XiaoMi-AI文件搜索系统
World File Search SystemCassini
卡西尼-惠更斯号之后的土卫六
《卡西尼-惠更斯之后的土卫六》是我们对土卫六最新、最全面的了解，包括美国宇航局、欧洲航天局和意大利航天局联合任务卡西尼-惠更斯的结果和见解，以及专家在详细分析任务数据后得出的结论。由于 2017 年结束的卡西尼-惠更斯任务的观测，我们对土卫六的了解大大增加。从那时起，来自地球的观测以及实验室和理论研究不断增加我们的知识。这些结论与最新的地面和理论研究相结合，提供了对土卫六科学的最新理解，涵盖了土卫六的起源和演化、它的磁性和等离子环境、表面、内部结构、地质、大气以及月球上海洋的天体生物学潜力。
引用 (APA) Pasqualetto Cassinis, L., Fonod, R., Gill, E., Ahrns, I., & Gil Fernandez, J. (2020). 基于 CNN 的近距离姿势估计系统
本文介绍了一种新颖的框架，该框架将用于特征检测的卷积神经网络 (CNN) 与协变高效 Procrustes 视角 n 点 (CEPPnP) 求解器和扩展卡尔曼滤波器 (EKF) 相结合，以实现对非合作航天器周围近距离操作的稳健单目姿态估计。在役服务航天器对非活动航天器的相对姿态估计是当前和计划中的太空任务设计中的一项关键任务，因为它与近距离操作相关，例如在轨服务和主动碎片清除。这项工作的主要贡献在于通过将协方差矩阵与 CNN 为每个检测到的特征返回的热图相关联，从图像处理步骤中获取统计信息。此信息包含在 CEPPnP 中，以提高滤波器初始化期间姿态估计步骤的准确性。导出的测量协方差矩阵用于紧密耦合的 EKF，以便更好地表示特征检测步骤中的测量误差。这提高了滤波器在 CNN 检测不准确时的鲁棒性。在目标的光照条件和部分掩蔽条件下，所提出的方法能够返回相对姿态以及相对平移和旋转速度的可靠估计值。欧洲航天局 Envisat 航天器的合成 2D 图像用于生成数据集，用于训练、验证和测试 CNN。同样，这些图像用于重建代表性的近距离场景，以验证所提出的方法。