La estimación de pose confiable para naves espaciales no cooperativas es una tecnología clave para misiones de servicio en órbita y eliminación activa de desechos. La utilización de técnicas de aprendizaje profundo para procesar imágenes de cámaras monoculares es efectiva y es un tema candente en la investigación actual. Para reducir errores y mejorar la generalización del modelo, los investigadores a menudo diseñan funciones de pérdida de múltiples cabezas o utilizan modelos generativos para lograr una compleja augmentación de datos, lo que hace que la tarea sea compleja y consuma mucho tiempo. Proponemos una red de regresión de puntos clave consciente del espacio basada en un transformador de visión en pirámide y una estrategia de augmentación consciente de estéreo para lograr una predicción robusta. Específicamente, utilizamos principalmente los ocho vértices de un cuerpo de satélite en forma de cubo como puntos de referencia y las superficies observables pueden ser transformadas utilizando, respectivamente, las etiquetas de pose. Los resultados experimentales en el conjunto de datos SPEED+ muestran que al utilizar el algoritmo EPNP existente y el método de autoentrenamiento con pseudoetiquetas, podemos lograr una estimación de pose de alta precisión para dominios cruzados de objetivos. En comparación con otros métodos existentes, nuestro modelo y estrategia son más sencillos. Todo el proceso no requiere la generación de nuevas imágenes, lo que reduce significativamente los requisitos de almacenamiento y los costos de tiempo. Combinado con un filtro de Kalman, la salida robusta y continua de la posición y actitud del objetivo se verifica mediante el conjunto de datos SHIRT. Este trabajo permite el despliegue en dispositivos móviles y proporciona un fuerte apoyo técnico para la aplicación de un sistema de navegación visual automático en órbita.