في عالم الفضاء الواسع، يعد تحديد الوضعية السماوية (celestial attitude) أمرًا حيويًا للملاحة الذاتية للمركبات الفضائية. ومع ذلك، غالبًا ما تعاني الخوارزميات التقليدية مثل "Lost-in-Space" (LIS) من عبء حسابي ثقيل وحساسية تجاه الضوضاء الناتجة عن المستشعرات. إذ كانت تقنيات التعلم العميق تعد بديلاً واعدًا، لا تزال النماذج القياسية تتعثر أمام التحديات المتعلقة بالطوبولوجيا غير الإقليدية للكرة السماوية والظروف الحدودية الدورية لـ Right Ascension (RA) وDeclination (Dec).

تظهر الأبحاث الأخيرة تصميم Star-Fusion، وهو معمارية متعددة الأنماط (multi-modal architecture) تعيد صياغة تقدير الاتجاه كمهمة تصنيف طوبولوجي منفصلة. من خلال استخدام تقنية التجزئة الكروية K-Means، تم تقسيم الكرة السماوية إلى K مناطق متوافقة طبوغرافيًا مما يسهم في التخفيف من تشويهات الإحداثيات.

تعتمد هذه المعمارية على استراتيجية دمج ثلاثية: هيكل عظماني من نوع SwinV2-Tiny لاستخراج الخصائص الضوئية، فرع خريطة حرارية تجمع مكانياً، وشبكة عصبية متعددة الطبقات قائمة على الإحداثيات كمرتكز هندسي. أظهرت التقييمات التجريبية على مجموعة بيانات مشتقة من Hipparcos أن Star-Fusion حققت دقة 93.4% في أول تقييم و97.8% في تقييمات ضمن الثلاثة الأوائل (Top-3).

علاوة على ذلك، تتميز هذه التقنية بالكفاءة الحسابية العالية حيث تحافظ على زمن استدلال قدره 18.4 مللي ثانية على أجهزة COTS المحدودة الموارد، مما يجعلها مرشحًا قويًا للتطبيقات الفورية على الأقمار الصناعية في الكتل المستقبلية.