杨兴昊，佘浩平，李海超，金明春，宋建梅

(1.北京理工大学宇航学院，北京 100081；2. 中国空间技术研究院，北京 100086)

0 引言

随着空间技术的发展，空间在轨服务成为保证空间飞行器在复杂空间环境中稳定运行的重要手段[1]。在进行对接、维修等近距离操作时，需要获取空间目标的相对姿态。空间目标可分为合作目标和非合作目标两类。合作目标可以通过无线电进行通信或有合作标记以帮助确定姿态，而非合作目标则不能提供合作信息。近年来，随着低地球轨道失效卫星以及空间碎片的增多[2]，非合作目标的姿态估计得到了更广泛的关注。

德国宇航中心的实验服务卫星采用立体摄像机对目标卫星发动机进行成像分析，并采用视觉测量工具解算其相对姿态[3]。王诗强等[4]通过纹理特征提取方法，拟合对接环的参数信息进行相对姿态测量。非合作目标姿态估计一般采用基于模型的算法，将模型线框与目标边缘相匹配[5-7]得出姿态信息，同时该类方法均需通过人为设计几何特征，难以应对复杂的空间背景、光照和遮挡等问题。此外图像除边缘信息外，其他特征信息也能够用于协助姿态估计，而深度学习能够在学习复杂特征的同时忽略背景信息。深度学习在目标识别和目标检测等领域已很成熟，但直到A.Kendall[8]才首次通过迁移学习采用预训练模型共享权重的方式，将任务从目标识别迁移到位姿估计。

深度学习在航天器姿态估计问题中尚未得到广泛应用。……