XiaoMi-AI文件搜索系统
World File Search System识别卫星
太空对象识别卫星（SOISAT）任务
本文介绍了加拿大空间情境意识系统的任务设计，操作概念和系统设计，称为太空对象识别卫星Soisat。随着地球周围所有轨道政权的人为物体的拥挤，对这些居民太空物体的检测，分类，认可和识别对太空国家（如加拿大及其盟友）变得越来越重要。所提出的SOISAT航天器旨在在低地上，地球轨道和地静止轨道中监视居民空间对象。In particular, SOISat can be utilized for a) maintenance of the Space Situational Awareness catalogue for particular space assets, b) detection and identification of “DarkSats”, i.e., satellites designed to be covert/invisible to the traditional means of detection, c) detection and characterization of unexpected propulsive events, and d) inspection and identification of space objects of interests such as debris objects.当前的空间对象跟踪和识别方法具有重大局限性，尤其是在地静止轨道中。概述了当前的一些商业和非商业空间情境意识系统，描述了与这些系统相关的一些限制，并解释了解决这些问题的SOISAT功能。利用与新颖的有效载荷集成了ends ewisional for soisat的飞行遗产，预计结果技术会为空间情境意识带来无与伦比的能力，而空间情境意识当前不存在。船上有两种最先进的有效载荷仪器，即合成孔径ladar和一个光电子合成孔径处理器。初步理论结果表明，在1000 km的范围内，所提出的空格对象识别系统能够以1 cm的分辨率对对象进行成像。使用光电传感器处理器会在使用常规技术进行数字化处理合成孔径LADAR数据所花费的时间内产生可读图像。SOISAT系统可以在综合孔径LADAR系统中提出重要的技术开发，并满足在改善对居民空间对象的理解方面的关键操作。模拟方案，以验证Soisat在检测和跟踪感兴趣的居民空间对象时的性能。
空间能力矩阵：卫星能力特征的开发和应用
由于太空商业化和军事化程度的提高，太空态势理解 (SSU) 超越了太空态势感知 (SSA)，因此必不可少。要真正了解潜在的对手能力，仅仅探测和识别卫星是不够的。威胁评估和态势理解的第一步是表征观测卫星的能力。本研究旨在通过独特的（一组）特征来确定对手卫星的能力。特征包括物理、态势和行为方面。关系信息模型用于将特征映射到能力，将特征映射到观察和信息处理方法。创建了此模型的概念演示器并将其实现到工具中。模型和工具都称为空间能力矩阵 (SCM)。SCM 可以识别卫星能力，也可以找到对确定能力贡献最大的特征。该模型用于确定表征观测卫星能力的最佳测量组合，以及对增强此过程的新型传感器技术和处理的需求。通过实际示例展示了能力矩阵在军事应用和研究用途中的潜力。为了帮助 SCM 从空间态势感知 (SSA) 过渡到空间态势理解 (SSU)，需要进一步开发，主要是添加更多数据并创建用户友好界面，并进行测试。
夸贾林环礁沙漏 - 本周 - 美国陆军
12 月 13 日，在美国陆军驻军夸贾林环礁总部举行的签字仪式上，太空与导弹系统中心的“太空篱笆”项目办公室代表 SMC 的太空项目执行官正式接受了“太空篱笆”。“太空篱笆”项目经理 Elaine Doyle 批准了材料检验和接收报告（也称为国防部 250 号表格），代表美国政府接受了该系统。出席签字仪式的还有 USAG-KA 指挥官、美国陆军上校 Jeremy Bartel、“太空篱笆”总工程师 Kevin Kelly、洛克希德马丁项目经理 Bob Condren 和洛克希德马丁夸贾林基地经理 Michael Proudfoot。“太空篱笆”系统是一种先进的地面雷达，旨在探测、跟踪和识别卫星及轨道碎片。太空篱笆，指定为 AN/FSY-3，是一套以先进地面 S 波段监视雷达为网络中心的系统，可以探测、跟踪和识别卫星及轨道碎片。从夸贾林的雷达传感器站，太空篱笆将利用其灵活性、覆盖范围和灵敏度来监视当今太空目录中更多的物体。该系统可以从低地球轨道到地球同步轨道探测紧密间隔的物体、解体、机动、发射和会合评估。在签字仪式上，道尔对她的空军生命周期管理中心项目团队和总承包商洛克希德马丁公司以及夸贾林组织表示赞赏。道尔承认与美国 AG-KA 在建造大型雷达和建立新的太空篱笆发电厂附属设施期间的成功合作，该发电厂附属设施将为大型雷达提供 24/7/365 的电力。
卫星和地面视图之间的跨注意，以增强细粒度的机器人地理位置
跨视图图像地理位置定位旨在通过用GPS标记的卫星图像补丁绘制当前的街道视图图像来确定户外机器人的位置。最近的作品在识别卫星贴片中达到了显着的准确性，该卫星贴片在机器人所在，其中将中央像素在匹配的卫星贴片中用作机器人粗糙位置估计。这项工作着重于机器人在已知的卫星贴片中的细粒度定位。现有的细颗粒定位工作利用相关操作来获得卫星图像本地描述符和街道视图全局描述符之间的相似性。基于衬里匹配的相关操作简化了两个视图之间的相互作用过程，从而导致距离误差很大并影响模型的概括。为了解决这个问题，我们设计了一个具有自我注意力和跨注意层的跨视图功能fu-sion网络，以取代相关操作。此外，我们将分类和回归预测结合在一起，以进一步降低位置距离误差。实验表明，我们的新型网络体系结构的表现优于最先进的，可以在看不见的地区更好的概括能力。具体而言，我们的方法在同一区域和在活力基准的同一区域和看不见的区域中分别将中位定位距离误差降低了43％和50％。