MARC

 008260126s2025        us                              c    eng  d
■001000017360353
■00520260202105512
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263333775
■035    ▼a(MiAaPQ)AAI32308357
■035    ▼a(MiAaPQ)GeorgiaTech77805
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a526.98
■1001  ▼aDriver,  Travis.
■24510▼aIntelligent  Perception  for  Characterizing  and  Navigating  Small  Celestial  Bodies
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a195  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Tsiotras,  Panagiotis.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aMissions  to  small  celestial  bodies  rely  heavily  on  optical  feature  tracking  for  characterization  of  and  relative  navigation  around  the  target  body.  Current  state-of-the-practice  approaches  rely  on  extensive  human-in-the-loop  verification  and  high-fidelity  a  priori  information  to  achieve  accurate  results.  Instead,  this  thesis  explores  the  application  of  modern  photogrammetic  techniques  and  intelligent  perception  methods  to  increase  the  autonomous  capabilities  of  missions  to  small  bodies.  First,  this  thesis  details  AstroVision,  a  large-scale  dataset  comprised  of  115,970  annotated,  real  images  of  16  different  small  bodies  captured  during  past  and  ongoing  missions.  We  employ  AstroVision  to  conduct  an  exhaustive  evaluation  of  both  handcrafted  and  data-driven  feature  detection  and  description  methods  and  for  end-to-end  training  of  a  state-of-the-art,  deep  feature  detection  and  description  network  and  demonstrate  improved  performance  on  multiple  benchmarks.  Next,  this  thesis  develops  a  novel  approach  that  incorporates  planetary  surface  reflectance  models  into  a  feature-based  Structure-from-Motion  (SfM)  system  to  estimate  the  surface  normal  and  albedo  at  detected  landmarks  to  improve  surface  and  shape  characterization  of  small  celestial  bodies  from  in-situ  imagery.
■590    ▼aSchool  code:  0078.
■650  4▼aPhotogrammetry
■650  4▼aGeometry
■650  4▼aNeural  networks
■650  4▼aLie  groups
■650  4▼aBenchmarks
■650  4▼aMathematics
■690    ▼a0800
■690    ▼a0405
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360353▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서