Asteroid shape inversion with light curves using deep learning

Yan-Ke Tang

doi:10.1051/0004-6361/202452058

Asteroid shape inversion with light curves using deep learning

2025-04-02

0

PRE

AI

DOI：10.1051/0004-6361/202452058

原文链接

原文求助

摘要

En 中文

背景。利用光度数据进行小行星形状反演一直是行星科学和天文研究的关键研究领域。具体而言，研究人员致力于开发从光变曲线中重建小行星三维形状的技术。这一过程对于深入理解小行星的形成与演化，以及规划载人空间任务至关重要。然而，当前的小行星形状反演方法需要大量的迭代计算，导致过程耗时且易陷入局部最优解。对于旨在近距离接近小行星的任务，迫切需要更快速高效的方法。目标。本研究的目标是提高小行星形状反演的精度、速度以及对稀疏数据的适应性，并支持空间任务中形状反演的自主决策。方法。我们通过深度神经网络直接建立了光度数据与形状分布之间的映射关系。此外，我们使用三维点云表示小行星形状，并利用非凸小行星与其凸包的光变曲线偏差来预测非凸小行星的凹陷区域。结果。通过我们的方法，消除了对大量迭代计算的需求，实现了毫秒级的反演速度。我们使用传统方法与我们的方法之间的Chamfer距离比较了不同形状模型的结果，发现我们的方法表现更优，尤其是在处理特殊形状时。对于凸包上凹陷区域的检测，我们的预测结果与真实结果的交并比（IoU）达到0.89。我们进一步使用洛厄尔天文台观测数据验证了该方法，预测了小行星3337 Milos和1289 Kutaissi的凸形状，并进行了光变曲线拟合实验。实验结果证明了该方法的有效性和适应性。结论。我们提出了一种基于深度学习的方法，利用光变曲线数据重建小行星的凸包并预测非凸小行星凸包上的凹陷区域。我们的深度学习模型通过卷积网络和Transformer网络高效提取输入数据的特征，学习光变曲线数据中嵌入的复杂照明关系，从而实现对表示小行星形状的三维点云的精确估计。

Keyword:

instrumentation: photometers

methods: data analysis

techniques: photometric

minor planets, asteroids: general

Asteroid shape inversion with light curves using deep learning

摘要

期刊

机构

引用论文