Star-Fusion: Modello AI per l'Orientamento di Veicoli Spaziali basato su Topologia Sferica
Una nuova architettura trasformatore multi-modale, denominata Star-Fusion, è stata sviluppata dai ricercatori per migliorare la determinazione dell'assetto celeste per la navigazione di veicoli spaziali autonomi. Gli algoritmi tradizionali Lost-in-Space (LIS) sono ostacolati da richieste computazionali significative e dalla vulnerabilità al rumore dei sensori. Nel frattempo, i metodi di deep learning incontrano sfide dovute alla topologia non euclidea della sfera celeste e alle condizioni al contorno periodiche associate all'Ascensione Retta (RA) e alla Declinazione (Dec). Star-Fusion affronta questi problemi reinterpretando la stima dell'orientamento come un problema di classificazione topologica discreta, utilizzando il clustering sferico K-Means per dividere la sfera celeste in K regioni topologicamente coerenti, riducendo così gli artefatti di avvolgimento delle coordinate. Questa architettura presenta un approccio di fusione tripartita con un backbone trasformatore SwinV2-Tiny per l'estrazione di caratteristiche fotometriche. La ricerca è accessibile su arXiv con riferimento 2604.26582.
Fatti principali
- Star-Fusion è un'architettura trasformatore multi-modale per la determinazione dell'assetto celeste.
- Affronta le limitazioni degli algoritmi tradizionali Lost-in-Space e dei modelli di regressione deep learning.
- L'approccio utilizza il clustering sferico K-Means per partizionare la sfera celeste in K regioni.
- Riformula la stima dell'orientamento come un compito di classificazione topologica discreta.
- L'architettura include un backbone trasformatore SwinV2-Tiny per le caratteristiche fotometriche.
- L'articolo è pubblicato su arXiv con ID 2604.26582.
- Il metodo mitiga gli artefatti di avvolgimento delle coordinate dovuti ai confini periodici di RA e Dec.
- Il lavoro è mirato alla navigazione autonoma di veicoli spaziali.
Entità
Istituzioni
- arXiv