Star-Fusion：球面トポロジーによる離散的な天体方位推定のためのマルチモーダル・トランスフォーマー・アーキテクチャ

Abstract

確実な天体姿勢決定は自律宇宙機ナビゲーションにとって重要な要件である一方、従来の「Lost-in-Space」（LIS）アルゴリズムはしばしば計算オーバーヘッドが大きく、センサによって誘起されるノイズに対して敏感である。深層学習は有望な代替手段として登場しているが、標準的な回帰モデルは、天球の非ユークリッドなトポロジーと、右上直（RA）および赤緯（Dec）の周期的な境界条件によってしばしば混乱させられる。本論文では、オリエンテーション推定を離散的なトポロジカル分類タスクとして再構成するマルチモーダルアーキテクチャ「Star-Fusion」を提案する。我々の手法は、球面K-Meansクラスタリングを活用して天球をK個の位相的に整合した領域に分割し、座標のラッピングに起因するアーティファクトを効果的に低減する。提案するアーキテクチャは三者融合戦略を採用する：光度（フォトメトリック）特徴抽出のためのSwinV2-Tinyトランスフォーマー・バックボーン、空間的な位置づけのための畳み込みヒートマップ分岐、幾何学的なアンカー（基準点）のための座標ベースのMLPである。合成のHipparcos由来データセットを用いた実験評価により、Star-FusionはTop-1精度93.4%およびTop-3精度97.8%を達成した。さらに、本モデルは高い計算効率を示し、リソース制約のあるCOTSハードウェア上で推論遅延18.4 msを維持し、次世代の衛星コンステレーションにおけるリアルタイム搭載実装の有力な候補となる。