有特征点集合为$ {G}_{{j}} $ {$ {g}_{j1} $ ，$ {g}_{j1} $ ，···，$ {g}_{jn} $ }。对于目标图像的特征点集合H，当集合中的特征点$ {h}_{i} $ 在k个参考视角图像中出现的概率$ {p}_{i} $ 大于设定阈值时（参见式（2）、式（3）），将该特征点归于可信特征点集合H*。将可信特征点在不同参考视角图像中出现的次数进行归一化处理，得到不同参考视角图像的权重{w1，w2，···，wk}。
然后，使用对极几何约束恢复目标视角相对于每个参考视角的旋转矩阵，并用四元数表征为{q1，q2，···，qk}。在此基础上，基于Markley等[23]提出的四元数平均理论对上述k个估计进行加权，计算目标的精确姿态。具体步骤为，基于四元数{q1，q2，···，qk}和权重{w1，w2，···，wk}，构建加权外积矩阵$ \boldsymbol{M} $ （参见式（4）），并对矩阵$ \boldsymbol{M} $ 进行特征分解。随后，选择最大特征值对应的特征向量$ {\boldsymbol{q}}_{\mathrm{a}\mathrm{v}\mathrm{g}} $ 作为加权平均的四元数（参见式（5）），并转换为旋转矩阵$ \hat{\mathrm{R}} $ ，完成对目标物体姿态的精确估计。
1.3 平移估计
在完成旋转矩阵$ \hat{\boldsymbol{R}} $ 的计算后，下面需要估计目标物体中心相对相机坐标系的位置向量。由于物体的旋转会改变其表面与相机的相对距离分布，因此难以仅通过物体表面的点的距离测量估计其准确位置。为此，本文提出利用神经网络进行距离补偿。如图3 所示，首先根据深度图获取目标投影中心$ (u,v) $ 的深度值$ {z}_{0} $ 。然后，利用全连接网络估计物体中心到物体表面的距离$ \Delta z $ ，则物体中心到相机的深度可表示为$ {z}_{0}+\Delta z $ 。
在实际测量过程中，目标投影中心可能被遮挡或缺少深度信息，导致难以直接获取其深度值$ {z}_{0} $ 。为此，从深度图中获取可信特征点以及目标投影中心的深度值集合Z，通过基于密度的噪声应用空间聚类算法 （Density-Based Spatial Clustering of Applications with Noise，DBSCAN） [24]剔除异常值，从而得到可信深度值集合Z*。最后，通过加权计算目标投影中心的深度值$ {z}_{0} $ 。
如图1 （c）所示，在完成投影中心的深度估计后，引入全连接网络对目标的深度信息进行修正。所训练的全连接网络以旋转矩阵$ \hat{\mathit{R}} $ 为输入，选取ReLU为激活函数，并使用Sigmoid激活函数对输出值进行归一化处理，最终输出缩放因子α（0 < α < 1）。缩放因子定义为α=$ \Delta z/r $ ，其设计是为了修正初始深度估计的误差，是距离补偿值$ \Delta z $ 的归一化表示，以在训练中去除目标物体尺度的影响，便于用较少的数据完成网络训练。缩放因子α仅与物体姿态和物体形状有关，可以表述为目标物体姿态与目标物体形状特征的非线性函数：
式中，R为物体旋转矩阵，编码姿态对表面距离分布的影响；S隐式表示物体形状特征（通过训练数据学习）；$ \text{ϵ} $ 为网络拟合残差。通过将缩放因子α限制在（0，1）区间内，确保修正量始终与物体物理尺寸（半径r）成比例，从而避免过度修正。
将缩放因子α与物体半径r相乘，估算物体中心至其表面的距离修正增量$ \Delta z $ ，得到物体中心的精确深度值估计$ \hat{z}={z}_{0}+\Delta z $ 。最后，根据相机成像公式，求得物体相对于相机的位置向量。
2 数据集和仿真分析
2.1 仿真数据集
为了使仿真数据更接近真实场景，本文采用地球和星空的真实图像作为数据集集的背景。同时，在背景图像中添加卫星本体和其他部件，以实现背景的多样化。在图像渲染过程中，通过光线强度和照射角度，模拟了太阳光在航天器部件表面的照射变化，从而更真实地反映实际情况。航天器部件位姿估计的仿真数据集按照4:3:3的比例随机分划分为训练集、参考视角集合和测试集。图4 展示了数据集的部分图片。
2.2 评价指标
仿真实验采用平均距离与方向（Average Distance and Direction，ADD）[27]和带尺度的平均距离与方向（Average Distance and Direction with Scale，ADD-S）作为评价指标，以评估物体位姿估计的准确性。具体地，该指标以目标物体直径的10%作为阈值，当平均误差小于上述阈值时，即认为预测的位姿是正确的。
