ترجمه فارسی مقاله مجموعه داده های آموزش برای یادگیری ماشین: کاربرد برای ناوبری مبتنی بر بینایی

چکیده

Vision Based Navigation consists in utilizing cameras as precision sensors for GNC after extracting information from images. To enable the adoption of machine learning for space applications, one of obstacles is the demonstration that available training datasets are adequate to validate the algorithms. The objective of the study is to generate datasets of images and metadata suitable for training machine learning algorithms. Two use cases were selected and a robust methodology was developed to validate the datasets including the ground truth. The first use case is in-orbit rendezvous with a man-made object: a mockup of satellite ENVISAT. The second use case is a Lunar landing scenario. Datasets were produced from archival datasets (Chang’e 3), from the laboratory at DLR TRON facility and at Airbus Robotic laboratory, from SurRender software high fidelity image simulator using Model Capture and from Generative Adversarial Networks. The use case definition included the selection of algorithms as benchmark: an AI-based pose estimation algorithm and a dense optical flow algorithm were selected. Eventually it is demonstrated that datasets produced with SurRender and selected laboratory facilities are adequate to train machine learning algorithms.

چکیده به فارسی (ترجمه ماشینی)

ناوبری مبتنی بر بینایی شامل استفاده از دوربین ها به عنوان سنسورهای دقیق برای GNC پس از استخراج اطلاعات از تصاویر است.برای فعال کردن پذیرش یادگیری ماشین برای برنامه های فضایی ، یکی از موانع نشان می دهد که مجموعه داده های آموزشی موجود برای اعتبارسنجی الگوریتم ها کافی است.هدف از این مطالعه تولید مجموعه داده های تصاویر و ابرداده های مناسب برای الگوریتم های یادگیری ماشین است.دو مورد استفاده انتخاب شد و یک روش شناسی قوی برای اعتبارسنجی مجموعه داده ها از جمله حقیقت زمین تهیه شد.اولین مورد استفاده در مدار با یک شیء ساخته شده توسط انسان است: مسخره ای از Envisat ماهواره.مورد دوم استفاده یک سناریوی فرود قمری است.مجموعه داده ها از مجموعه داده های بایگانی (Chang’e 3) ، از آزمایشگاه در تسهیلات DLR Tron و آزمایشگاه رباتیک ایرباس ، از نرم افزار تسلیم شبیه ساز تصویر وفاداری بالا با استفاده از ضبط مدل و از شبکه های طرفداری تولیدی تولید شد.تعریف مورد استفاده شامل انتخاب الگوریتم ها به عنوان معیار است: یک الگوریتم برآورد Pose مبتنی بر AI و یک الگوریتم جریان نوری متراکم انتخاب شد.سرانجام نشان داده شده است که مجموعه داده های تولید شده با تسهیلات تسلیم و انتخاب شده آزمایشگاهی برای آموزش الگوریتم های یادگیری ماشین کافی است.