17、火星漫游车的机器学习应用

火星漫游车的机器学习应用

1. MAARS系统概述

MAARS系统具备两种重要能力，能让漫游车自主规划路径、选择活动并瞄准仪器，以在较少的地面干预循环下实现既定科学目标。这两种能力都由多个算法组件构成，下面将分别介绍风险与资源感知自动导航（Risk - and Resource - Aware AutoNav）和边走边科学（Drive - by - Science）能力。

2. 风险与资源感知自动导航

2.1 总体情况

MAARS的局部路径规划能力由多种新算法和现有算法组合实现。
- 感知方面
- 地形分类 ：土壤属性与物体分类（SPOC）地形分类器利用基于深度学习的分割网络预测地形类型，尤其能识别无法通过立体视觉从几何上识别的沙地危险。
- 岩石检测 ：提出了一种融合几何立体视觉和基于单目模型的语义视觉的岩石检测方法，以解决立体视觉难以识别小的嵌入式岩石和远距离大岩石危险的问题。
- 驱动能量预测 ：VeeGer算法结合地形分类和障碍物检测来预测驱动能量，其估计的能量使用量作为路径规划器成本函数的一部分，实现资源感知。
- 路径规划方面 ：标准树规划器与碰撞检查相结合。用户可从三种碰撞检查算法中选择：ACE（近似运动学沉降）、其概率扩展p - ACE和基于优化的运动学沉降（OBKS）。

2.2 地形分类

地形是火星漫游车面临的主要风险来源。例如，火星漫游者“勇气号”在20