ADD指标通常评估非对称物体的位姿估计，它假设估计位姿与真实位姿之间存在唯一的对应关系。对于给定的估计姿态和真实姿态，ADD通过计算对应模型点的平均欧氏距离进行评估。具体地，对于3D模型的点集$ P=\{{p}_{1},{p}_{2},\cdots ,{p}_{n}\} $ ，ADD的计算表达式为：
式中，$ \boldsymbol{R} $ 和$ \boldsymbol{t} $ 为真实的旋转矩阵和平移向量；$ \hat{\boldsymbol{R}} $ 和$ \hat{\boldsymbol{t}} $ 为算法估计的旋转矩阵和平移向量；$ n $ 是模型点的总数；$ \parallel \cdot \parallel $ 表示欧氏距离。
ADD-S是ADD的对称变体，用于对称物体的位姿评估。当物体具有对称性时，不再采取点与点间的唯一性匹配，而是将模型点集合$ P $ 中的每个点与估计姿态下的最近点匹配，从而解决对称性带来的匹配模糊问题。ADD-S的计算表达式为：
2.3 仿真实验与分析
将本文方法在航天器部件位姿估计仿真数据集上进行验证。图5 展示了部分可视化结果，从左至右分别为电连接器、推进装置、天线3类常见目标物体。图5 中，绿色方框代表真实标签，蓝色方框表示预测的三维包络框。实验结果表明，本文方法在多个场景下均能准确恢复物体的位姿，预测包络框与真实包络框具有高度一致性。下面以电连接器为例，按模块进行分析。
在旋转估计细化阶段，各参考视角图像经过筛选机制，得到可信特征点。图7 展示了可信特征点的匹配和筛选结果。其中，绿色匹配点表示由于所匹配的参考图像数量较少而被剔除的特征点，红色匹配点表示可信特征点。通过筛选，可信特征点的分布更加集中，且有效覆盖目标物体的关键区域，从而能够更准确地描述目标物体的几何形状和特征。
本文测试 了60张图像，并将旋转矩阵转换为欧拉角。然后，对滚动角、俯仰角和偏航角进行准确性分析。结果表明，估计值与真实值之间的平均差异小于15°，如图9 所示。
表 1 在航天器部件数据集上的ADD-S准确率测试结果Table 1 ADD-(S) accuracy test results on the spacecraft component dataset |
| 航天器部件 | 视角选择器阶段 | 旋转细化阶段 |
| 电连接器 | 76.5% | 89.2% |
| 推进装置 | 80.4% | 90.7% |
| 天线 | 58.8% | 71.3% |
位姿细化阶段，通过特征点匹配和细化算法，显著提高了所有航天器部件的位姿估计精度。其中，电连接器的精度从76.5%提升至89.2%，推进装置的精度从80.4%提升至90.7%。但是，天线位姿估计在旋转细化的提升有限。经分析，航天器独特的网状结构为位姿估计带来了挑战。网状天线的遮蔽会导致部分特征点难以被准确识别，无法提取足够多的有效信息，与其他航天器部件相比，天线位姿估计的准确率较低。
在强光照环境下的实验结果如图10 所示。本文方法在高光反射、纹理缺失的复杂场景中，依然能准确地估计目标物体的姿态矩阵与平移向量。相较于传统的单一视角的特征点匹配和仅依赖深度学习的端到端方法，由于选取的参考图像与目标图像具有较高的视角相似度，高光反射、纹理缺失和视角差异带来的几何误差得到了有效控制。此外，本文方法通过对多张参考图像进行匹配，并在其中筛选出可信特征点，充分利用了多视角的特征信息，减少了复杂光照下单一图像匹配时的随机误差与异常值干扰，增强了位姿估计计算过程对光照条件变化的适应性。
此外，与传统基于学习的方法相比，这些方法通常需要大量的人工标注或大规模的训练数据，并且对于旋转和平移向量的精细估计往往依赖于耗时的局部优化算法，流程较为复杂。本文方法在视角选择器环节，通过特征向量余弦相似度快速获取与目标最“接近”的视角图像，从而使得后续的特征匹配过程更容易收敛。在旋转估计部分，通过四元数加权平均进一步优化位姿估计；在平移向量估计部分，结合深度值聚类和回归网络，完成目标物体位置向量的精确估计。总之，本文方法整体上形成了一个系统化的位姿估计计算框架，能够为未来空间机器人执行相关智能自主的服务操作提供方法支持。
3 结 语
本文针对在轨维修任务下航天器的位姿估计问题，提出了一种基于视角相似性的航天器部件位姿估计方法。该方法首先利用ViT模型构建参考视角选择器，通过对极几何约束实现目标的粗略位姿估计。通过选择与当前视角相似的参考视角，结合空间中物体的几何和纹理信息，该方法有效降低了在复杂环境下对位姿估计的依赖性，并提高了计算效率。在此基础上，进一步引入了视角相似性权重分配的机制，通过加权的方式对目标位姿进行精确估计。与传统方法相比，本文方法不依赖于目标物体的三维模型，通过学习选择相似视角和可信特征点匹配，有效提升了算法的鲁棒性和准确性。测试结果表明，该方法能够在光照变化和视角差异较大的环境下，准确估计航天器部件的位姿，为空间机器人进行智能自主在轨维修提供了可靠的方法支持。