В.А. Павлов1, А.К. Цыцулин2, А.И. Бобровский3, Ю.И. Мукало4, Д.Н. Бечин5, Я.Ю. Белогубкин6

1 Санкт-Петербургский политехнический университет Петра Великого (Санкт-Петербург, Россия)

2,5,6 Научно-исследовательский институт телевидения (Санкт-Петербург, Россия)

3,4 Государственный научно-исследовательский институт прикладных проблем (Санкт-Петербург, Россия)

1 pavlov_va@spbstu.ru; 2 atsytsulin@mail.ru; 3 albob@mail.ru; 4 metoi@yandex.ru; 5 d.bechin@niitv.ru; 6 j.belogubkin@niitv.ru

Постановка проблемы. Актуальность данной работы обусловлена несколькими ключевыми факторами развития современной космонавтики. Во-первых, наблюдается резкое увеличение числа объектов в околоземном пространстве, включая как уникальные научно-исследовательские станции, так и массовые группировки малых спутников формата CubeSat. Такое многообразие требует универсальных решений для мониторинга космической обстановки и предотвращения столкновений. Во-вторых, имеет место дефицит реальных снимков космических аппаратов (КА) с достоверной разметкой, полученных непосредственно в условиях орбитального полета. Единственным эффективным способом преодоления недостатка данных при обучении глубоких нейронных сетей является создание синтетических выборок на основе моделей с геометрической достоверностью. Применение автоматизированных программных комплексов для рендеринга позволяет имитировать вариативность условий наблюдения, которую практически невозможно получить путем натурных съемок. В-третьих, развитие технологий сервисного обслуживания спутников и операций сближения с некооперативными (неуправляемыми) целями требует от систем компьютерного зрения способности распознавать конструктивные особенности аппаратов разных классов.

Цель. Предложить и верифицировать метод формирования специализированного синтетического набора данных на основе высокоточных 3D-моделей КА для обучения нейросетевого детектора.

Результаты. Рассмотрена задача автоматического обнаружения и классификации КА с использованием нейросетевого детектора, обученного на полностью синтетических данных. Предложен метод, базирующийся на создании специализированного набора данных с использованием 3D-моделей из открытых репозиториев NASA. Описан процесс формирования обучающей выборки, включающий в себя автоматизированный рендеринг объектов в полном диапазоне ракурсов, имитацию реалистичного фона звездного неба и конвертацию изображений в градации серого. Для обнаружения КА была выбрана современная архитектура YOLOv11. Отмечено, что экспериментальная оценка на тестовой выборке продемонстрировала среднюю точность mAP50 на уровне 0,994 и mAP50-95 на уровне 0,986, а для аппаратов с выраженной геометрией, таких как AcrimSAT и AIM, показатели mAP50 достигли значений 0,995.

Практическая значимость. Предложенный метод формирования синтетических данных на основе 3D-моделей NASA позволяет устранить имеющийся дефицит реальных орбитальных снимков и обеспечивает необходимую точность формы и размеров объектов, что особенно важно для корректного обучения нейросетевых детекторов. Благодаря своей универсальности и масштабируемости он позволяет создавать репрезентативные наборы данных для широкого спектра классов: от уникальных сложных аппаратов до стандартизированных платформ.

Павлов В.А., Цыцулин А.К., Бобровский А.И., Мукало Ю.И., Бечин Д.Н., Белогубкин Я.Ю. Автоматическое обнаружение
космических аппаратов с использованием синтетических данных // Радиотехника. 2026. Т. 90. № 3. С. 107−116. DOI: https://doi.org/10.18127/j00338486-202603-09

1. Pavanello Z., De Maria L., De Vittori A., Maestrini M., Di Lizia P., Armellin R. CAMmary: a review of spacecraft collision avoidance manoeuvre design methods // Acta Astronautica. 2025. V. 236. P. 770–789.
2. Жуков А.О., Гедзон В.С., Переверзев А.Ф., Башкатов А.И. Анализ функциональных возможностей системы наблюдения космических объектов в сложной фоно-целевой обстановке // Околоземная астрономия. 2022. С. 53-55.
3. Kisantal M., Sharma S., Park T. H., Izzo D., Märtens M., D'Amico S. Satellite pose estimation challenge: dataset, competition design and results // arXiv preprint arXiv:1911.02050. 2020.
4. Park T.H., Märtens M., Lecuyer G., Izzo D., D'Amico S. SPEED+: next-generation dataset for spacecraft pose estimation across domain gap // 2022 IEEE Aerospace Conference (AERO). Big Sky. MT. USA. 2022. Р. 1‒15.
5. Proenca P.F., Gao Y. Deep learning for spacecraft pose estimation from photorealistic rendering // arXiv preprint arXiv:1907.04298. 2019.
6. AlDahoul N., Karim, H.A., Momo M.A. RGB-D based multi-modal deep learning for spacecraft and debris recognition // Scientific Reports. 2022. V. 12. № 1. P. 3924.
7. Hematulin W., Kamsing P., Phisannupawong T., Panyalert T., Manuthasna S., Torteeka P., Boonsrimuang P. Generating large-scale datasets for spacecraft pose estimation via a high-resolution synthetic image renderer // Aerospace. 2025. V. 12. № 4. P. 334.
8. 3D resources - NASA science [электронный ресурс] // NASA Science. 2025. URL: https://science.nasa.gov/3d-resources/ (дата обращения: 30.12.2025).
9. Amjoud A.B., Amrouch M. Object detection using deep learning, CNNs and vision transformers: a review // IEEE Access. 2023.
   V. 111. P. 35479–35516.
10. Khanam R., Hussain M. YOLOv11: an overview of the key architectural enhancements // arXiv preprint, arXiv:2410.17725v1. 2024.
11. Everingham M., Van Gool L., Williams C.K.I., et al. The pascal visual object classes (VOC) challenge // International Journal of Computer Vision. 2010. V. 88. № 2. P. 303–338.
12. Lin T.-Y., Maire M., Belongie S., Hays J., Perona P., Ramanan D., Dollár P., Zitnick C.L. Microsoft COCO: common objects in context // Computer Vision – ECCV 2014: Proceedings of the 13th European Conference on Computer Vision. Cham: Springer International Publishing. 2014. P. 740–755.
13. Шустов Б.М., Золотарёв Р.В., Шугаров А.С. Об астрономических обоснованиях технических средств обнаружения астероидов, сближающихся с Землей // Научные труды ИНАСАН. 2025. Т. 10. № 3. С. 122–134.