Spacecraft Pose Tracking via Kinematic Prediction and Selective Event Correction

📄 arXiv: 2610.19465v1 📥 PDF

作者: Yonglong Zhang, Guanning Yao, Shuo Zhang, Yifan Yang, Yang Liu†, Zongwu Xie

分类: cs.RO

发布日期: 2026-10-14

💡 一句话要点

提出基于运动预测与选择性事件修正的航天器姿态跟踪方法

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 航天器跟踪 运动预测 事件修正 姿态估计 动态环境

📋 核心要点

  1. 现有方法在航天器姿态跟踪中面临短期运动预测精度不足的问题，导致姿态估计不准确。
  2. 论文提出了一种观察对齐事件创新（OA-EI）的方法，通过事件修正运动预测的选定组件，提高姿态跟踪精度。
  3. 实验结果表明，OA-EI方法显著降低了旋转和位移误差，失败率从20.0%降至1.67%，显示出优越的性能。

📝 摘要（中文）

在初始化航天器跟踪中，短期运动预测可用于事件支持的变化。观察对齐事件创新（OA-EI）利用事件修正该预测的选定组件。常体扭转模型传播完整姿态，事件编码器提出旋转和归一化图像平面平移修正，同时保留传播的轴向深度。候选幅度来自有界尺度门和确定性活动因子，空窗口返回未改变的预测。评估使用四个FRESH物理事件轨迹、二十个回放起始点和三个训练种子。结果显示，OA-EI的旋转和位移误差分别从41.63°/57.28 mm降至15.73°/22.41 mm，减少幅度为62.2%和60.9%。

🔬 方法详解

问题定义：本论文旨在解决航天器姿态跟踪中的短期运动预测精度不足的问题。现有方法在面对动态事件变化时，无法有效修正姿态估计，导致跟踪精度降低。

核心思路：论文提出的OA-EI方法通过利用事件信息来修正运动预测的选定组件，结合常体扭转模型，能够更准确地传播航天器的完整姿态。此设计使得在动态环境中，姿态估计能够保持较高的准确性。

技术框架：整体架构包括运动预测模块、事件编码器和姿态修正模块。运动预测模块负责生成初步的姿态估计，事件编码器则通过分析事件信息来提出旋转和位移的修正，最后姿态修正模块整合这些信息，输出最终的姿态估计。

关键创新：最重要的技术创新在于引入了观察对齐事件创新（OA-EI），通过选择性地修正运动预测的组件，显著提高了姿态跟踪的准确性。这一方法与传统的全局修正方法相比，更加灵活和高效。

关键设计：在参数设置上，使用了有界尺度门和确定性活动因子来控制候选幅度，确保在动态环境中能够有效处理事件信息。此外，设计了适应性的损失函数，以优化姿态估计的准确性。整体网络结构经过多次实验验证，确保在不同事件保留水平下均能保持较低的误差。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，OA-EI方法在姿态跟踪中表现出色，旋转和位移误差分别从41.63°/57.28 mm降至15.73°/22.41 mm，减少幅度达到62.2%和60.9%。此外，失败率显著降低，从20.0%降至1.67%，展示了该方法的有效性。

🎯 应用场景

该研究在航天器姿态跟踪领域具有重要的应用潜力，尤其是在动态环境下的航天任务中。通过提高姿态估计的准确性，可以显著增强航天器的自主导航能力，降低任务失败风险，推动未来航天技术的发展。

📄 摘要（原文）

In initialized spacecraft tracking, a short-horizon motion prediction remains available as event support changes. Observation-Aligned Event Innovation (OA-EI) uses events to correct selected components of this prediction. A constant-body-twist model propagates the complete pose; the event encoder proposes rotational and normalized image-plane translation corrections, retaining propagated axial depth. Candidate magnitudes come from a bounded Scale Gate and a deterministic activity factor, with empty windows returning the prediction unchanged. Evaluation uses four FRESH physical-event trajectories, twenty rollout starts, and three training seeds. Each rollout starts from two reference poses and then uses self-estimates. At 7.7 seconds, rotation and translation errors fall from 41.63°/57.28 mm for prediction alone to 15.73°/22.41 mm for OA-EI, reductions of 62.2% and 60.9%. Failure rates fall from 20.0% to 1.67%. Matched ablations favor the rotation-bearing interface for overall pose accuracy; combining scaling with activity support gives the lowest errors at every tested event-retention level. On Jetson Orin Nano, the measured in-memory update takes 44.56 milliseconds at the median and 58.77 milliseconds at P95.