前言

本文接着分享空间目标位姿跟踪和滤波算法中用到的一些常用内容，希望为后来者减少一些基础性内容的工作时间。以往分享总结见文章：位姿跟踪 | 相关内容目录和链接总结（不断更新中~~~）

本文内容为：空间目标位姿估计方法分类总结。

位姿估计方法分类

空间目标位姿估计方法可以分为传统的位姿估计方法和基于深度学习的位姿估计方法，如图所示。

一、传统位姿估计方法

传统的位姿估计方法又可以分为基于模型的位姿估计和基于特征的位姿估计。

1. 基于特征的位姿估计

基于特征的位姿估计方法直接从图像中提取有用的目标特征，比如点特征、直线特征、边缘特征和几何特征等，通过点、线、面的跟踪实现对目标的位姿测量。

• 点特征
• 直线特征
• 边缘特征
• 几何特征
• 颜色特征

该类方法不需要提前获取目标的先验信息，抗噪声能力和精度不如基于模型的方法，但是具有更高的实时性和较小的硬件负担。

2. 基于模型的位姿估计

基于模型的位姿估计方法假设已知目标的 3D 模型，将从 2D 图像中提取的特征与目标 3D 模型做匹配，建立优化函数求解使误差最小化的位姿状态。

• 直线匹配
• 边缘匹配
• 点云匹配

该类方法需要已知目标的三维模型，或者在目标跟踪的过程中对目标3D模型建模。

二、深度学习位姿估计方法

2019年，欧空局举办了空间目标位姿估计竞赛，通过一幅图像，估计其中一个航天器的位姿信息。主办方提供了大量空间航天器数据库，可用于后续空间目标位姿估计训练中。

网址为：位姿估计竞赛

该类方法需要大量的航天器数据库，目前还没有开源的航天器数据库资源，大多数为合成或者人工数据库，并且对实验平台的硬件设备要求较高。

总结

目前得以在航空航天中应用的多为针对空间合作目标的传统位姿估计方法，针对空间非合作目标的位姿估计方法还需要进一步地实际验证。

PS：以上从博士论文中引用，方便刚入门的学生归类和选择研究方向。如有需要，请勿直接原文摘抄，查重率会很高。 如有需要文献调研总结的，可以备注。