该文档属于类型A，为一篇原创性硕士学位论文的研究报告。以下为针对该研究的学术报告内容：

作者及机构：
学位申请人宋驰（Chi Song）在导师张璐教授（Prof. Lu Zhang）指导下完成此研究，所属学科为电子信息（Electronic Information），论文提交至西安交通大学（Xi’an Jiaotong University），完成时间为2025年5月。

学术背景：
本研究属于计算机视觉与深度学习交叉领域，聚焦单目RGB相机的空间目标位姿估计（pose estimation）。随着太空任务复杂度提升，失效卫星与太空碎片问题日益严峻，在轨服务（On-Orbit Service, OOS）和主动碎片清除（Active Debris Removal, ADR）亟需高效、轻量化的位姿估计技术。传统方法依赖双目视觉、激光雷达等多传感器，存在计算资源消耗大、硬件成本高等问题。单目RGB相机因体积小、成本低、易集成等优势成为微小卫星平台的首选，但单目系统固有的深度信息缺失与复杂背景干扰导致算法面临挑战。

研究目标包括：
1. 针对合作目标（带显著标志物）与非合作目标（无主动信息、弱纹理），分别设计基于深度学习的位姿估计算法；
2. 通过自建多源数据集验证算法的鲁棒性与实时性；
3. 为航天任务提供轻量化技术方案。

研究方法与流程：
研究分为算法设计、数据集构建、实验验证三阶段，具体流程如下：

1. 算法设计

（1）合作目标位姿估计（PoseCNN-CO算法）
- 多尺度编码器改进：引入FReLU激活函数扩展感受野，增强局部特征提取能力。
- 二维位置特征融合：通过掩码预测模块隔离背景噪声，联合目标边缘与形状信息。
- 闭环反馈机制：设计几何一致性驱动的半监督损失函数，联合优化旋转与平移分支，解决标注数据稀缺问题。

（2）非合作目标位姿估计（Gen6D-PSA算法）
- 极化自注意力机制（Polarized Self-Attention）：在编码器中融合局部特征增强与全局抑制模块，提升弱纹理目标的特征表达能力。
- 逐像素特征匹配：取代传统全局特征向量比对，通过像素级特征相似性减少背景干扰。
- 三阶段改进：优化目标检测、视角选择、位姿优化模块的损失函数，提升精度。

2. 自建数据集

• 数据来源：实测数据、SFM（Structure from Motion）重建数据、虚拟渲染数据。
  
• 增强方法：动态模糊、光照变化、遮挡模拟等数据增强技术。
  
• 数据集特点：覆盖不同背景、卫星模型及极端场景，支持算法泛化性验证。
  

3. 实验验证

• 对比实验：在自建数据集及公开数据集（LineMOD、YCB-V）上测试，以ADD-0.1d（平均距离误差阈值0.1倍物体直径）为评价指标。
  
• 消融实验：验证FReLU、闭环反馈等模块的贡献。
  
• 可视化分析：展示算法在复杂环境下的稳定性。
  

主要结果：
1. PoseCNN-CO性能：在自建数据集中召回率97.6%，平均推理时间0.051秒；在LineMOD数据集上ADD-0.1d指标优于主流RGB方法。
2. Gen6D-PSA性能：召回率94.2%，推理时间0.067秒；对非合作目标的遮挡和弱纹理场景鲁棒性显著提升。
3. 自建数据集有效性：多源数据融合解决了真实太空场景数据不足的问题，为算法训练提供多样化样本。

结果逻辑链：
- 二维位置特征融合→提升合作目标边缘信息利用率→提高召回率；
- 极化自注意力→增强非合作目标的局部特征→减少背景干扰；
- 几何一致性损失→降低对标注数据的依赖→适应实际任务标注稀缺特点。

结论与价值：
1. 科学价值：
- 提出FReLU与极化自注意力的特征提取新方法，为单目位姿估计提供创新技术路径；
- 融合半监督学习与几何一致性约束，解决小样本场景下的模型泛化问题。
2. 应用价值：
- 为微小卫星平台提供轻量化、低成本的位姿估计方案；
- 支撑在轨服务与碎片清除任务的高精度实时需求。

研究亮点：
1. 算法创新：
- PoseCNN-CO的闭环反馈机制首次将几何一致性应用于空间合作目标位姿估计；
- Gen6D-PSA的逐像素匹配策略显著降低非合作目标的背景干扰。
2. 工程贡献：
- 自建航天器数据集填补了该领域公开数据的不足；
- 算法推理时间均低于0.1秒，满足航天器实时性要求。

其他有价值内容：
1. 论文对比了旋转表示方法（旋转矩阵、四元数等）的优劣，为位姿参数化提供理论依据；
2. 实验部分详细分析了极端光照和遮挡场景下的算法失效边界，对实际任务部署具有指导意义。

本研究为单目视觉在航天任务中的应用提供了理论与实践基础，后续可结合多模态传感器进一步优化深度估计精度。